Cuando una IA trabaja en varias sesiones, necesita algo más que una conversación larga. Tiene que conservar información útil, encontrarla cuando corresponde y reconocer cuándo un recuerdo dejó de ser cierto.
El 6 de noviembre, Anthropic publicó una explicación técnica de cómo diseña la memoria de Claude. La investigación muestra una idea importante: guardar más información no equivale a recordar mejor. Un sistema necesita distinguir registros, notas, conocimiento organizado y contexto que realmente conviene cargar en una tarea.
Esto también tiene una aplicación práctica para equipos pequeños, creadoras y personas que usan IA en proyectos recurrentes.
La respuesta corta: conservá decisiones y hechos que puedan volver a servir, guardá de dónde salieron y cuándo se verificaron, y mantené los documentos originales como fuente de verdad. La IA debe poder revisar sus recuerdos, no tratarlos como evidencia infalible.
Qué entiende Anthropic por memoria de agentes
Anthropic describe la memoria como conocimiento que un agente obtiene de sus experiencias y conserva entre sesiones para poder consultarlo más adelante. No es lo mismo que el contexto de una conversación, los parámetros del modelo o un resumen que sustituye mensajes anteriores.
Su arquitectura distingue varias capas:
| Capa | Qué contiene | Para qué sirve |
|---|---|---|
| Registros o transcripts | Lo que ocurrió durante las sesiones | Reconstruir eventos y volver a la fuente |
| Notas de memoria | Observaciones que el agente considera útiles | Recuperar hechos y decisiones |
| Representaciones | Wikis, mapas y relaciones entre documentos | Encontrar conexiones en una base grande |
| Contexto cargado | Información seleccionada para la sesión actual | Darle al agente lo necesario para empezar |
La diferencia importa. Una transcripción completa puede ser demasiado grande para cargarla en cada tarea. Una nota puede resumir algo importante, pero también puede contener un error. Una wiki puede conectar documentos, aunque no siempre aporta valor si la respuesta está en un único archivo.
Fuente: Anthropic, The components of agent memory.
La memoria necesita una etapa de consolidación
Anthropic usa el término dreaming para describir un proceso que revisa registros cuando el agente no está trabajando activamente. Puede organizar notas, corregir errores, crear representaciones y decidir qué información debería estar disponible en futuras sesiones.
La idea se parece a separar el registro de lo que pasó de la construcción de conocimiento que puede servir después. No significa que una IA duerma como una persona ni que sus recuerdos funcionen igual que los humanos.
En una prueba de navegación de Pokémon Red, Anthropic comparó dos sistemas. Uno generó 413 archivos de memoria y obtuvo una insignia; otro organizó su conocimiento en diez archivos y obtuvo cuatro. Es un experimento concreto, no una prueba de que menos memoria siempre sea mejor.
En otra evaluación con documentos internos de una empresa, los agentes construyeron una wiki de manera incremental. La puntuación sobre criterios evaluados aumentó de 13 a 48 por ciento a medida que se desarrollaba la representación. Al combinar wiki y búsqueda, el resultado llegó a 61 por ciento, frente a 53 por ciento con búsqueda sola.
Son resultados de pruebas de Anthropic, no una garantía de rendimiento para cualquier equipo o herramienta.
El problema más importante: una memoria también puede estar equivocada
Anthropic muestra un caso en el que Claude guardó una ubicación incorrecta durante el juego. En una sesión posterior confió en esa nota, interpretó mal el mapa y volvió a cometer el error.
Cuando el sistema contrastó la nota con los registros originales durante una etapa de consolidación, pudo corregirla.
La lección es sencilla:
un recuerdo persistente no se convierte automáticamente en un hecho verificado.
Esto importa en proyectos de trabajo. Una IA podría guardar que una campaña tiene determinado presupuesto, que una clienta prefiere un formato o que un proceso requiere una aprobación. Si esa información cambia, el recuerdo viejo puede producir una decisión equivocada.
Cómo diseñar una memoria útil para tu trabajo
No necesitás construir un sistema complejo. Empezá con una carpeta compartida y cuatro tipos de información.
1. Contexto estable
Incluí datos que cambian poco:
- descripción del negocio o proyecto;
- audiencia y necesidades conocidas;
- tono y restricciones de marca;
- herramientas utilizadas;
- responsabilidades y límites.
2. Decisiones y hechos confirmados
Cada nota importante debería incluir:
| Campo | Ejemplo |
|---|---|
| Información | La campaña se dirige a profesionales independientes |
| Fuente | Brief aprobado del 4 de noviembre |
| Estado | Confirmado |
| Responsable | Marketing |
| Última revisión | 8 de noviembre |
| Vigencia | Hasta el cierre de campaña |
La fuente y la fecha permiten comprobar si el recuerdo todavía aplica.
3. Trabajo en curso
No mezcles preferencias permanentes con información temporal.
Guardá por separado:
- objetivo de la tarea actual;
- entregables pendientes;
- decisiones todavía abiertas;
- bloqueos;
- próxima acción.
Cuando el proyecto termina, archivá o actualizá esta información.
4. Reglas y aprendizajes reutilizables
Si un proceso se repite, guardá qué funcionó y bajo qué condiciones.
Por ejemplo:
- los reportes semanales deben comparar el mismo período;
- toda cifra pública debe incluir fuente y fecha;
- ningún mensaje comercial sale sin aprobación;
- los cambios de marca requieren revisión visual.
No guardés una excepción aislada como si fuera una regla general.
Una estructura sencilla para empezar
Podés organizar una carpeta de proyecto así:
proyecto/ contexto.md decisiones.md trabajo-en-curso.md procesos/ publicar-contenido.md revisar-campana.md fuentes/ brief-aprobado.md guia-de-marca.pdf
La estructura es deliberadamente pequeña. Si una carpeta no ayuda a recuperar información o reducir trabajo repetido, no necesitás agregarla.
El workflow para usar esa memoria con IA
Probá este proceso con un proyecto que ya tenga varias semanas de trabajo:
- Recuperar: pedile a la IA que consulte los documentos relevantes.
- Separar: distinguí hechos, decisiones, preferencias e hipótesis.
- Comprobar: verificá las notas importantes contra la fuente original.
- Actualizar: guardá únicamente los cambios confirmados.
- Preparar: cargá el contexto necesario para la siguiente tarea.
- Auditar: revisá qué información quedó desactualizada o sin respaldo.
Un prompt inicial:
Revisá los documentos de este proyecto. Prepará una propuesta de memoria separando contexto estable, decisiones confirmadas, trabajo en curso y reglas reutilizables. Para cada elemento incluí la fuente y la fecha. No guardés inferencias como hechos. Marcá contradicciones y datos que necesitan confirmación. No modifiques los documentos originales.
Después de revisar la propuesta, podés aprobar qué se conserva.
Qué no deberías guardar automáticamente
No conviertas toda conversación en memoria.
Evitá conservar sin una razón clara:
- contraseñas, tokens y credenciales;
- datos financieros o personales que no sean necesarios;
- opiniones momentáneas como preferencias permanentes;
- información sensible de clientes;
- decisiones que todavía no fueron aprobadas;
- resúmenes sin enlace al documento original.
También definí quién puede editar, consultar y eliminar la memoria del proyecto.
Cuándo conviene una memoria y cuándo basta con buscar
| Situación | Mejor punto de partida |
|---|---|
| Pregunta sobre un documento reciente | Buscar el documento original |
| Proyecto recurrente con decisiones estables | Memoria estructurada |
| Base documental grande | Búsqueda más una representación organizada |
| Dato que cambia con frecuencia | Consultar la fuente actual |
| Decisión de alto impacto | Verificar evidencia y pedir aprobación humana |
La memoria no reemplaza una buena búsqueda. En la investigación de Anthropic, combinar una representación organizada con una herramienta de búsqueda produjo mejores resultados que usar la wiki sola.
Una prueba para esta semana
Elegí un proyecto que ya tenga varios documentos y conversaciones.
- Pedile a la IA que proponga diez elementos que valdría la pena recordar.
- Revisá cada uno contra su fuente.
- Eliminá información temporal o innecesaria.
- Guardá los elementos confirmados con fecha y procedencia.
- Iniciá una sesión nueva y pedile que resuelva una tarea usando esa memoria.
- Comprobá si recuperó el contexto correcto y si distinguió lo confirmado de lo pendiente.
Medí cuántas veces tuviste que repetir contexto, cuántos recuerdos estaban equivocados y cuánto trabajo de corrección necesitaste.
Una buena memoria no es la que conserva todo. Es la que ayuda a recuperar lo correcto para la tarea que tenés delante.
Para seguir aprendiendo en Pioneras
- Crear contenido con IA: del brief a la imagen y el video
- Carpeta de contexto: cómo darle a la IA información útil
- Tu IA terminó el trabajo. No significa que esté bien
- Agentes de IA: qué son y cómo funcionan de verdad
Fuentes
- Anthropic: The components of agent memory
- Letta y UC Berkeley: Sleep-time compute
- Continual Learning Bench
Revisión editorial: investigada y verificada el 8 de noviembre de 2026.
Transparencia editorial
Este artículo fue investigado y preparado con ayuda de IA. Nina revisó fuentes, contexto, criterio editorial y versión final.
