Un equipo de investigación le enseña algo a su IA cada semana. Un experto explica por qué un método falla más allá de un límite conocido. Una ejecución confirma qué ajustes funcionaron. Una nueva calibración sustituye un valor de referencia antiguo. En la mayoría de las configuraciones, nada de eso se queda. La siguiente sesión empieza desde lo que sabía el modelo el día en que terminó su entrenamiento, y el equipo vuelve a pagar por la misma lección.
Hoy MatterSpace presenta MS Duplex: agentes que mejoran por sí mismos para equipos de ciencia e ingeniería. MS Duplex se conecta a la IA que ya usan tus científicos e ingenieros y hace que aprenda mientras trabajas. Cada resultado confirmado, cada corrección experta y cada decisión se convierten en experiencia que tus agentes reutilizan, de modo que cada ejecución empieza donde terminó la anterior.
Qué es MS Duplex y para quién es
MS Duplex es la capa de automejora de la IA científica de un equipo. Se sitúa junto a los modelos y agentes que ya utilizas, dejando sus pesos tal como están. Cuando se supera una prueba, llega una medición o un experto aprueba una conclusión, MS Duplex aprende de ello y aplica la lección desde la siguiente solicitud, allí donde encajen las condiciones.
También es donde se acumula el trabajo con IA de un equipo. Los resultados confirmados con sus condiciones, las correcciones con sus motivos, las decisiones con la evidencia en la que se basaron, los métodos verificados, los planes y el progreso de las campañas largas, y qué herramientas funcionaron para cada problema: todo ello se va reuniendo en un almacén que es propiedad de tu organización. Cambia de modelo, de agente o de proveedor, y el equipo continúa donde lo dejó.


MS Duplex está diseñado y desarrollado para científicos, ingenieros e investigadores, y funciona en todos los campos. Allí donde un equipo realice experimentos, simulaciones, análisis o revisiones de diseño con IA, el ciclo es el mismo. El agente trabaja con tus herramientas. Una prueba, una medición o un experto confirma el resultado, o lo corrige y explica por qué. MS Duplex guarda el resultado con su evidencia. El siguiente caso que coincida, en cualquier sesión, agente o modelo, parte de ahí.
Está hecho para las personas que llevan ese trabajo:
- Responsables de investigación e ingeniería que quieren que lo que aprende el equipo se quede en el equipo, sea cual sea el modelo que use después.
- Responsables de investigación computacional que quieren menos ejecuciones repetidas y decisiones que otro investigador pueda reconstruir a partir del registro.
- Responsables de laboratorio y de plataforma que necesitan que se apliquen las reglas del equipo, y que se den las aprobaciones adecuadas, antes de que empiece un paso costoso.
- Científicos e ingenieros que prefieren explicar un proyecto, y una corrección, a su IA una sola vez.
Catorce capacidades en tres grupos
En MS Duplex, el aprendizaje continuo, la automejora, la planificación de largo horizonte y la memoria de investigación funcionan como una sola capa, organizada en torno a los objetivos de tu equipo. Hay catorce capacidades en tres grupos, y cada una refuerza a las demás.
Aprender y mejorar
- Aprendizaje continuo: aprende de cada resultado confirmado a partir de la siguiente solicitud y conserva intacto lo que aprendió antes.
- Automejora: lo que funcionó pasa a ser lo primero que prueban tus agentes, y lo que falló deja de proponerse.
- Métodos reutilizables: un procedimiento verificado se aplica directamente en el siguiente caso similar, y se adapta y se propone para su comprobación en los relacionados.
- Aprender causa y efecto: conserva qué acción llevó a qué resultado, en qué condiciones, e indica cuándo un vínculo aún no se ha establecido.
- Aprendizaje de herramientas: aprende qué herramienta, ajuste o método dio buen resultado en cada tipo de problema.
Planificar y decidir
- Planificación de largo horizonte: las campañas que duran días o semanas siguen siendo un solo trabajo, con su plan, sus puntos de control y su progreso.
- Simulación antes de actuar: proyecta las opciones hacia delante antes de gastar cómputo o tiempo de laboratorio, y descarta pronto las que no pueden alcanzar el objetivo.
- Resolver problemas nuevos: arma un enfoque para un caso nuevo a partir de lo que el equipo ha confirmado, y lo comprueba antes de que nadie se base en él.
- Decisiones que conocen sus límites: resuelve lo que respalda la evidencia y pasa el resto a tu modelo o a un investigador, con el motivo.
Recordar y gobernar
- Memoria de investigación: cada sesión empieza desde el estado actual del trabajo.
- Libertad para cambiar de modelo: un modelo nuevo empieza con todo lo que ha construido tu equipo.
- Capas personal, de equipo y de organización: cada una tiene su propia experiencia, y tus reglas deciden qué pasa de una a otra.
- Reglas y aprobaciones: tus reglas van primero, y los pasos que elijas esperan a una persona.
- Procedencia, revisión y desaprendizaje: cada lección conserva su fuente, y cualquiera de ellas puede corregirse o eliminarse por separado.
Los grupos se apoyan entre sí. Un resultado confirmado el lunes se convierte en un método. El método entra en el plan de una campaña larga. La memoria de investigación lleva ese plan a la siguiente sesión, las reglas deciden qué pasos esperan a una persona, y la procedencia muestra de dónde vino cada parte.
- +16 ptsde precisión por encima de un modelo con fine-tuning para la tarea, en trabajo recurrente, sin ninguna ejecución de entrenamiento
- −89%menos llamadas al modelo que el modelo con fine-tuning en ese mismo trabajo
- 0 de 8640respuestas sobre un dato modificado dieron el valor desactualizado
Las tres cifras proceden de las pruebas controladas de MatterSpace. Las dos primeras comparan MS Duplex con un modelo con fine-tuning para la tarea, en el mismo trabajo recurrente. La tercera cuenta las respuestas dadas después de que un dato hubiera cambiado, en las que la IA tenía que usar el valor más reciente. El fine-tuning mantiene su lugar para cambiar lo que sabe un modelo de forma general, y MS Duplex funciona junto a un modelo con fine-tuning igual que junto a uno general.
Se conecta a la IA que tu equipo ya usa
Los científicos e ingenieros conservan la IA que conocen. MS Duplex se conecta a Claude, Codex, Cursor y otros agentes que hablan MCP, el estándar abierto para dar herramientas a los agentes de IA. Los equipos que crean sus propios agentes y pipelines de investigación añaden MS Duplex a través de su API y su SDK de Python, con el mismo aprendizaje detrás de cada uno.
Hay dos formas de conectarse. Con una conexión estándar, tu agente llama a MS Duplex para recuperar la experiencia pertinente, seguir el plan y registrar los resultados que permitas. Es la forma más rápida de empezar. En los entornos compatibles con hooks, una conexión gobernada hace pasar por MS Duplex los pasos que selecciones, de modo que tus reglas se aplican antes de que empiece una simulación o ejecución costosa.


Tus modelos, herramientas y datos siguen siendo tuyos. Los agentes siguen accediendo a simuladores, código de análisis, bases de datos e instrumentos a través de sus propias conexiones. MS Duplex aprende de los resultados y las correcciones de expertos que tu equipo decide capturar, y tus reglas deciden qué se comparte entre un investigador, un equipo y la organización. Nada de ello se comparte con otra empresa.
Imagina que un científico o ingeniero corrige la clasificación de candidatos de un agente porque el método que usó falla más allá de un límite de funcionamiento conocido, y deja constancia del motivo. Dos días después, el agente de un colega, con otro modelo, se encuentra con un caso relacionado. MS Duplex recupera la corrección con su fuente y muestra qué supuesto ha cambiado. Nadie tuvo que añadir una línea a un archivo de notas ni explicar el límite por segunda vez.
Una capa de aprendizaje para cada campo
MS Duplex es la capa de aprendizaje de MatterSpace para todo tipo de trabajo científico y de ingeniería. Aquello de lo que aprende es común a la investigación en cualquier campo: métodos, decisiones, las condiciones en las que se cumple un resultado y los resultados que vinieron después. La experiencia de cada equipo sigue siendo suya, en sus propias capas y bajo sus propias reglas.
Cómo empezar: un piloto sobre tu propio trabajo
La prueba justa para una IA que dice aprender es el trabajo que tu equipo hace una y otra vez. Un piloto se ejecuta sobre tus propios flujos de trabajo, junto a tu configuración actual, y tus expertos son los jueces.
- Elige el trabajoElige flujos de trabajo de investigación recurrentes en los que las decisiones se repiten y una ejecución errónea o innecesaria sale cara: recomendar ajustes para la siguiente ejecución, clasificar candidatos, revisar análisis.
- Acuerda la medidaDefínelo con tus expertos antes de que se ejecute nada: el coste de cada resultado aceptado y reproducible, y el tiempo de expertos que requiere.
- Ejecútalo en paraleloEl mismo modelo, las mismas herramientas, los mismos datos y el mismo presupuesto, con y sin MS Duplex, y con una conexión gobernada donde encaje.
- Evalúalo a ciegasTus expertos puntúan los resultados sin saber qué configuración los produjo.
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. La experiencia que construye un piloto pertenece a tu organización, con cada lección y su fuente registradas para que tu equipo las revise, las corrija o las elimine.
Preguntas frecuentes
¿Cambia MS Duplex nuestro modelo?
Deja los pesos del modelo tal como están. MS Duplex aprende junto al modelo, y por eso una lección está lista desde la siguiente solicitud, una lección puede corregirse por separado y la experiencia te acompaña cuando cambias de modelo.
¿De qué aprende?
A partir de los resultados y las correcciones de expertos que tu equipo decide registrar: una prueba superada, una medición, una conclusión aprobada, una corrección con su motivo. Cada lección conserva su fuente y las condiciones en las que se cumple.
¿Está MS Duplex ligado a un solo campo científico?
No. Funciona en todo campo donde un equipo investigue o haga ingeniería con IA.
¿De quién es lo que aprende?
De tu organización. La experiencia vive en un almacén que es propiedad de tu organización, se rige por tus reglas y no se comparte con ninguna otra empresa. Tu equipo puede inspeccionar cualquier lección, corregirla, eliminarla o restaurarla.


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.









