La mayoría de los equipos de investigación conocen esta sesión. Una científica o un ingeniero abre una nueva conversación con la IA, vuelve a explicar el proyecto, repite los límites del método, pega los resultados de la semana pasada y corrige el mismo error que ya corrigió el martes. La IA es capaz. No recuerda.
Ese es el comportamiento por defecto de la mayoría de las herramientas de IA, y es fácil subestimarlo, porque el coste se reparte en muchos momentos pequeños y nadie ve el total. Este artículo explica de dónde viene el olvido, qué le cuesta a un equipo de investigación y qué cambia cuando el trabajo que confirma tu equipo se convierte en experiencia que la IA conserva.
De dónde viene el olvido
Un modelo aprende lo que sabe durante el entrenamiento. Cuando el entrenamiento termina, ese conocimiento queda fijado. El modelo puede razonar sobre un problema nuevo, escribir código de análisis y leer los documentos que le das, pero nada de lo que ve en una sesión cambia lo que sabe en la siguiente.
La investigación nota esta brecha más que la mayoría de los trabajos. El conocimiento del que depende un equipo suele ser el más reciente: una medición que llegó ayer, una corrección que hizo un experto esta mañana, un límite de operación que alguien confirmó la semana pasada. Nada de eso puede estar en los datos de entrenamiento de un modelo. No existía cuando se entrenó el modelo.
Dentro de una sesión, la IA puede retener parte de esto en su contexto. Cuando la sesión termina, se pierde. La siguiente sesión, el agente de un compañero o el modelo del próximo trimestre vuelve a empezar desde el día en que se detuvo el entrenamiento. Enseñarle algo nuevo al propio modelo implica preparar un conjunto de datos y ejecutar otro ciclo de entrenamiento, algo que pocos equipos de investigación hacen con cada lección.
Lo que le cuesta a un equipo de investigación
El coste del olvido rara vez aparece como una partida en un presupuesto. Se nota en cuatro sitios.
- Volver a explicar. Los científicos e ingenieros dedican el inicio de cada sesión a repetir el objetivo, las decisiones y las restricciones, y el agente hace preguntas que el equipo respondió hace tiempo.
- Errores repetidos. Un experto corrige al agente, y la corrección ha desaparecido en la siguiente sesión. El mismo experto vuelve a hacerla, o un compañero que no la vio deja pasar el error.
- Trabajo pagado dos veces. Una ejecución que falló en ciertas condiciones se vuelve a proponer, porque nada conservó el fallo. El cómputo, los materiales y el tiempo de instrumento se dedican a redescubrir lo que el equipo ya sabía.
- Datos desactualizados. Una nueva medición sustituye a una antigua, pero el valor antiguo sigue en una transcripción pegada o en un archivo de notas, y vuelve en una respuesta como si estuviera vigente.
Imagina que el agente de un equipo recomienda ajustes para un análisis recurrente y que nada conserva lo que aprende. A lo largo de un mes, el patrón puede ser este:
- Semana uno: una correcciónUn experto rechaza una recomendación porque ignora un límite conocido del método, y explica por qué. El agente lo hace bien durante el resto de esa sesión.
- Semana dos: el mismo errorEn una nueva sesión, el agente hace la misma recomendación. Otro revisor la detecta y vuelve a explicar el límite.
- Semana tres: una ejecución fallida, repetidaEl agente de un compañero, con un modelo distinto, propone una configuración que falló dos semanas antes. La ejecución sigue adelante y falla por el mismo motivo.
- Semana cuatro: un valor antiguoUna nueva calibración ha sustituido un valor de referencia. El agente cita el antiguo, porque estaba en las notas que pegó un científico o ingeniero.
- El totalDos explicaciones de expertos, una ejecución desperdiciada y una respuesta errónea, todo por lecciones que el equipo ya había pagado una vez.
Ninguno de estos momentos es dramático por sí solo. En todo un equipo y a lo largo de un año, suman tiempo de expertos y presupuesto gastados en trabajo que ya estaba hecho. El coste más silencioso es el último en aparecer: los expertos dejan de corregir a la IA porque las correcciones no se quedan, y el equipo pierde la costumbre de enseñarle.
Lo que hacen hoy los equipos y dónde se queda corto
Los equipos sortean el problema. Muchos mantienen un archivo de instrucciones o un archivo de notas para su IA, una biblioteca de prompts o conectan un sistema de recuperación a sus documentos. Cada una de estas soluciones ayuda, y vale la pena tenerlas.
Un archivo de notas contiene lo que alguien dejó por escrito. Funciona mientras es corto y está al día. A medida que crece, se llena de líneas de las que nadie está seguro de que sigan siendo válidas, y una línea antigua se queda hasta que alguien la borra. El modelo lo vuelve a leer entero y juzga por su cuenta qué se aplica.
La recuperación encuentra pasajes que parecen similares a la pregunta, lo que resulta útil para encontrar documentos. No indica si un pasaje se aplica en las condiciones actuales, y cuando un dato ha cambiado, pueden volver tanto la versión antigua como la nueva.
El fine-tuning cambia lo que sabe un modelo de forma general, y sigue teniendo su sitio para esa tarea. Aprende de un conjunto de datos preparado y de una ejecución de entrenamiento, así que avanza al ritmo de los ciclos de entrenamiento y no al ritmo del trabajo, y una nueva versión del modelo obliga a empezar de nuevo.
- 0 % frente a 57 %respuestas desactualizadas tras cambiar los datos: MS Duplex frente a la recuperación estándar, en las pruebas controladas de MatterSpace
Esa cifra de las pruebas controladas de MatterSpace mide el cuarto coste de la lista: respuestas que citan un valor que el equipo ya ha sustituido. Es el coste que mejor se esconde, porque una respuesta desactualizada se lee con la misma seguridad que una vigente.
Qué cambia cuando los resultados confirmados se convierten en experiencia
La alternativa es conservar el resultado en lugar de la conversación. MS Duplex está junto al modelo que ya usa tu equipo, dejando sus pesos tal como están, y aprende de los resultados que confirma tu trabajo. Se supera una prueba, llega una medición, un experto aprueba una conclusión o corrige una y explica por qué. Eso se convierte en experiencia, aplicada desde la siguiente solicitud.
Cada elemento de experiencia conserva lo que un equipo de investigación necesita para confiar en él:
- El resultado, la medición o el juicio experto del que procede.
- Las condiciones en las que se confirmó, para que se aplique donde esas condiciones coinciden.
- El motivo de una corrección, para que el agente compruebe primero ese punto en el siguiente caso.
- Su historial, para que, cuando un valor confirmado más reciente sustituya a uno anterior, se aplique el más reciente y el cambio quede registrado.
Eso cambia lo que hace el agente a continuación. Donde las condiciones coinciden, aplica lo aprendido. Donde un caso es parecido pero distinto, MS Duplex señala qué difiere. Lo que funcionó pasa a ser lo primero que prueba el agente, y lo que falló deja de proponerse.


Vuelve a recorrer el mismo mes con MS Duplex en marcha. La corrección de la semana uno se aplica desde la siguiente solicitud, en cualquier sesión y con cualquier modelo. La configuración que falló deja de proponerse, y el registro muestra por qué. La nueva calibración sustituye el valor antiguo desde la siguiente solicitud, conservando el historial del cambio. El experto explica el límite una sola vez.
La siguiente sesión empieza donde está el trabajo
El olvido también se produce entre personas y entre modelos. Un compañero retoma el proyecto. El equipo pasa a un modelo más reciente. En la mayoría de las configuraciones, cualquiera de esos cambios pone a cero lo que la IA sabe del trabajo.
En MS Duplex, el objetivo, las decisiones, los métodos aprobados y el progreso pasan a cada nueva sesión como una imagen compacta del trabajo, con cada fuente registrada. Los agentes que autorizas parten de la misma imagen, en el modelo en el que se ejecuten. La experiencia vive en un almacén que es propiedad de tu organización, así que un modelo nuevo empieza con todo lo que ha construido el equipo.


Una IA que conserva experiencia también tiene que estar gobernada. Cada lección se puede revisar, corregir o eliminar por separado. Si corriges una, solo cambia esa; si la eliminas, las recomendaciones que dependían de ella se van con ella, mientras todo lo demás se queda. Las capas personal, de equipo y de organización mantienen personales los hábitos de un investigador y las confirmaciones de un equipo dentro de ese equipo, según tus reglas, y nada se comparte con otra empresa.
Preguntas frecuentes
¿Por qué el modelo no puede recordar por sí solo?
Su conocimiento queda fijado cuando termina el entrenamiento. Enseñarle algo nuevo implica preparar un conjunto de datos y ejecutar otro ciclo de entrenamiento, así que lo que tu equipo aprende entre ciclos falta en cada nueva sesión.
¿Basta con un archivo de notas más largo?
Un archivo de notas ayuda mientras es corto y está al día. A medida que crece, las líneas antiguas se quedan hasta que alguien las borra, y el modelo tiene que juzgar cuáles siguen siendo válidas. MS Duplex conserva los resultados confirmados con sus condiciones y su historial, así que se aplica el valor confirmado más reciente.
¿Qué pasa cuando cambia un dato?
El valor confirmado más reciente se aplica desde la siguiente solicitud, y se conserva el historial del cambio. En respuestas desactualizadas tras cambiar los datos, las pruebas controladas de MatterSpace midieron 0 % frente a 57 %, MS Duplex frente a la recuperación estándar.
¿Tenemos que cambiar las herramientas de IA que usamos?
No. MS Duplex se conecta a Claude, Codex, Cursor y otros agentes que hablen MCP, y a tus propios agentes y pipelines a través de la API y el Python SDK. Tus científicos e ingenieros siguen usando la IA que ya usan.


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.









