IAG e IA del futuro
La IA en 2027: la memoria será la próxima prueba de la inteligencia de las máquinas

Puntos claveLas pruebas de memoria evaluarán la corrección y la abstención en lugar del simple…
Ver más
- Las pruebas de memoria evaluarán la corrección y la abstención en lugar del simple recuerdo de hechos.
- La memoria estructurada seleccionada debería superar al historial completo indiferenciado en comparaciones controladas.
- Los productos de asistente expondrán a los usuarios la procedencia y el alcance de lo que retienen.
Un asistente recuerda que Maya es la responsable del proyecto. Después, Maya se lo asigna a otra persona. Al día siguiente, el asistente le encarga con seguridad otra tarea a ella. Ha retenido un dato, pero ha perdido de vista la realidad. Ese pequeño fallo refleja un problema mucho mayor para la inteligencia de las máquinas.
La memoria solo es útil cuando un sistema puede decidir qué sigue siendo válido, qué merece recuperarse y qué debe revisarse u olvidarse. En 2027, esas decisiones serán una prueba de capacidad más exigente que la cantidad de historial que un modelo pueda almacenar.
La memoria ya está presente de varias formas. MemGPT exploró la gestión jerárquica del contexto. Titans introdujo un módulo de memoria neuronal que se actualiza durante las pruebas. Los controles de personalización de Gemini de Google y los controles de memoria de Copilot de Microsoft describen la persistencia de cara al usuario y las opciones disponibles al respecto. Estos mecanismos no deben reducirse a una sola capacidad: recuperar un registro guardado, mantener el contexto y actualizar los parámetros aprendidos generan distintas oportunidades y modos de fallo.
Las predicciones que siguen se refieren a avances observables en esos mecanismos. No vinculan una fecha de llegada de la AGI a una puntuación de memoria ni deducen que un sistema sea consciente porque pueda retener información.
1. Las pruebas de memoria irán más allá del recuerdo de datos
Es fácil celebrar que se recuerde la respuesta de ayer, hasta que esa respuesta deja de ser correcta. En 2027, las nuevas evaluaciones de memoria pondrán a prueba en un mismo examen la capacidad de corregir, abstenerse cuando corresponda y aprovechar experiencias anteriores. El sistema tendrá que hacer algo más que recuperar una frase parecida a la pregunta. Deberá reconocer cuándo el pasado es pertinente y cuándo basarse en él empeoraría la respuesta actual.
El razonamiento temporal exige más que encontrar la frase adecuada. Es posible que un cliente haya recibido un reembolso, que una política haya caducado o que una excepción se haya aplicado a un solo caso. El asistente debe reconstruir qué situación es relevante ahora. Para ello hacen falta evaluaciones con actualizaciones contradictorias, límites temporales explícitos y preguntas que no puedan responderse con la información disponible.
LongMemEval ya evalúa capacidades como el razonamiento temporal, la actualización de conocimientos y la abstención. Por tanto, no es correcto describir todas las evaluaciones de memoria anteriores como simples pruebas de recuerdo. LongMemEval-V2, presentado en 2026, amplía el debate hacia la experiencia específica de cada entorno: flujos de trabajo, cambios de estado y detalles operativos recurrentes. Sus 451 preguntas seleccionadas ilustran la diferencia entre recordar una conversación y ser útil en un entorno de trabajo concreto.
LoCoMo ofrece otro punto de referencia importante: utiliza conversaciones extensas verificadas y editadas por personas. Su diseño también pone de relieve un problema metodológico: los historiales de conversación generados pueden presentar una estructura más ordenada que los registros contradictorios e incompletos del trabajo cotidiano. Superar una prueba de referencia basada en esos historiales no demuestra que la memoria vaya a ser fiable en todas las implementaciones.
Mi pronóstico es que se combinarán mejor estos requisitos. Un agente debería recordar que un flujo de trabajo falló, reconocer por qué esa experiencia es relevante para una tarea posterior y evitar aplicar la lección cuando ya no se cumplan las condiciones correspondientes. Para ello hay que evaluar la relación entre la información retenida y una decisión posterior, en lugar de premiar la reproducción de una frase que aparezca en algún lugar del registro.
Qué observar en 2027
Presta atención a las evaluaciones de memoria que comprueben qué hace un agente después de que cambie un dato, cuando el registro disponible esté incompleto o cuando una lección anterior resulte pertinente para una nueva tarea. Las tareas públicas y los métodos de puntuación facilitarán la evaluación de los avances. Por sí solas, unas puntuaciones más altas en recuperación aportarían pruebas limitadas de una continuidad fiable entre sesiones.
Qué significa esto para las empresas
Los equipos que evalúen asistentes con memoria persistente deberían crear pruebas basadas en los cambios que se producen en su propio trabajo: políticas revisadas, responsables reasignados, preferencias caducadas y registros incompletos. Comprueben si el agente actualiza su comportamiento y reconoce la incertidumbre. Esos casos pueden revelar deficiencias operativas que quedarían ocultas en una demostración de recuerdo de nombres o preferencias.
2. En pruebas controladas, la memoria selectiva superará a un historial indiferenciado
Un historial más extenso puede generar más oportunidades de confusión. Una instrucción obsoleta, una anécdota repetida y una observación útil pueden competir por la atención dentro de un contexto prolongado. Espero que, en las evaluaciones controladas de 2027, la memoria selectiva y estructurada supere por un margen significativo a un historial completo e indiferenciado. Mantener constantes el modelo subyacente y la información disponible hará que el resultado sea especialmente interesante: la mejora se debería a la organización de la experiencia, no simplemente a proporcionar un modelo más potente.
La idea es que una memoria útil selecciona y organiza la información. Puede distinguir un dato vigente de otro que ya no lo está, conservar las pruebas que respaldan una decisión o recuperar una lección sobre un flujo de trabajo justo cuando hace falta. La transcripción completa pone todos los detalles a disposición del modelo, pero también lo obliga a reconstruir el estado pertinente para cada pregunta nueva.
Esa intuición no es una garantía. Un sistema de resumen puede eliminar el único detalle que se necesitará más adelante. Un sistema de recuperación puede no encontrar un evento pertinente. Un proceso de indexación puede tratar una conjetura del propio modelo como un hecho confirmado. El contexto completo puede ser una referencia más sólida cuando la respuesta depende de un detalle sutil que el sistema de memoria descartó.
El espacio de diseño ya se aprecia en el artículo de LongMemEval, que analiza distintas opciones de indexación, recuperación y lectura. La arquitectura jerárquica de MemGPT ofrece un enfoque anterior, a nivel de sistemas, para gestionar qué cabe en el contexto activo. Estas son contribuciones de investigación sobre diseños evaluados. Su existencia no demuestra la ventaja de 10 puntos ni la replicación independiente que exige mi pronóstico.
Los casos más reveladores serán los que impliquen actualizaciones y restricciones temporales. Si un cliente cambió de dirección dos veces, una respuesta correcta quizá necesite el último valor autorizado y un registro de cuándo entró en vigor. Una representación del estado mantenida con cuidado puede hacer explícita esa distinción. Un historial plano puede contener todos los datos y, aun así, dar al modelo más oportunidades de elegir el equivocado.
Qué observar en 2027
Presta atención a las comparaciones en las que la memoria estructurada y el contexto con el historial completo accedan a la misma información mediante el mismo modelo base. Los resultados más sólidos se basarán en preguntas no vistas y darán cuenta tanto de los costos de escritura de memoria como de la precisión de las respuestas. Los avances que dependan de truncar el historial de comparación o de seleccionar pruebas con conocimiento previo de la respuesta resultarían menos convincentes.
Qué significa esto para las empresas
Evalúa el diseño de la memoria como parte de la arquitectura de la aplicación. Compara la recuperación, los resúmenes, el estado estructurado y un contexto más amplio en tareas representativas, incluidas las correcciones y los registros contradictorios. Ten en cuenta el costo de mantener la memoria y corregir errores. Un límite de contexto mayor puede ser útil, pero el equipo aún necesita pruebas de que el sistema recupera y aplica la información correcta.
3. Los productos de memoria mostrarán las pruebas que respaldan lo que conservan
Un asistente que recuerda algo sobre ti debería poder mostrar de dónde procede y permitirte corregirlo. Esa expectativa parece normal hasta que un recuerdo se infiere de varias conversaciones y se reutiliza en distintos contextos. En 2027, los principales productos de asistentes permitirán inspeccionar mejor algunas de esas relaciones. El avance práctico será una memoria que el usuario pueda cuestionar, editar o eliminar, con una comprensión clara de dónde podría utilizarse.
Una entrada de memoria es más útil cuando el usuario puede preguntar de dónde procede y qué depende de ella. Una preferencia expresada en una conversación tiene un carácter distinto del de un hecho inferido de varios documentos. Debería ser posible corregir una inferencia errónea sin que el usuario tenga que descubrir todas las respuestas posteriores en las que pudo haber influido.
Ya existen controles importantes. La documentación de privacidad de Microsoft distingue la configuración de la memoria del historial de conversaciones y de otras opciones de personalización. El anuncio de los chats temporales y la personalización de Google describe opciones para usar conversaciones anteriores. El anuncio de 2026 sobre la importación de chats y recuerdos de Google también muestra cómo el contexto persistente se está convirtiendo en una función de portabilidad. El pronóstico apunta a una interfaz de control más completa, no a la aparición de un botón para eliminar.
La procedencia debe ser lo bastante específica como para poder inspeccionarla. «Basado en tu historial» identifica una categoría de datos, no las pruebas que respaldan una afirmación concreta. Un enlace a la fuente o un registro fechado pueden permitir al usuario distinguir una instrucción explícita de una interpretación. Una declaración sobre el alcance puede explicar si la memoria se aplica a futuros chats, a un espacio de trabajo concreto o a acciones realizadas mediante herramientas conectadas.
El lenguaje sobre la eliminación requiere el mismo cuidado. Quitar una entrada del almacén de memoria activa de un producto no equivale automáticamente a eliminar la conversación de origen, borrar las copias de seguridad o desaprender información de los pesos del modelo. El producto debería explicar qué operación realiza realmente. Mi pronóstico exige controles del producto observables y documentación, no una afirmación de que la eliminación sea perfecta en todas las capas de almacenamiento.
La expectativa de avances responde tanto a motivos prácticos como éticos. Un asistente no puede convertirse en un colaborador fiable a largo plazo si su usuario no puede corregir el estado sobre el que actúa. Las correcciones forman parte del funcionamiento del sistema. Una interfaz pulida que muestre recuerdos, pero no explique su origen ni su uso posterior, solo atendería una parte de esa necesidad.
Qué observar en 2027
Presta atención a las interfaces de memoria que vinculen una entrada conservada con una fuente inspeccionable, permitan corregirla o eliminarla y expliquen dónde podría reutilizarse la información. Estas capacidades deberían funcionar conjuntamente para cada entrada. Un resumen general de la memoria o un control para eliminar todo el historial dejarían sin resolver cuestiones importantes sobre la procedencia y el alcance.
Qué significa esto para las empresas
Antes de implementar asistentes persistentes, establezca cómo pueden los empleados inspeccionar y corregir lo que el sistema conserva. Pida a los proveedores que distingan entre la memoria activa, las conversaciones de origen y otros registros conservados, y que expliquen el alcance de cada control. Esas respuestas ayudarán a la empresa a asignar la responsabilidad de mantener un contexto preciso a medida que cambien las personas, los proyectos y las relaciones laborales.
4. El aprendizaje continuo mostrará avances acotados bajo la condición de retención
Aprender algo nuevo no debería borrar silenciosamente algo útil. Ese es el difícil equilibrio que plantean las actualizaciones persistentes de parámetros y la memoria neuronal. Espero avances acotados en 2027 en modelos de gran tamaño: una mejora clara en los conocimientos nuevos, mientras el rendimiento en las evaluaciones establecidas se mantiene en gran medida intacto. Un resultado así sería interesante precisamente porque respeta esa limitación. Eliminar las pruebas anteriores facilitaría afirmar que hubo una mejora, pero haría que esa afirmación tuviera mucho menos sentido.
Esta afirmación es más acotada que decir que un sistema aprende todas las tareas indefinidamente. Actualizar un modelo con nuevas experiencias puede interferir con capacidades que ya posee. Para que un resultado sea convincente, debe medir tanto la adquisición como la retención a lo largo de actualizaciones repetidas, y hacer visible el cómputo necesario para llevarlas a cabo.
El artículo sobre Titans estudia la memoria neuronal a largo plazo y la memorización durante la prueba. MIRAS plantea una familia de modelos de secuencia mediante distintas opciones de memoria asociativa, objetivos de aprendizaje, retención y optimización. La explicación de la investigación de Google deja claro que este trabajo se refiere a arquitecturas y mecanismos de memoria específicos. No debe presentarse como prueba de que todos los modelos de lenguaje implementados modifican continuamente sus conocimientos fundamentales.
El más reciente anuncio del marco de sueño, publicado el 27 de octubre de 2026, describe la alternancia entre el procesamiento activo y la consolidación fuera de línea en componentes de memoria preasignados. Presenta un enfoque de investigación para adquirir información y, al mismo tiempo, mitigar el olvido. El nombre es una analogía computacional; el marco funciona mediante una arquitectura fija y reglas de actualización especificadas.
Estas líneas de trabajo hacen verosímil el pronóstico, pero la evidencia aún es incipiente y depende en gran medida del diseño experimental. Un sistema puede parecer que aprende porque las preguntas de evaluación se parecen a los ejemplos usados para actualizarlo. Puede mantener una puntuación media y, aun así, perder una capacidad pequeña pero importante. También puede consumir tanto cómputo adicional al consolidar experiencias que la mejora resulte poco atractiva para una implementación real. Es esencial contar con reproducciones independientes e informar por separado del rendimiento en tareas anteriores y nuevas.
Qué observar en 2027
Siga los experimentos reproducibles de forma independiente que informan por separado del nuevo aprendizaje y de las capacidades retenidas a lo largo de actualizaciones repetidas. Los costos de cómputo, las comprobaciones de contaminación y el rendimiento en tareas anteriores serán un contexto esencial. Las mejoras en el material recién aprendido, acompañadas de pérdidas en otros ámbitos, indicarían que la disyuntiva entre adquisición y retención sigue siendo considerable, aunque aumente la puntuación principal de aprendizaje.
Qué significa esto para las empresas
Los equipos de I+D y los proveedores de modelos deberían distinguir entre un mecanismo de aprendizaje prometedor y un proceso de actualización listo para implementarse. Todo proyecto piloto necesita pruebas de regresión, datos de actualización controlados, seguimiento de versiones y una forma de recuperar un estado anterior. Los planes de producto deberían basarse en la adquisición, la retención y los costos operativos demostrados, en lugar de dar por sentado que la adaptación continua funcionará de manera fiable en todas las tareas de los clientes.
La medida útil es la continuidad en medio del cambio
Un sistema de memoria útil debe ser lo bastante selectivo para no ahogarse en experiencias y lo bastante revisable para adaptarse a un mundo cambiante. Sus errores suelen parecer triviales: una preferencia antigua, la persona responsable equivocada o una excepción recordada que se aplica de forma demasiado general. Son fallos reveladores. Muestran si un asistente puede convertir un historial de interacciones en un criterio sólido para la siguiente.












