Todo equipo de investigación que depende de la IA se encuentra antes o después con la misma brecha. El modelo es capaz, pero no sabe lo que tu equipo aprendió la semana pasada: el límite de funcionamiento que confirmó un experto, el ajuste que por fin dio un resultado limpio, el valor de referencia que se sustituyó. La respuesta habitual es entrenarlo. Reunir ejemplos, hacer fine-tuning, validar la nueva versión y desplegarla.
Esa respuesta encaja bien con algunos problemas y mal con otros. Este artículo compara el fine-tuning con la forma en que aprende MS Duplex, para el tipo de conocimiento que un equipo de investigación produce cada día, e indica dónde tiene su lugar cada uno.
En qué destaca el fine-tuning y dónde le cuesta
El fine-tuning cambia los pesos de un modelo mediante una ejecución de entrenamiento con un conjunto de datos preparado. Cuando funciona, el cambio es amplio. El modelo sigue un formato de la casa, maneja con más soltura un vocabulario especializado o razona con más habilidad sobre una familia de problemas, en cada conversación, sin que haya que recordárselo.
Esa amplitud es el motivo para hacerlo. Si tu equipo quiere un modelo que se comporte de otra forma en general, y el cambio va a mantenerse durante mucho tiempo, una ejecución de entrenamiento es una inversión sensata. Un modelo con fine-tuning es además un modelo como cualquier otro: tu equipo puede conectarlo, evaluarlo y gobernarlo con los procesos que ya tiene.
La dificultad empieza cuando el conocimiento es específico, nuevo y sigue cambiando. Eso describe la mayor parte de lo que aprende un equipo de investigación.
Donde un ciclo de entrenamiento choca con el trabajo de investigación
El conocimiento de investigación llega de resultado en resultado. Llega una medición, se supera una prueba, un experto rechaza una recomendación y explica por qué. Cada uno de estos elementos es pequeño, está ligado a sus condiciones y a menudo queda superado durante la vida de un proyecto. Encajar ese flujo en ciclos de entrenamiento genera fricción en cada paso.
- Acumulación por lotes. Una corrección es demasiado poco para entrenar con ella, así que espera hasta que se hayan reunido suficientes ejemplos para justificar una ejecución. Hasta entonces, el experto la repite.
- Preparación. Alguien tiene que convertir los resultados y las correcciones en un conjunto de datos limpio, decidir qué entra y comprobar que ningún ejemplo contradiga a otro.
- Efectos secundarios. Una lección nueva entrenada en los pesos puede desgastar lo que el modelo ya sabía, así que cada nueva versión necesita pruebas que van mucho más allá del cambio que debía introducir.
- Modificaciones. Si una lección resulta ser errónea, no hay un único lugar donde corregirla. Cambiarla implica otra ejecución de entrenamiento.
- Trazabilidad. Una vez que una lección está en los pesos, es difícil saber qué ejemplo enseñó al modelo un comportamiento concreto.
- Portabilidad. El trabajo pertenece a un solo modelo. Cuando llega un modelo mejor, el equipo vuelve a empezar.
Nada de esto convierte el fine-tuning en una mala herramienta. Lo convierte en un ajuste tosco para un conocimiento que cambia tan rápido como la investigación, donde el resultado más reciente suele ser el que más importa para la siguiente decisión.


Aprender del siguiente resultado confirmado
MS Duplex aprende junto al modelo, dejando sus pesos tal como están. Se conecta a la IA que ya usa tu equipo, ya sea Claude, Codex, Cursor u otro agente que hable MCP, y a tus propios agentes a través de su API y su Python SDK. Aprende de los resultados y las correcciones que tu equipo decide registrar. Basta con un resultado confirmado. No hay que reunir ningún conjunto de datos ni programar ninguna ejecución de entrenamiento.
Supongamos que el agente de un equipo recomienda ajustes para la siguiente ejecución de un análisis recurrente. Así es como viaja una corrección.
- El agente recomiendaPropone ajustes para la siguiente ejecución, usando el modelo y las herramientas que el equipo ya tiene.
- Una experta lo corrigeUna científica o un ingeniero rechaza la recomendación porque ignora un límite del método en las condiciones actuales, y registra el motivo.
- Se conserva la lecciónMS Duplex conserva la corrección con su fuente y las condiciones en las que se cumple. Todo lo aprendido antes sigue como estaba.
- La siguiente solicitud la usaLa próxima vez que el agente recomiende ajustes para un caso en esas condiciones, comprueba primero el límite. Nadie vuelve a entrenar nada, y la experta no tiene que repetirse.
- Se señalan las condiciones distintasCuando llega un caso en otras condiciones, MS Duplex lo indica en lugar de aplicar la lección como si nada hubiera cambiado, y el equipo decide.
- Otro modelo la retomaUn compañero que trabaja con otro modelo se encuentra con un caso relacionado. La lección y su fuente ya están ahí, porque viven junto al modelo y no dentro de él.
Un éxito confirmado sigue el mismo camino. Cuando una medición confirma un resultado que el agente predijo, el enfoque que lo respalda pasa a ser la primera opción del agente para casos con las mismas condiciones. Cuando un valor confirmado más reciente sustituye a uno anterior, se aplica el más reciente y se conserva el historial del cambio.
Hay dos diferencias con un ciclo de entrenamiento. La lección está lista desde la siguiente solicitud, sin nada que agrupar ni esperar. Y una nueva lección se suma a lo que MS Duplex ya contiene, así que el agente que aprendió la corrección de esta semana sigue conociendo las condiciones que tu equipo confirmó hace meses.
Cambiar de opinión, lección a lección
La investigación se revisa a sí misma. Una medición resulta proceder de un montaje defectuoso. La corrección de un experto se cumplía en condiciones más estrechas de las que nadie registró. Un equipo necesita deshacer una lección con la misma facilidad con la que la añadió.
En MS Duplex, cada lección conserva su fuente y se sostiene por sí sola. 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 el equipo decide que, después de todo, era correcta.
Eso cambia la pregunta que tiene que responder quien dirige la investigación. Con un ciclo de entrenamiento, la pregunta es si es seguro desplegar toda una nueva versión del modelo. Con MS Duplex, el equipo revisa lecciones individuales: qué se aprendió, de qué resultado, en qué condiciones y desde cuándo. Un revisor puede ver en qué se basa una recomendación, y otro investigador puede reconstruir una decisión a partir del registro y comprobarla.


Lo que mostraron las pruebas controladas
MatterSpace comparó MS Duplex con un modelo con fine-tuning para la tarea, en trabajo recurrente, en pruebas controladas. MS Duplex funcionó sin ninguna ejecución de entrenamiento.
- +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
Ambas cifras proceden de las pruebas controladas de MatterSpace. La segunda encaja con lo que hace MS Duplex con las decisiones rutinarias. Cuando un método que confirmó el equipo se aplica claramente, resuelve la decisión directamente, a menudo sin ninguna llamada al modelo. Cuando la evidencia es escasa o el caso no es familiar, pasa la decisión al modelo o la señala a un investigador, con el motivo. El trabajo recurrente es donde más decisiones se repiten, así que es ahí donde aparece el ahorro en llamadas al modelo.
Usar ambos
La mayoría de los equipos acabarán usando ambos. MS Duplex funciona junto a un modelo con fine-tuning igual que junto a uno general, y hace que cualquiera de ellos aprenda de tu trabajo. Un reparto práctico sería este:
- Usa el fine-tuning cuando quieras cambiar lo que sabe un modelo o cómo se comporta en general, y el cambio vaya a mantenerse durante mucho tiempo.
- Usa MS Duplex para lo que tu equipo confirma a medida que avanza el trabajo: resultados, correcciones, decisiones y métodos que se cumplen en condiciones concretas y pueden cambiar.
- Mantén ambos separados en tus registros. Un modelo con fine-tuning es una versión del modelo. Una lección en MS Duplex es un elemento con una fuente, que tu equipo puede revisar, corregir o eliminar.
- Cuando llegue un modelo nuevo, con fine-tuning o general, conéctalo. La experiencia que tu equipo construyó en MS Duplex viene con él.
Para quien dirige la investigación, la pregunta útil es dónde debe vivir cada tipo de conocimiento. El comportamiento amplio y estable corresponde al modelo. El conocimiento que tu equipo produce cada día corresponde a un lugar donde pueda aprenderse desde la siguiente solicitud, rastrearse hasta su fuente y cambiarse lección a lección.
Preguntas frecuentes
¿MS Duplex cambia los pesos de mi modelo?
No. Aprende junto al modelo, dejando sus pesos tal como están. Por eso una lección está lista desde la siguiente solicitud, por eso una lección puede corregirse por separado y por eso la experiencia se mantiene cuando cambias de modelo.
¿Podemos usar MS Duplex con un modelo al que ya hemos hecho fine-tuning?
Sí. MS Duplex funciona junto a un modelo con fine-tuning igual que junto a uno general, y hace que cualquiera de ellos aprenda de los resultados y las correcciones que confirma tu equipo.
¿Las lecciones nuevas desgastarán lo que aprendió antes?
Una nueva lección se añade junto a lo que MS Duplex ya contiene y deja el resto como estaba. Cuando un resultado confirmado más reciente sustituye a uno anterior, se aplica el más reciente y se conserva el historial.
¿Cómo sabemos que lo hará mejor que el fine-tuning en nuestro trabajo?
Las cifras de este artículo proceden de las pruebas controladas de MatterSpace. Un piloto mide lo que hace MS Duplex en tus propios flujos de trabajo recurrentes, en paralelo con tu configuración actual, y tus expertos lo evalúan a ciegas.


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.









