Víctor Coimbra ha sido incluido en la lista «Forbes Under 30 Brasil» por sus destacadas contribuciones a AI . Fue cofundador Artefactlas operaciones Artefacten Latinoamérica, que actualmente constituyen un centro tecnológico global con 200 empleados. Aporta una amplia experiencia en la ampliación AI y en la creación de equipos tecnológicos de alto rendimiento en mercados internacionales.

En la primera parte, analizamos el problema: AI pierden eficacia con el tiempo, los resultados de las pruebas de rendimiento ocultan los fallos en la producción e incluso los profesionales con experiencia pueden trabajar más lentamente con AI que sin ella. El futuro parece prometedor. La realidad actual es complicada.

Entonces, ¿cómo se crean sistemas que realmente permitan mantener el esfuerzo durante horas?

Han surgido tres enfoques de diferentes comunidades, cada uno de los cuales aborda el mismo problema fundamental: ¿cómo puede un AI mantener un progreso coherente cuando su memoria de trabajo es limitada?

Enfoque 1: Ciclo de reinicio

A finales de 2025, una técnica con el absurdo nombre de «Ralph Wiggum» se hizo viral entre los profesionales. El nombre proviene de un personaje de Los Simpson: es deliberadamente ridículo, porque la idea central es casi vergonzosamente sencilla.

Deja que la AI . Cuando empiece a fallar, deténla. Empieza de cero. Deja que continúe donde lo dejó.

Eso es todo. La AI en una tarea hasta que su rendimiento empieza a disminuir. Entonces se detiene, guarda su progreso en un archivo y se cierra. La nueva sesión comienza desde cero. La AI lo que se ha logrado, identifica lo que queda por hacer y continúa.

La filosofía: deja de luchar contra las limitaciones de memoria. Aprovecha esas limitaciones. Cada sesión de trabajo funciona de forma independiente. El progreso se guarda en documentos y registros, no en la mente AI.

Cómo se traduce esto en la práctica

Una implementación típica se desarrolla en tres fases:

  • Fase 1 (Requisitos): Las personas y AI para determinar qué hay que hacer. El resultado es un documento de especificaciones claro.
  • Fase 2 (Planificación): AI la diferencia entre las especificaciones y la situación actual. Resultado: una lista de tareas ordenadas por prioridad. Aún no se ha realizado ningún trabajo.
  • Fase 3 (Ejecución): AI una tarea por sesión. Completa la tarea, comprueba que ha funcionado, documenta lo que se ha hecho y sale. Nueva sesión. Repite.

La restricción clave: las tareas deben tener una finalización claramente medible. Este enfoque no funciona bien cuando se trata de requisitos ambiguos, decisiones discrecionales o trabajos exploratorios sin objetivos claros.

Resultados de los primeros usuarios

Las cifras facilitadas por los profesionales son sorprendentes, aunque proceden dereports de estudios controlados.

Un consultor llevó a cabo lo que habría sido un proyecto de 50 000 dólares por menos de 300 dólares en AI , ejecutando sesiones automatizadas durante la noche. El equipo de una startup completó seis entregables importantes de la noche a la mañana, con resultados funcionales, verificación y documentación. Un profesional creó un producto completo a lo largo de tres meses de sesiones automatizadas.

Los costes habituales oscilan entre 50 y 100 dólares para proyectos de envergadura que requieren más de 50 sesiones de trabajo. Cada sesión dura entre 30 y 45 minutos antes de pasar a la siguiente.

Anthropic formalizó este enfoque en diciembre de 2025, lanzando un soporte oficial. El método pasó de ser una solución provisional a convertirse en una metodología recomendada.

La limitación

Este enfoque es determinista en un mundo impredecible. Como dice un profesional: «Es mejor fracasar de forma predecible que triunfar de forma impredecible».

Eso es a la vez su punto fuerte y su limitación. El ciclo de «nuevo comienzo» funciona cuando se puede definir claramente el éxito. Sin embargo, se complica cuando el éxito es subjetivo, cuando la calidad es implícita y cuando reconocer la respuesta «correcta» requiere el criterio humano.

Enfoque 2: Memoria selectiva

El ciclo de reinicio borra todo lo que hay entre sesiones. Cada ciclo empieza desde cero. ¿Y si pudieras conservar solo lo que te interesa?

La memoria selectiva adopta un enfoque diferente: extrae y almacena la información esencial, y descarta el resto. En lugar de empezar de cero, la AI un resumen seleccionado de lo que realmente importa.

El patrón de dos roles

Una implementación habitual utiliza dos AI especializadas:

  • Función de configuración: Se ejecuta únicamente al inicio. Establece el contexto, identifica la información clave y crea los documentos de referencia iniciales.
  • Función: Se encarga de todas las sesiones posteriores. Mantiene la continuidad mediante tres herramientas: un registro de progreso que muestra el trabajo completado y el pendiente, una lista de verificación con elementos marcados como completados o pendientes, y un historial de cambios que indica qué se ha modificado y por qué.

El inicio de la sesión es explícito: confirmar el estado actual, revisar los documentos de seguimiento, seleccionar las tareas pendientes de mayor prioridad y verificar la línea de base antes de iniciar nuevas tareas.

La diferencia con respecto al ciclo de reinicio: la etapa de compresión. El «Working Role» hereda un resumen seleccionado del contexto relevante. Las investigaciones sugieren que este enfoque puede permitir AI complete largas secuencias de tareas utilizando solo el 16 % de la información que necesitaría en otras circunstancias. Una reducción del 84 % en la sobrecarga.

Memoria avanzada: preservación de relaciones

Los últimos avances en materia de memoria selectiva no solo conservan los hechos, sino también las relaciones.

Piensa en cómo recordamos los proyectos. No nos limitamos a recordar hechos aislados. Recordamos que tal decisión tuvo tal consecuencia, que tal persona es responsable de tal cosa, que tal documento está relacionado con tal requisito. Las conexiones son tan importantes como el contenido.

Los sistemas avanzados AI ahora captan estas relaciones. Al almacenar información, no solo recogen lo que ocurrió, sino también quiénes participaron, con qué estaba relacionado y por qué era importante. Al recuperar la información, pueden reconstruir el contexto siguiendo estas cadenas de relaciones.

Indicadores de rendimiento de estos sistemas: mejora del 26 % en las evaluaciones de calidad. Reducción de más del 90 % de la sobrecarga de información, manteniendo al mismo tiempo la coherencia. Gestión notablemente mejorada de las tareas que abarcan varias sesiones.

La disyuntiva

La memoria selectiva añade complejidad. Se necesita una infraestructura para el almacenamiento y la recuperación. Hay que decidir qué conservar y qué descartar. Hay que confiar en que la compresión conserve lo que importa.

Este problema aún no está resuelto. Los sistemas de memoria pueden perder detalles fundamentales. La compresión puede introducir distorsiones sutiles. La AI recuperar el contexto equivocado en el momento menos oportuno. Esa reducción del 84 % parece impresionante hasta que te das cuenta de que al 16 % que conservaste le faltaba algo esencial.

Enfoque 3: Coordinación del equipo

¿Y si la respuesta no fuera una AI mejor memoria, sino muchos AI con funciones bien definidas?

La coordinación de equipos desglosa el trabajo complejo en funciones especializadas coordinadas por un responsable central. Cada función tiene un alcance delimitado, unas necesidades de información limitadas y una tarea específica. El responsable mantiene una visión global y transmite únicamente la información relevante a cada trabajador.

El patrón que se esconde tras bambalinas

AI principales AI lo utilizan internamente. La estructura:

Coordinador: un AI capaz de analizar solicitudes, planificar estrategias, gestionar la memoria y dirigir a los especialistas.

Especialistas: AI especializados que operan en paralelo para tareas específicas.

El resultado: los sistemas basados en el trabajo en equipo superan en un 90 % a AI individuales en tareas de investigación complejas. No se trata de una mejora insignificante, sino de casi el doble de rendimiento.

La conclusión clave: la gestión de la información explica el 80 % de las diferencias de rendimiento en AI basada en el trabajo en equipo. Las herramientas y AI concretos importan menos que la forma en que fluye la información entre las distintas funciones.

Dos patrones de coordinación

Patrón de traspaso: un AI cede el control a otro en medio de una tarea. Cada uno conoce la existencia del otro y decide cuándo ceder el control. El hilo de trabajo continúa, pero la responsabilidad se transfiere. Funciona bien para flujos de trabajo secuenciales y por etapas.

Patrón de gestión: un coordinador central asigna tareas a los especialistas y recopila los resultados. Los especialistas entregan los resultados; el coordinador mantiene el control y toma las decisiones. No hay traspaso del hilo principal. Funciona bien para el procesamiento paralelo y la síntesis de resultados.

La elección depende de tu flujo de trabajo. Los traspasos funcionan bien cuando las tareas se dividen de forma natural en etapas. Los patrones de gestión funcionan bien cuando se necesita un procesamiento paralelo con una toma de decisiones centralizada.

Estandarización del sector

En 2025, el sector normalizó la forma en que AI se conectan entre sí y con recursos externos. Es como la normalización de los enchufes eléctricos: ahora los productos de diferentes fabricantes pueden funcionar juntos.

Una norma define cómo AI a las fuentes de información y a las herramientas. Otra define cómo se comunican entre sí AI . Juntas, constituyen los componentes básicos que pueden combinarse en diferentes configuraciones.

Esto es importante porque permite la modularidad. Un flujo de trabajo creado por un equipo puede incorporar componentes desarrollados por otro. Los sistemas de memoria se vuelven intercambiables. Las fuentes de información se vuelven localizables. ElAI no es una estrategia de marketing, sino una realidad técnica que estos estándares hacen posible.

Los gastos generales

AI basada en el trabajo en equipo AI aproximadamente 15 veces más recursos que AI de interacción única. Ese es el coste de la coordinación. En el caso de tareas sencillas, esta sobrecarga supera con creces cualquier beneficio. En el caso de tareas complejas, la mayor fiabilidad justifica el gasto.

Los modos de fallo también son más complejos. Un diseño deficiente de la transición provocó Compañia una Compañia de comercio electrónico registrara un abandono de clientes del 40 % cuando AI confundieron a los usuarios. Los fallos en cadena pueden propagarse a través de AI . Un análisis del sector realizado en 2025 identificó 14 patrones de fallo distintos relacionados con el diseño de los sistemas, los fallos de coordinación y la verificación de la calidad.

Elegir el enfoque adecuado

Esto es lo que pienso sobre estas opciones:

  • El ciclo de «nuevo comienzo» funciona cuando las tareas tienen una finalización claramente cuantificable, se puede aceptar un avance gradual y predecible, el progreso se puede reflejar íntegramente en documentos y registros, y se prefiere la simplicidad a la complejidad.
  • La memoria selectiva resulta útil cuando las tareas requieren mantener las relaciones entre sesiones, se dispone de una infraestructura de almacenamiento y recuperación, la eficiencia es importante a gran escala y se puede invertir en el desarrollo de sistemas de compresión.
  • La coordinación de equipos funciona cuando las tareas se desglosan de forma natural en subtareas especializadas, se necesita un procesamiento en paralelo, la sobrecarga de coordinación (15 veces más recursos) es aceptable y se pueden gestionar modos de fallo más complejos.

La mayoría de los sistemas de producción combinan elementos de los tres. Un sistema basado en equipos en el que cada especialista utiliza ciclos de reinicio. Un coordinador con memoria ampliada que dirige a trabajadores sin estado. Estos enfoques son complementarios, no excluyentes.

El denominador común: los tres enfoques externalizan la información que la AI conservar de forma fiable internamente. Se diferencian en el grado de externalización y en cómo gestionan la recuperación de la información.

En la tercera parte, analizaremos qué AI de larga duración para las organizaciones: cómo cambia el trabajo, qué tipo de gobernanza se requiere y cuáles son las oportunidades realistas en 2026.

 

Referencias

Artículos de investigación

Reports sectoriales Reports documentos técnicos

  • Modos de fallo en AI — Microsoft
  • Lecciones de 2025 sobre AI la confianza — Google Cloud
  • El estado de AI — LangChain
  • Evaluación comparativa frente a evaluación en condiciones reales — METR

Documentación técnica

  • Cómo creamos nuestro sistema de investigación multiagente — Anthropic
  • Especificación del Protocolo de Contexto de Modelos — modelcontextprotocol.io
  • Documentación de Fresh-Start Cycling («Ralph Wiggum») — Geoffrey Huntley (ghuntley.com/ralph/)