Todos los involucrados en la IA en este momento están, implícita o explícitamente, tratando de predecir hacia dónde van las cosas y cómo esos cambios remodelarán nuestras vidas y nuestro trabajo. El volumen de especulación es enorme y gran parte de ella es contradictoria. Eso es inevitable. Nadie puede saber con certeza lo que traerán los próximos años. El espacio se mueve demasiado rápido, las interacciones entre tecnologías son demasiado complejas y los efectos de segundo orden dominan de maneras que son difíciles de modelar con anticipación. Aún así, si estás operando en este espacio, especialmente si estás construyendo algo con IA o para IA, no basta con permanecer agnóstico. Hay que elegir un conjunto de tesis centrales sobre cómo es probable que evolucione el mundo y construir de manera coherente en torno a ellas, sabiendo que algunas estarán equivocadas y otras importarán más de lo esperado. Estas tesis tratan menos de predicciones precisas y más de identificar presiones estructurales que parece poco probable que se reviertan. Lo que sigue son los supuestos centrales bajo los cuales estoy operando actualmente. No son afirmaciones sobre la inevitabilidad y no pretenden cubrir todos los futuros posibles. Son las tendencias que, si continúan aunque sea parcialmente, darán forma a cómo creo que se utilizarán los sistemas de IA, dónde se acumularán las fricciones y qué tipos de infraestructura serán necesarias. Mi trabajo ([Neotoma](/posts/truth-layer-agent-memory), una capa de verdad) se entiende mejor como una respuesta a estas suposiciones. No es su razón, pero está construida en anticipación del mundo que implican. ## 1. Los agentes se convertirán en actores económicos con estado Durante los próximos dos años, es probable que los agentes vayan más allá de las interacciones asistenciales y centradas en indicaciones y se conviertan en actores significativamente significativos. No se requiere ningún avance en la inteligencia general. Una inferencia más barata, API de herramientas más capaces y una tolerancia más amplia para los agentes que se ejecutan sin supervisión son suficientes. El cambio social es real. Estamos acostumbrados a herramientas que no hacen nada hasta que actuamos. Cuando los agentes persisten en sus objetivos, se coordinan entre sí y toman acciones irreversibles a lo largo del tiempo, la pregunta de quién es el responsable se vuelve más difícil de responder. Se delega más trabajo a actores no humanos; [el límite](/posts/we-are-all-centaurs-now) entre "Yo hice esto" y "mi agente hizo esto" se suaviza. Las normas sobre confianza, responsabilidad y dependencia tendrán que adaptarse. La tecnología permite el cambio; la sociedad tiene que decidir cómo vivir con ello. ¿Por qué es probable esta tendencia? El costo marginal de mantener vivos a los agentes se está derrumbando más rápido que el costo de reconstruir el contexto. A medida que la inferencia se vuelve más barata y la orquestación madura, es más eficiente conservar el estado de un agente que reconstruirlo desde cero. Las API de herramientas asumen cada vez más continuidad: credenciales, cachés, artefactos intermedios. La persistencia se ve recompensada por encima de la apatridia. En ese mundo, la memoria deja de ser una característica de conveniencia. Se convierte en parte del estado del sistema, comparable a una base de datos en lugar de un registro de chat. Cuando ese estado es adecuado y confiable, se hacen posibles cosas nuevas a escala: planes a largo plazo que abarcan días o semanas, coordinación entre muchos agentes y herramientas, y trabajo delegado que solo es factible cuando se puede confiar en el estado y extenderlo en el tiempo. Neotoma está diseñado para eso. Trata la memoria como un estado explícito del sistema: entidades, eventos y relaciones tipificadas en un gráfico determinista, sin residuos ni incrustaciones de similitudes. La historia de un agente puede reproducirse, inspeccionarse y razonarse como parte del propio sistema. Qué mirar durante el próximo año: 1. Marcos de agentes que anuncian la ejecución de larga duración, en segundo plano o reanudable como característica principal. 2. Equipos que discuten la corrupción o deriva del estado de los agentes como una clase de error distinta en lugar de reiniciar los agentes como solución. 3. Interfaces de producto que exponen la historia del agente como algo inspeccionable en lugar de efímero. 4. Equipos que ejecutan múltiples agentes que necesitan una única fuente de verdad para entidades y decisiones. ## 2. Los errores de agente se volverán económicamente visibles A medida que los resultados de la IA fluyen cada vez más directamente hacia la facturación, el cumplimiento, los resultados del cliente y los flujos de trabajo automatizados, es probable que el costo de los errores cambie. Lo que actualmente es un inconveniente difuso se convierte en un impacto económico explícito. Cuando los errores comienzan a aparecer en las autopsias, los contratos y los expedientes judiciales, la sociedad obtiene una imagen más clara de quién corre con el costo y a quién se culpa. Las organizaciones enfrentarán presión para demostrar cómo se tomaron las decisiones y qué sabía el sistema en ese momento. Esa presión se extenderá a las normas profesionales, los seguros y la regulación. Es posible que las personas y los equipos pequeños deban cumplir con estándares que fueron diseñados originalmente para grandes instituciones con pistas de auditoría. Lo bueno es una mayor responsabilidad y menos fracasos silenciosos. La desventaja es que el listón de lo "explicable" y lo "auditable" puede subir más rápido de lo que muchos están preparados. La razón estructural por la que esta tendencia es probable es que la IA se está acercando a los ámbitos de toma de decisiones, no sólo a las capas de asesoramiento. A medida que la producción de IA se integra en sistemas que activan pagos, compromisos o comunicación externa, los errores heredan la estructura de costos de esos sistemas. Las organizaciones no pueden seguir tratando los fracasos como "peculiaridades del modelo" una vez que se propagan hasta convertirse en acciones irreversibles. Hoy en día, los errores a menudo se ignoran con regeneración o ajustes rápidos. Mañana, esos mismos errores desperdiciarán dinero, dañarán la reputación o crearán exposición legal. Cuando los errores reciben un precio, las organizaciones dejan de preguntarse si los resultados fueron útiles. Comienzan a preguntarse cómo se produjeron esos resultados, en qué información se basaron y si el proceso puede reproducirse o auditarse. Como corolario, la tolerancia hacia la memoria aproximada o ambigua se erosiona. El listón de lo que se considera suficientemente bueno se eleva primero cuando el daño es visible y luego ese estándar se desplaza hacia afuera. Una vez que los errores son costosos, la memoria que se puede corregir y rastrear se convierte en infraestructura, no en una comodidad. Neotoma se alinea con este cambio al imponer la procedencia en la capa de memoria. Los datos se almacenan con atribución de fuente, marcas de tiempo y eventos de ingesta. Las correcciones son aditivas en lugar de destructivas, lo que permite a los equipos reconstruir exactamente lo que un agente sabía en el momento de tomar una decisión en lugar de adivinar basándose en registros parciales. Qué mirar durante el próximo año: 1. Fallos relacionados con la IA que aparecen en autopsias, disputas con clientes o contextos legales. 2. Equipos que preguntan explícitamente "¿qué sabía el agente en ese momento?" después de los errores. 3. Se agregan requisitos de trazabilidad o auditoría a los flujos de trabajo de IA de forma retroactiva. 4. Incidentes públicos atribuidos a errores de memoria de la IA; El lenguaje cambia de "alucinación" a "fallo del sistema" en las autopsias. 5. Equipos que piden "deshacer este hecho" o "revertir lo que cree el agente" sin reinicios completos. 6. "¿Qué cree el sistema y cómo ha evolucionado?" enmarcado como una consulta sobre un gráfico consistente en lugar de una llamada RAG. ## 3. La auditoría y el cumplimiento se desplazarán hacia abajo en el mercado Una tendencia relacionada: la presión para demostrar cómo se produjo el trabajo y qué sabía el sistema no se limitará a las grandes empresas. Dondequiera que los errores conllevan un costo real (económico, legal o de reputación), surge la exigencia de defensa y mantenimiento de registros. A medida que la IA se integre en el trabajo profesional, los consultores, las agencias, los autónomos regulados y los pequeños equipos nativos de IA se enfrentarán a las mismas expectativas. La razón estructural es la difusión de la responsabilidad. A medida que el uso de la IA se normaliza, la responsabilidad no desaparece. Se propaga. Los clientes, aseguradoras y reguladores responden buscando controles compensatorios. La presión de la auditoría baja en el mercado no porque los equipos pequeños lo quieran, sino porque el riesgo sigue al uso. Una vez que las preguntas sobre cómo se produjo el trabajo se vuelven rutinarias, la memoria sin procedencia se convierte en una carga más que en una conveniencia. Los cronogramas estructurados, la recuperación a nivel de entidad y la atribución de fuentes comienzan a funcionar como infraestructura defensiva. Neotoma se alinea con este cambio al tratar la memoria como algo que puede reconstruirse en el tiempo en lugar de inferirse retrospectivamente. La resolución de entidades, el orden temporal y la procedencia no son complementos. Son fundamentales para el modelo. Qué mirar durante el próximo año: 1. Divulgaciones sobre el uso de IA que aparecen en contratos, declaraciones de trabajo o directrices profesionales. 2. Solicitudes de documentación de decisiones asistidas por IA de clientes o aseguradoras. 3. Individuos o equipos pequeños que almacenan de forma proactiva registros de interacción de IA de forma defensiva. 4. Regulación que exige explícitamente el mantenimiento de registros o la explicabilidad para ciertos usos de la IA. ## 4. La memoria de la plataforma permanecerá opaca Es probable que las grandes plataformas de IA sigan ofreciendo funciones de memoria que son útiles pero fundamentalmente opacas. Sus incentivos favorecen el compromiso, la retención y la optimización del modelo en lugar de la procedencia controlada por el usuario o las garantías de corrección. El efecto social es una división entre quienes pueden permitirse el lujo de cuidar y quienes no pueden. Las personas y organizaciones que necesitan garantías sólidas (auditoría, corrección, portabilidad) pagarán por alternativas, construirán las suyas propias o aceptarán el riesgo. Todos los demás dependerán de la memoria de la plataforma y vivirán con la brecha de confianza. Esa división puede reforzar las desigualdades existentes. Los que cuentan con buenos recursos obtienen memoria transparente y portátil; todos los demás se sienten cómodos con términos opacos. Con el tiempo, las normas sobre lo que significan "mis datos" y "mi historial" pueden diferir según el contexto y quién eres. Las expectativas cívicas y profesionales (por ejemplo, que puedas mostrar tu trabajo o exportar tus registros) pueden aplicarse sólo a algunos. La razón estructural por la que esto persiste es [desalineación de incentivos](/posts/building-structural-barriers). Las plataformas se optimizan para obtener resultados agregados entre millones de usuarios, no para las garantías de corrección requeridas por cualquier flujo de trabajo individual. Exponer la semántica de la memoria, las reglas de corrección o las garantías de reproducción limita la velocidad de iteración y aumenta la responsabilidad. La opacidad no es accidental. Es protector. La memoria puede mejorar, pero seguirá siendo difícil inspeccionarla, exportarla, reproducirla o razonarla formalmente, especialmente entre herramientas. Las correcciones a menudo serán silenciosas, implícitas o específicas del modelo. Esto crea una creciente brecha de confianza. Los usuarios pueden confiar en la memoria de la plataforma por conveniencia y al mismo tiempo desconfiar de ella en contextos donde las consecuencias importan. La soberanía de los datos añade una presión aparte: las empresas y los individuos insisten cada vez más en que la memoria del agente permanezca en su entorno, ya sea localmente, en su inquilino o bajo su control, en lugar de en la nube de un proveedor. Neotoma está diseñado para esa brecha. Su diseño local, inspeccionable y controlado por el usuario es la alternativa para flujos de trabajo donde la corrección y la procedencia son importantes. Eres dueño de los datos y la semántica; puedes exportar, corregir y razonar sobre lo que sabe el sistema. Qué mirar durante el próximo año: 1. Funciones de memoria que mejoran la recuperación pero permanecen indocumentadas o no exportables. 2. Usuarios que preguntan qué sabe realmente el sistema (como una visión integral de lo que cree, recuerda y ha inferido, no solo conversaciones sin formato o exportaciones) y no obtienen una respuesta clara. 3. Las soluciones alternativas (por ejemplo, exportaciones, sincronización de terceros, replicación manual) crecen en lugar de disminuir. 4. RFP o requisitos que especifican que la memoria del agente debe permanecer local o en el inquilino del usuario. ## 5. La fragmentación de herramientas persistirá A pesar de las narrativas recurrentes sobre la consolidación en una única plataforma o espacio de trabajo de IA, es probable que el trabajo del conocimiento permanezca fragmentado. Los profesionales ya operan en múltiples modelos, editores, copilotos, sistemas de documentos y marcos de agentes. La razón estructural es que las herramientas de IA son complementos, no sustitutos. Cada uno optimiza una parte diferente del flujo de trabajo: ideación, ejecución, codificación, recuperación y comunicación. Las mejoras marginales no colapsan la pila. Los bajos costos de cambio y la rápida iteración del modelo desalientan aún más la consolidación. A medida que aumenta la dispersión de herramientas, el problema central pasa de la fragmentación de la interfaz a la fragmentación del estado. El contexto vive en demasiados lugares a la vez y ninguna superficie puede adueñarse de él de manera realista. Neotoma se encuentra debajo de esta fragmentación en lugar de intentar resolverla. Al exponer la memoria a través de una interfaz de protocolo en lugar de una única interfaz de usuario, permite que múltiples herramientas y agentes lean y escriban en el mismo estado subyacente sin forzar la convergencia en un único flujo de trabajo o proveedor. Qué mirar durante el próximo año: 1. Los profesionales cambian de modelo o herramienta a mitad de una tarea sin migrar el contexto de forma limpia. 2. Quejas repetidas sobre "pérdida de contexto" entre herramientas. 3. Equipos que estandarizan flujos de trabajo que abarcan explícitamente múltiples productos de IA. ## 6. El uso de agentes se medirá También es probable que la ejecución de los agentes se vea cada vez más limitada por el costo. La razón estructural es sencilla: la informática se está convirtiendo en una línea de pedido visible. No se requiere ninguna reestructuración económica radical. A medida que crece el gasto en IA, las organizaciones introducen la presupuestación, la atribución y la optimización. Una vez que los costos son visibles, la medición se realiza de forma natural. Cuando el uso tiene un precio, la ineficiencia y la deriva dejan de ser preocupaciones abstractas. Recalcular el contexto, recordar mal decisiones anteriores o repetir el trabajo se convierte en un desperdicio visible. El modelo de memoria determinista de Neotoma se vuelve relevante aquí porque separa la memoria duradera del contexto transitorio. Al permitir la reproducción en lugar de la regeneración, trata la memoria como una superficie de optimización en lugar de un efecto secundario de la inferencia. Qué mirar durante el próximo año: 1. Teams rastrea los costos de uso de agentes o modelos por tarea o flujo de trabajo. 2. Agentes conscientes del presupuesto que modifican el comportamiento en función del gasto restante. 3. Los esfuerzos de optimización se centraron en reducir la inferencia redundante en lugar de mejorar las indicaciones. ## Cómo impactan estas tendencias en datos demográficos clave Estas tendencias actúan como condiciones de activación para distintos grupos demográficos afectados. Neotoma no adquiere importancia mediante la persuasión. Se vuelve importante cuando la realidad elimina las alternativas. **Los operadores individuales nativos de IA y los trabajadores con conocimiento de alto contexto** son los primeros: fundadores, consultores, investigadores y constructores individuales que utilizan la IA profundamente en el pensamiento y la ejecución. La adopción está condicionada por agentes con estado, errores económicamente visibles y la insatisfacción con la memoria opaca de la plataforma. Una vez que los resultados importan externamente (para los clientes, los colaboradores o los ingresos), la incapacidad de responder "¿qué sabía el sistema cuando se produjo?" se vuelve insostenible. Neotoma resulta atractivo como un sistema de registro personal que puede coexistir con múltiples herramientas. **Los equipos pequeños nativos de IA y los equipos híbridos de operaciones o productos** son los segundos. Los individuos pueden compensar la memoria borrosa. Los equipos no pueden. Una vez que los agentes de cada persona recuerdan hechos o suposiciones ligeramente diferentes, los costos de coordinación se agravan. La fragmentación de herramientas acelera esto, la presión de auditoría legitima la memoria compartida y el uso medido convierte la deriva en desperdicio presupuestario. En este entorno, Neotoma funciona menos como una capa de productividad y más como una infraestructura cognitiva compartida. **Los desarrolladores integradores y creadores de herramientas de inteligencia artificial** que integran agentes en productos o plataformas son los terceros. Para ellos, el fallo de la memoria es un fallo de producción. A medida que los agentes se vuelven autónomos, el recuerdo opaco se vuelve incomprobable e inaceptable. Cuando los errores de memoria se replantean como fallas del sistema en lugar de peculiaridades, los constructores comienzan a buscar primitivas de memoria que se comporten como bases de datos en lugar de conversaciones. El neotoma cobra relevancia aquí como sustrato, no como característica. En todos estos grupos demográficos, la adopción es condicional y gradual, no impulsada por exageraciones. ## ¿Qué falsearía esta visión? Cualquier visión seria del futuro debería ser refutable. Sin señales claras que demuestren que está equivocado, no es una tesis sino una creencia. Esto importa directamente para la estrategia de producto, porque construir hacia un futuro que no se materializa conduce a una elegante irrelevancia en lugar de adopción. El falsificador más importante serían las grandes plataformas de inteligencia artificial que entregan memoria que es genuinamente portátil, inspeccionable, reproducible y confiable en todas las herramientas. No memoria en el sentido de marketing, sino memoria que es propiedad del usuario, exportable, semánticamente explícita y estable en todos los contextos. Si la memoria nativa de la plataforma adquiere autoridad en la práctica (lo que significa que los usuarios y las organizaciones confían en ella como el registro canónico de lo que se supo y cuándo), la necesidad de una capa de verdad externa colapsa. En ese mundo, la diferenciación central de Neotoma se erosiona en lugar de combinarse. Un segundo falsificador sería una consolidación significativa en un único espacio de trabajo de IA dominante que posea la ejecución, la memoria y las herramientas de un extremo a otro. Si la presión de fragmentación desaparece porque una superficie absorbe con éxito la pila, el apalancamiento de los sustratos de memoria compartida disminuye drásticamente. Un tercer falsificador sería que los agentes sigan siendo de corta duración, estrictamente supervisados ​​y baratos de restablecer, y que las fallas sigan manejándose principalmente reiniciando en lugar de diagnosticando el estado. Si los agentes de larga duración no se materializan y el reinicio sigue siendo la estrategia de recuperación dominante, la memoria determinista sigue siendo opcional más que necesaria. Finalmente, si la presión de auditoría y responsabilidad no logra bajar el mercado (si la IA sigue siendo un consejo en lugar de una consecuencia para la mayoría de los profesionales), entonces la memoria con mucha procedencia seguirá siendo excesiva durante más tiempo de lo previsto. Estar atento a estas contraseñales es tan importante como estar atento a la confirmación. Proporcionan una advertencia temprana de que los supuestos que impulsan la adopción se están debilitando y que la estrategia debe adaptarse en consecuencia. Una visión que no se puede refutar no se puede corregir, y un producto construido sobre esa visión corre el riesgo de quedar bien diseñado para un mundo que nunca llega. ## La memoria como infraestructura crítica y abierta Esta no es una predicción de que el mundo se comprometa filosóficamente más con la verdad o la corrección. Es una predicción de que los agentes adquieren estado, los errores se vuelven costosos, las plataformas permanecen opacas, las herramientas permanecen fragmentadas, la presión de las auditorías se extiende y el uso se vuelve costoso. Si incluso parte de esta trayectoria se mantiene, la memoria deja de ser una característica de UX y se convierte en una infraestructura necesariamente abierta. En ese mundo, los sistemas que tratan la memoria como un estado determinista e inspeccionable ya no son visionarios. Son simplemente la forma más económica de evitar que sistemas complejos fallen de manera opaca e irrecuperable. Neotoma no es el impulsor de ese cambio. Es una respuesta plausible.