Imaginemos a un director financiero revisando el gasto trimestral de cloud. El equipo de AI presenta un gráfico convincente: los costes de inferencia por token han bajado un 75% con respecto al año anterior. Los modelos son más rápidos, las API son más baratas y el proveedor ofrece descuentos por volumen. Todo apunta a un ahorro. Entonces llega la factura real, y el total es más alto que el del trimestre anterior.

El departamento de Recursos Humanos está experimentando un cambio fundamental, pasando de ser un centro de costes reactivo a convertirse en un motor proactivo de valor. Sin embargo, muchas organizaciones siguen ancladas en un enfoque minimalista del análisis de datos sobre el personal. Aunque la tecnología generativa AI y los agentes autónomos están ganando terreno en toda la empresa, el uso que hace RR. HH. de la tecnología data sigue limitándose a menudo a la simple predicción de la rotación de personal.

Red Hat construyó un negocio de 1,4634 billones de dólares basado en Linux. IBM lo compró. Lo que el acuerdo validó fue una hipótesis que se había mantenido durante cuatro décadas: que las empresas que extraían un enorme valor del código compartido, en su propio interés, seguirían financiando los proyectos de los que dependían. Esa hipótesis se encuentra ahora en entredicho. No porque nadie haya decidido dejar de financiar el código abierto. Sino porque el sector que más lo financiaba —el SaaS— está siendo desmantelado por el sector que más depende de él —AI—.

En un artículo anterior, exploré cómo ocho equipos de investigación independientes llegaron a la misma conclusión: en lugar de construir sistemas de memoria en torno al modelo, entrenar al modelo en sí mismo para gestionar la memoria como una habilidad aprendida. El entrenamiento post-memoria — utilizando aprendizaje por refuerzo en la fase post-entrenamiento — produce agentes que deciden qué almacenar, eliminar, consolidar y recuperar, todo ello optimizado para la finalización de la tarea.

El entrenamiento post-memoria ha sido un hiperenfoque mío durante los últimos meses. Si has seguido mi escritura reciente sobre gestión de contexto, arquitecturas de memoria y la pregunta recurrente de por qué los agentes se degradan después del turno 50, este artículo es donde convergen esos hilos. El patrón original era lo suficientemente claro. Ocho equipos de investigación independientes llegaron a la misma conclusión: deja de construir sistemas de memoria alrededor del modelo y entrena al modelo en sí mismo para que gestione la memoria como una habilidad aprendida. Esa convergencia fue significativa.