La memoria de la inteligencia artificial busca independizarse de ChatGPT, Claude y Gemini
Los asistentes de inteligencia artificial han aprendido a recordar buena parte de lo que ocurre en un proyecto de software, pero todavía tienen dificultades para conservar el contexto personal de sus usuarios cuando estos cambian de plataforma. Una propuesta técnica plantea separar esa memoria de los proveedores y almacenarla en un espacio controlado por cada persona.
El problema resulta evidente al comparar dos escenarios. Herramientas como Claude Code, Cursor o los agentes de programación más avanzados pueden conocer la arquitectura de una aplicación, sus convenciones, el estado de los últimos cambios o los tests que fallan. Para ello existe ya un ecosistema de archivos y repositorios, con formatos como CLAUDE.md y AGENTS.md, además de soluciones de memoria como mem0 y Letta.
Fuera del entorno de desarrollo, la situación es muy distinta. Un asistente puede recordar decisiones tomadas en conversaciones anteriores, preferencias personales o determinados datos del usuario, pero esa memoria suele quedar encerrada en la plataforma que la ha creado. La información que conserva ChatGPT no está disponible automáticamente para Claude o Gemini, y viceversa.
Una memoria que no dependa del vendedor
La propuesta desarrollada durante el último año por Tetsuya Wakita, vicepresidente de Ingeniería de AnyMind Group, parte de una pregunta clave: ¿por qué debe ser el proveedor de inteligencia artificial quien controle el contexto personal del usuario?
La respuesta no está tanto en una limitación técnica como en un incentivo empresarial. Si el historial, las preferencias y la información personal permanecen dentro de ChatGPT, Claude o cualquier otro servicio, cambiar de plataforma resulta más costoso. La memoria se convierte así en un elemento de dependencia.
El enfoque alternativo consiste en almacenar el contexto en un repositorio independiente. En la implementación propuesta, ese espacio utiliza Git y archivos Markdown organizados como un vault de Obsidian: una colección de notas enlazadas que puede representar relaciones entre personas, proyectos, decisiones y acontecimientos.
Después, ese repositorio se conecta a los distintos asistentes mediante un único servidor compatible con MCP. El Model Context Protocol es un estándar abierto que permite a una aplicación de inteligencia artificial acceder a datos y herramientas externas de forma estructurada. Anthropic lo presentó en noviembre de 2024 y desde entonces también ha sido adoptado por compañías como OpenAI y Google.
Con este sistema, Claude en el móvil, Claude Code en el terminal y ChatGPT en el navegador podrían consultar y actualizar las mismas notas. Si el usuario decide abandonar todos esos servicios, sus datos seguirían estando en su poder: bastaría con clonar el repositorio mediante Git, sin depender de una exportación específica o de una futura herramienta de migración.
Más control, trazabilidad y capacidad de recuperación
Una de las principales ventajas de este modelo es que el almacenamiento deja de estar ligado a un proveedor concreto. El repositorio podría estar alojado en GitHub, pero el mismo principio sería aplicable a un espacio de Google Docs, Notion u otro servicio conectado mediante MCP. Lo importante es que el asistente no sea el propietario de la información.
La segunda ventaja es la auditoría. Cada modificación realizada sobre las notas puede quedar registrada como un commit de Git, es decir, una versión fechada que permite comprobar qué se cambió, cuándo y desde qué modificación anterior. Si un asistente introduce un dato incorrecto, el usuario puede revisar el historial y restaurar una versión anterior.
La propuesta también limita las operaciones de escritura. El sistema funciona con un enfoque append-only, que permite añadir información o reescribir una nota, pero impide borrar el historial. Esta medida reduce el impacto de errores, instrucciones maliciosas o ataques de inyección de instrucciones, en los que un contenido diseñado para manipular al modelo intenta que este elimine o altere datos.
El reto técnico de llevar MCP al entorno personal
La arquitectura no está pensada únicamente para usuarios sin conocimientos técnicos. Combinar Git, un repositorio privado, un servidor MCP y varios clientes de inteligencia artificial exige configurar permisos, credenciales y accesos diferenciados para lectura y escritura.
Sin embargo, algunas piezas ya están disponibles. Quienes utilizan Obsidian pueden encontrar servidores MCP capaces de exponer sus notas a los asistentes. Notion también cuenta con conectores oficiales. El desafío consiste en mantener una configuración segura cuando intervienen varias aplicaciones y evitar que todos los servicios tengan permisos ilimitados.
El desarrollo de esta solución también ha obligado a resolver problemas menos visibles, como la validación de los datos en infraestructuras edge. Estos entornos ejecutan código cerca del usuario para reducir la latencia, pero imponen restricciones de seguridad y rendimiento.
En ese contexto, la biblioteca Zod, muy utilizada en proyectos de TypeScript para comprobar que los datos recibidos tienen el formato correcto, depende habitualmente de compilación JIT. Esta técnica genera parte del código durante la ejecución, algo que algunos entornos edge bloquean o penalizan.
La respuesta ha sido Zod AOT, un compilador que prepara las funciones de validación durante la fase de construcción del proyecto. Según su desarrollador, este enfoque puede multiplicar por 60 el rendimiento frente al camino más lento de Zod en entornos edge y ya está disponible como código abierto.
El contexto personal como pieza clave de los agentes
La importancia de esta separación aumentará a medida que los asistentes puedan ejecutar acciones, y no solo responder preguntas. Un sistema conectado a una tienda podría consultar productos, comparar precios y completar una compra mediante MCP. Pero para que esa operación resulte realmente útil necesita conocer datos que pertenecen al usuario: sus tallas, sus compras anteriores, sus preferencias o lo que ya tiene en casa.
Un contexto independiente permitiría que el asistente recomendase una prenda adecuada o incluso aconsejase no comprarla. Esa decisión puede entrar en conflicto con los objetivos de una tienda, cuyo sistema de recomendación está diseñado para aumentar las ventas.
La memoria de los asistentes se encuentra todavía en una fase inicial fuera del mundo del código. Pero el modelo basado en repositorios privados, formatos abiertos y protocolos compartidos apunta a una posible evolución: que la inteligencia artificial pueda cambiar de proveedor sin que el usuario pierda su historia, sus preferencias ni el control sobre su propia información.
