Víctor Coimbra ha sido reconocido en la lista Forbes Under 30 Brasil por sus destacadas contribuciones a la innovación en IA. Es cofundador de las operaciones latinoamericanas de Artefact, que ahora funciona como un centro tecnológico global con 200 empleados. Aporta una profunda experiencia en la ampliación de soluciones de IA y en la creación de equipos tecnológicos de alto rendimiento en mercados internacionales.

En Parte 1, examinamos el problema: los sistemas de IA se degradan con el tiempo, el rendimiento de referencia enmascara los fallos de producción e incluso los profesionales experimentados pueden trabajar más lentamente con la ayuda de la IA que sin ella. La trayectoria es prometedora. La realidad actual es desordenada.

Entonces, ¿cómo se construyen sistemas que realmente mantengan el esfuerzo durante horas?

Han surgido tres enfoques de distintas comunidades, cada uno de los cuales ataca el mismo problema fundamental: ¿cómo mantiene un sistema de IA un progreso coherente cuando su memoria de trabajo es limitada?

Enfoque 1: Ciclismo Fresh-Start

A finales de 2025, una técnica con el ridículo nombre "Ralph Wiggum" se volvió viral entre los practicantes. El nombre proviene de un personaje de Los Simpson, deliberadamente tonto, porque la idea central es casi vergonzosamente simple.

Deje trabajar a la IA. Cuando empiece a degradarse, deténgala. Empiece de nuevo. Deje que continúe donde lo dejó.

Eso es todo. La IA trabaja en una tarea hasta que su rendimiento empieza a disminuir. Entonces se detiene, guarda su progreso en un archivo y sale. Una nueva sesión comienza con una pizarra en blanco. La IA lee lo que se ha realizado, identifica lo que queda y continúa.

La filosofía: deje de luchar contra la limitación de memoria. Trabaje con ella. Cada sesión de trabajo funciona de forma independiente. El progreso vive en los documentos y registros, no en la cabeza de la IA.

Cómo se ve esto en la práctica

Una aplicación típica consta de tres fases:

  • Fase 1 (Requisitos): El ser humano y la IA colaboran para identificar lo que hay que hacer. El resultado es un documento de especificaciones claro.
  • Fase 2 (Planificación): La IA analiza el desfase entre la especificación y el estado actual. Salida: una lista priorizada de tareas. Aún no hay trabajo real.
  • Fase 3 (Ejecución): AI procesa una tarea por sesión. Complete la tarea, verifique que ha funcionado, documente lo que se ha hecho, salga. Nueva sesión. Repita.

La restricción clave: las tareas deben tener una finalización claramente mensurable. Este enfoque funciona mal para requisitos ambiguos, juicios de valor o trabajo exploratorio sin puntos finales claros.

Resultados de los primeros usuarios

Las cifras de los profesionales son sorprendentes, aunque proceden de auto-reports y no de estudios controlados.

Un consultor entregó lo que habría sido un proyecto de $50.000 por menos de $300 en costes de IA: sesiones automatizadas de la noche a la mañana. Un equipo de puesta en marcha completó seis productos principales de la noche a la mañana con resultados, verificación y documentación que funcionaban. Un profesional construyó un producto entero en tres meses de sesiones automatizadas.

Los costes típicos oscilan entre $50-100 para proyectos de envergadura con más de 50 sesiones de trabajo. Cada sesión tiene una duración de 30-45 minutos antes del ciclismo.

Anthropic formalizó este enfoque en diciembre de 2025, haciendo público su apoyo oficial. El patrón pasó de ser una solución provisional a una metodología respaldada.

La limitación

Este enfoque es determinista en un mundo impredecible. Como dice un profesional: “Es mejor fracasar de forma previsible que tener éxito de forma imprevisible”.”

Esa es a la vez la fuerza y la limitación. El ciclismo de nueva creación funciona cuando se puede definir claramente el éxito. Tiene dificultades cuando el éxito es subjetivo, cuando la calidad está implícita y cuando la respuesta “correcta” requiere un juicio humano para reconocerla.

Enfoque 2: Memoria selectiva

El ciclismo Fresh-start lo desecha todo entre sesiones. Cada ciclo comienza completamente fresco. ¿Y si pudiera conservar selectivamente las partes importantes?

La memoria selectiva adopta un enfoque diferente: extraer y almacenar la información esencial, descartar el resto. En lugar de empezar de nuevo por completo, la IA hereda un resumen comisariado de lo que importa.

El patrón de dos roles

Una implementación común utiliza dos roles especializados de IA:

  • Función de configuración: Se ejecuta sólo al principio. Establece el contexto, identifica la información clave, crea los documentos de referencia iniciales.
  • Función laboral: Gestiona todas las sesiones posteriores. Mantiene la continuidad a través de tres artefactos: un rastreador de progreso que muestra el trabajo completado y pendiente, una lista de comprobación con los elementos marcados como realizados o pendientes y un historial de cambios que muestra qué se modificó y por qué.

El inicio de la sesión es explícito: confirmar el estado actual, revisar los documentos de progreso, seleccionar el trabajo restante de mayor prioridad, verificar la línea de base antes del nuevo trabajo.

La diferencia con el ciclismo de arranque: el paso de compresión. El rol de trabajo hereda un resumen curado del contexto relevante. La investigación sugiere que este enfoque puede permitir a la IA completar largas secuencias de tareas utilizando sólo 16% de la información que necesitaría de otro modo. Una reducción de 84% en la sobrecarga.

Memoria avanzada: Preservación de las relaciones

El estado actual de la memoria selectiva no sólo conserva los hechos, sino también las relaciones.

Piense en cómo recordamos los proyectos los seres humanos. No nos limitamos a recordar hechos aislados. Recordamos que esta decisión condujo a esa consecuencia, que esta persona tiene esa responsabilidad, que este documento está relacionado con ese requisito. Las conexiones importan tanto como el contenido.

Los sistemas de memoria de IA avanzados captan ahora estas relaciones. Cuando almacenan información, extraen no sólo lo que ocurrió, sino quién estuvo implicado, con qué se relacionó y por qué fue importante. Al recuperar la información, pueden reconstruir el contexto siguiendo estos hilos de relación.

Métricas de rendimiento de estos sistemas: 26% mejora de las evaluaciones de calidad. 90%+ reducción de la sobrecarga de información manteniendo la coherencia. Manejo significativamente mejor de las tareas que abarcan varias sesiones.

La compensación

La memoria selectiva añade complejidad. Necesita infraestructura para el almacenamiento y la recuperación. Necesita decidir qué conservar y qué descartar. Necesita confiar en que la compresión conserva lo que importa.

No se trata de un problema resuelto. Los sistemas de memoria pueden perder detalles críticos. La compresión puede introducir distorsiones sutiles. La IA puede recuperar el contexto equivocado en el momento equivocado. La reducción del 84% suena impresionante hasta que al 16% que guardó le faltó algo esencial.

Enfoque 3: Coordinación de equipos

¿Y si la respuesta no es una IA con mejor memoria, sino muchos sistemas de IA con funciones claras?

La coordinación de equipos descompone el trabajo complejo en roles especializados coordinados por un responsable central. Cada papel tiene un alcance delimitado, unas necesidades de información limitadas y un trabajo específico. El gestor mantiene la visión de conjunto y dirige sólo la información relevante a cada trabajador.

El patrón entre bastidores

Las empresas líderes en IA lo utilizan internamente. La estructura:

Coordinador: Un sistema de IA capaz responsable de analizar las solicitudes, planificar el enfoque, mantener la memoria y dirigir a los especialistas.

Especialistas: Sistemas de IA focalizados que operan en paralelo para tareas específicas.

El resultado: los sistemas basados en equipos superan a los sistemas de IA individuales en 90% en tareas de investigación complejas. No es una mejora marginal. Casi duplican el rendimiento.

La idea clave: la gestión de la información explica el 80% de las diferencias de rendimiento en la IA basada en equipos. Las herramientas específicas y los modelos de IA importan menos que cómo fluye la información entre los roles.

Dos patrones de coordinación

Patrón de traspaso: Un sistema de IA cede el control a otro en mitad de una tarea. Cada uno conoce al otro y decide cuándo aplazarlo. El hilo de trabajo continúa, pero la responsabilidad se transfiere. Funciona bien para flujos de trabajo secuenciales y por etapas.

Patrón de gerente: Un coordinador central asigna el trabajo a los especialistas y recoge los resultados. Los especialistas devuelven los resultados; el coordinador conserva 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 su flujo de trabajo. Los traspasos funcionan bien cuando las tareas se descomponen de forma natural en etapas. Los patrones de gestión funcionan bien cuando se necesita un procesamiento paralelo con una toma de decisiones centralizada.

Normalización industrial

En 2025, la industria estandarizó la forma en que los sistemas de IA se conectan entre sí y con los recursos externos. Piense en ello como en la estandarización de los enchufes eléctricos: los productos de distintos fabricantes ya pueden funcionar juntos.

Una norma define cómo se conecta la IA con las fuentes de información y las herramientas. Otra define cómo se comunican entre sí los sistemas de IA. Juntas, permiten construir bloques que pueden ensamblarse en diferentes configuraciones.

Esto es importante porque permite la modularidad. Un flujo de trabajo construido por un equipo puede incorporar componentes construidos por otro. Los sistemas de memoria se vuelven intercambiables. Las fuentes de información se vuelven descubribles. El “ecosistema de la IA” no es marketing, es una realidad técnica que estas normas hacen posible.

Los gastos generales

La IA basada en equipos utiliza aproximadamente 15 veces más recursos que la IA de interacción única. Ese es el coste de la coordinación. Para tareas sencillas, esta sobrecarga anega cualquier beneficio. Para tareas complejas, la mejora de la fiabilidad justifica el gasto.

Los modos de fallo también son más complejos. Un mal diseño del traspaso provocó que una empresa de comercio electrónico viera 40% abandonos de clientes cuando las transiciones de la IA confundieron a los usuarios. Los fallos en cascada pueden propagarse por las redes de IA. Un análisis de la industria de 2025 identificó 14 patrones de fallo únicos entre el diseño del sistema, los fallos de coordinación y la verificación de la calidad.

Elegir el enfoque adecuado

Así es como pienso en estas opciones:

  • Ciclismo de arranque funciona cuando las tareas tienen una finalización claramente mensurable, usted puede tolerar un progreso incremental predecible, el progreso puede capturarse completamente en documentos y registros, y usted desea simplicidad por encima de sofisticación.
  • Memoria selectiva funciona cuando las tareas requieren preservar las relaciones entre sesiones, se dispone de infraestructura para el almacenamiento y la recuperación, la eficiencia importa a escala y se puede invertir en la creación de sistemas de compresión.
  • Coordinación del equipo funciona cuando las tareas se descomponen de forma natural en subtareas especializadas, se necesita un procesamiento paralelo, la sobrecarga de coordinación (15 veces los recursos) es aceptable y se pueden manejar modos de fallo más complejos.

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

El hilo conductor: los tres enfoques externalizan la información que la IA no puede mantener internamente de forma fiable. Difieren en cuánto externalizan y cómo gestionan la recuperación.

En Parte 3, En este artículo examinaremos lo que la IA de larga duración significa para las organizaciones: cómo cambia el trabajo, qué gobernanza se requiere y dónde están las oportunidades realistas en 2026.

 

Referencias

Documentos de investigación

Informes y libros blancos del sector

  • Modos de fallo en los sistemas de IA - Microsoft
  • Lecciones de 2025 sobre la IA y la confianza - Google Cloud
  • Estado de la ingeniería de IA - LangChain
  • Evaluación comparativa frente al mundo real - METR

Documentación técnica

  • Cómo construimos nuestro sistema de investigación multiagente - Anthropic
  • Especificación del protocolo de contexto de modelo - modelcontextprotocol.io
  • Documentación sobre ciclismo de iniciación (“Ralph Wiggum”) - Geoffrey Huntley (ghuntley.com/ralph/)