Cada vez más herramientas de IA dicen que aprenden. Para un equipo de investigación, esa palabra abarca cosas muy distintas: un archivo de notas que el asistente vuelve a leer, una búsqueda en documentos anteriores, un modelo reentrenado con los datos del equipo o un sistema que cambia su comportamiento a medida que llegan resultados. Cada una tiene sus usos. No le dan a un equipo lo mismo, y una demostración breve rara vez muestra la diferencia.
Esta guía es para el responsable de investigación o ingeniería que tiene que decidir. Plantea seis preguntas que hacer a cualquier IA que afirme aprender, con cómo es una buena respuesta para cada una. Después las responde para MS Duplex, para que puedas exigirnos el mismo nivel que a todos los demás.
Por qué «aprende» merece una mirada más atenta
Cuando una IA aprende de tu trabajo, empieza a actuar sobre cosas que nadie escribió en el prompt ese día. Esa es la idea. También es la razón por la que un sistema que aprende exige preguntas más duras que uno estático. Un modelo que se comporta igual en cada solicitud puede revisarse una vez. Un sistema que cambia con el uso tiene que seguir siendo revisable mientras cambia.
Los enfoques habituales responden cada uno a una parte de esto. Los archivos de instrucciones y las notas guardan lo que alguien escribió, y están tan actualizados como la última edición. La recuperación trae pasajes que parecen relevantes para el caso en cuestión. El fine-tuning cambia lo que sabe un modelo de forma general, mediante un conjunto de datos preparado y una ejecución de entrenamiento, y encaja bien cuando ese es el objetivo. Antes de que un sistema empiece a influir en las decisiones, tu equipo debería saber cuál de estos está comprando, o qué añade junto a ellos.
El coste de una mala elección aparece más tarde, en el trabajo. Un agente repite un paso fallido porque una lección no se quedó. Un valor obsoleto sobrevive en una recomendación porque nadie pudo averiguar de dónde venía. Un equipo se queda con un modelo antiguo porque cambiar le haría perder lo que le enseñó al anterior. Las preguntas siguientes sacan a la luz esos riesgos antes de un piloto, cuando todavía cuesta poco hablar de ellos.
Seis preguntas para cualquier IA que afirme aprender
Plantéaselas a cada sistema de tu lista. Pide una demostración con un caso que elija tu equipo, y el registro que respalda cada respuesta.
- ¿De qué aprende?Una buena respuesta nombra las entradas: resultados confirmados, mediciones, correcciones de expertos con sus motivos, decisiones aprobadas. Ten cautela si la respuesta es «todo lo que escribe el usuario». En investigación, un comentario de pasada y una medición confirmada merecen un peso distinto, y tu equipo debería decidir qué resultados cuentan.
- ¿Cómo puedes ver por qué cambió su comportamiento?Pide ver un cambio de comportamiento y la evidencia que lo respalda. Una buena respuesta muestra qué hace ahora el agente de forma distinta, desde cuándo y qué resultados lo justificaron. Si la única explicación es que el sistema «ha mejorado», no puedes defender esa mejora ante nadie más.
- ¿Cómo corriges o eliminas una lección?Los errores entran en cualquier registro: una medición defectuosa, una corrección que solo era válida en condiciones estrechas. Pregunta qué hace falta para arreglar una lección, si cambia algo más al hacerlo y si una lección eliminada puede restaurarse. Una buena respuesta no implica ninguna ejecución de entrenamiento.
- ¿Qué pasa con la experiencia cuando cambias de modelo?Los equipos de investigación cambian de modelo a menudo. Pregunta si la experiencia está ligada a los pesos de un modelo o se guarda junto al modelo, y si un nuevo modelo empieza con lo que ha construido tu equipo o empieza de cero.
- ¿Quién es dueño de lo que aprende y quién puede verlo?Pregunta dónde se guarda la experiencia, quién es su dueño y si puede exportarse. Pregunta cómo funciona el uso compartido dentro de tu organización: si los hábitos de un investigador pueden determinar el agente de todos, y si algo aprendido de tu trabajo llega a otra empresa.
- ¿Cómo vas a juzgarlo?Un buen proveedor propone una prueba sobre tu propio trabajo, con una medida que tus expertos acuerdan antes de ejecutar nada y resultados puntuados sin saber qué configuración los produjo. Las cifras de las pruebas de otros muestran lo que es posible. Tu propia prueba muestra lo que hace por tu equipo.
Cómo responde MS Duplex sobre aprendizaje y evidencia
MS Duplex es una capa de aprendizaje que se conecta a la IA que ya usa un equipo de investigación: Claude, Codex, Cursor, cualquier agente que hable MCP y los propios agentes del equipo a través de la API y el Python SDK. Aprende junto al modelo, dejando sus pesos tal como están. Así responde a las dos primeras preguntas.
MS Duplex aprende de los resultados y las correcciones de expertos que tu equipo decide recoger: una prueba que se supera, una medición que llega, una conclusión que aprueba un experto, una corrección con el motivo que la justifica. Cada lección se guarda con su evidencia y las condiciones en las que se confirmó, y se aplica desde la siguiente solicitud. Cuando un caso nuevo queda fuera de esas condiciones, MS Duplex señala la diferencia en lugar de aplicar la lección como si nada hubiera cambiado.
Cuando cambia un dato, se aplica el valor confirmado más reciente y se conserva el historial del cambio. Eso importa a cualquier equipo cuyos valores de referencia, calibraciones o límites de operación cambian a medida que avanza la investigación.
En cuanto a la segunda pregunta, cada cambio en el comportamiento de un agente queda registrado. Lo que funcionó pasa a ser lo primero que prueba el agente. Lo que falló en ciertas condiciones deja de proponerse en esas condiciones. Cada cambio está vinculado a los resultados que lo justificaron, así que cuando un responsable pregunta por qué el agente se comporta mejor hoy que el mes pasado, la respuesta está en el registro con sus fuentes.


MS Duplex también mantiene la línea entre lo que se sabe y lo que se supone. Registra qué acción llevó a qué resultado, en qué condiciones, e indica a tus investigadores cuándo un vínculo aún no se ha establecido. Donde la evidencia es escasa o un caso no se parece a nada visto antes, pasa la decisión a tu modelo o la señala a un investigador, con el motivo.
Cómo responde MS Duplex sobre control, propiedad y modelos
Corregir y eliminar una lección
Cada elemento de experiencia muestra de dónde viene, en un único historial firmado que tu equipo puede revisar y exportar. Corrige una lección y solo cambia esa lección. Elimínala y las recomendaciones que dependían de ella desaparecen con ella, mientras todo lo demás se mantiene. Una lección eliminada puede restaurarse si tu equipo cambia de opinión. Nada de esto necesita una ejecución de entrenamiento, porque, para empezar, nada se entrenó en el modelo.
Tus reglas están en el mismo lugar. MS Duplex mantiene separadas las reglas y las preferencias, y ambas siguen visibles en el razonamiento detrás de un paso. En los entornos gobernados, que son configuraciones compatibles con hooks, un paso que incumple una regla se detiene antes de ejecutarse, y los pasos que selecciones, como una simulación cara o un cambio en datos compartidos, esperan a que una persona los apruebe. Una regla nueva se aplica desde la siguiente solicitud.


Propiedad y libertad de modelo
La experiencia que construye tu equipo vive en MS Duplex, en un almacén que es propiedad de tu organización, sea cual sea el modelo o el proveedor que uses. Con el tiempo reúne:
- Resultados confirmados, cada uno con las condiciones en las que se cumple
- Correcciones de expertos, cada una con su motivo
- Decisiones, con la evidencia que las respalda
- Métodos verificados que tus agentes reutilizan y adaptan
- Planes, puntos de control y progreso de las campañas largas
Como esa experiencia está junto al modelo, un modelo nuevo empieza con toda ella desde su primera solicitud. Tu equipo puede usar un modelo para los análisis difíciles y otro para el trabajo recurrente del mismo proyecto, y ambos se apoyan en la misma experiencia.
Dentro de tu organización, cada investigador, cada equipo y toda la organización tienen su propia capa. Los hábitos de trabajo de un científico o ingeniero siguen siendo personales, lo que confirma un equipo se comparte con ese equipo, y lo que la organización adopta como estándar se aplica en todas partes. Tus reglas deciden qué pasa de una capa a otra, las personas y los agentes solo acceden a lo que permite su ámbito, y nada de ello se comparte con otra empresa. Dónde se ejecuta MS Duplex y cómo se tratan tus datos se acuerda con tus responsables de seguridad y de datos desde la primera conversación.
Evaluarlo con tu propio trabajo
La sexta pregunta es la que decide. MS Duplex se evalúa mediante un piloto sobre tu propio trabajo, junto a tu configuración actual, y lo juzgan tus expertos.
Elige flujos de trabajo recurrentes en los que las decisiones se repiten y una ejecución errónea o innecesaria sale cara. Acuerda la medida con tus expertos antes de que se ejecute nada: el coste de cada resultado aceptado y reproducible, y el tiempo de expertos que requiere. Ejecuta el mismo modelo, las mismas herramientas, los mismos datos y el mismo presupuesto con y sin MS Duplex. Después, pide a tus expertos que puntúen los resultados sin saber qué configuración los produjo.
Somete a la misma prueba cualquier sistema que consideres. Una IA que mejora tu trabajo debería demostrarlo en tu trabajo, con una medida que fijes tú, y con la puntuación de personas que no sabían de dónde venía cada respuesta.
Preguntas frecuentes
¿Cambia MS Duplex el modelo que usamos?
Deja los pesos del modelo tal como están. MS Duplex aprende junto al modelo, y por eso una lección se aplica desde la siguiente solicitud, una lección puede corregirse por separado y la experiencia te acompaña cuando cambias de modelo.
¿Sustituye MS Duplex al fine-tuning?
El fine-tuning mantiene su lugar para cambiar lo que sabe un modelo de forma general. MS Duplex funciona junto a un modelo con fine-tuning igual que junto a uno general, y hace que cualquiera de los dos aprenda de los resultados confirmados de tu equipo.
¿Podemos auditar lo que aprendió la IA?
Sí. MS Duplex mantiene un historial firmado de lo que se aprendió, se usó y se aprobó. Tu equipo puede revisarlo y exportarlo, reconstruir una decisión a partir de él, e inspeccionar, corregir, eliminar o restaurar cualquier lección.
¿Quién decide de qué aprende la IA?
Tu equipo. MS Duplex aprende de los resultados y las correcciones que tu equipo decide capturar, y tus científicos e ingenieros deciden qué se adopta. En los entornos gobernados, los pasos que selecciones esperan a una persona antes de ejecutarse.


Construido por MatterSpace
MatterSpace construye MS Duplex para científicos, investigadores e ingenieros de cualquier campo, para que la IA que ya usan aprenda de cada resultado que confirman.









