Una memoria que se queda en su instancia: así guarda el Brain el conocimiento como grafo

Situación de partida: la memoria existe desde hace tiempo, solo que no sigue sus reglas

La escena la conoce cualquiera que utilice una herramienta de IA en su empresa. Uno explica por quinta vez cómo se llama la empresa, quién es la clientela, qué aspecto tiene aquí una oferta y por qué a ese proveedor concreto se le trata de otra manera que a todos los demás. Que los grandes proveedores dispongan desde hace tiempo de una función de memoria cambia menos de lo esperado. El motivo está en su propia documentación, y no consiste en que esas funciones sean personales. Lo son, y el Brain de Kisuno también. Consiste en dónde reside el fondo y quién decide sobre él.

El fondo reside en el entorno del proveedor, y allí las reglas de la empresa no se aplican por sí solas. Microsoft describe para Copilot que los recuerdos guardados, los datos derivados del historial y las instrucciones propias se encuentran en el buzón de Exchange de cada persona, en una carpeta oculta.¹ Anthropic hace constar para Claude que los propietarios de una organización no pueden ni consultar ni editar los recuerdos de cada usuaria y usuario; exportarlos sí que es posible según las reglas de conservación de la organización.² Que esas memorias sean personales no es aquí el reproche. El Brain de Kisuno también lo es, y para el trabajo diario esa es la forma de construcción más lógica. La diferencia está en otro sitio: dónde residen las entradas, cuánto tiempo permanecen y qué desaparece de verdad al borrar no lo decide allí la empresa que trabaja con la herramienta.

La segunda laguna afecta al control. En la misma documentación, Microsoft escribe que las políticas de conservación configuradas en Purview no rigen para la memoria de Copilot y que no existe un control de administración para imponer reglas de conservación específicas para ella; que borrar un chat no borra los recuerdos guardados surgidos de él; que las operaciones de la memoria no generan entradas en el registro de auditoría; y que una administración no puede limitar qué tipo de datos llega siquiera a la memoria.¹ En honor a la verdad, allí consta también que los datos de la memoria se pueden buscar, exportar y borrar mediante eDiscovery y el Graph Explorer, y toda la función está marcada como versión preliminar.¹ Aun así, la conclusión se mantiene, y afecta a los tres primeros puntos: las reglas que una empresa ya tiene para la conservación, el borrado y la trazabilidad no se aplican aquí por sí solas. En el cuarto punto nos contenemos, porque nos afecta igual: también en nuestro caso una administración no puede limitar de antemano qué se incorpora a un Brain. Puede activar o desactivar la función para cada acceso, nada más.

La tercera queja es la del control sobre el contenido. En junio de 2026, OpenAI pasó la personalización a un resumen generado automáticamente, y la lista que se podía mantener a mano quedó junto a él como fondo antiguo; en el foro oficial de personas desarrolladoras surgió entonces el deseo de volver a ver con exactitud y de gestionar entrada por entrada lo que se recuerda.³ Ya un año antes, el desarrollador Simon Willison había criticado la versión anterior por retirar ese control por completo y por crear una condición de efecto invisible para cada salida.⁴ Se trata de voces individuales y no de un estudio, y tampoco las presentamos como tal. Pero dan en el punto en el que una herramienta para la comodidad privada y una herramienta para una empresa se separan.

La cuarta laguna es la rectificación. El grupo de trabajo del Comité Europeo de Protección de Datos señaló en su informe sobre ChatGPT de mayo de 2024 que OpenAI sugiere a las personas afectadas, al menos por el momento, pasar de la rectificación a la supresión cuando una rectificación no sea viable por la complejidad técnica.⁵ Para una empresa, esa es la diferencia entre un dato corregido y un dato desaparecido. Quien más tarde tenga que explicar por qué una información era incorrecta necesita la versión rectificada y la fecha de la corrección, no un hueco.

En aras de la equidad, hay que decir que no todos los puntos se aplican a todos los proveedores. Anthropic describe para Claude espacios de memoria separados por proyecto y una lista en la que cada entrada se puede leer, editar y borrar; el ajuste predeterminado varía según la tarifa: en las versiones para personas individuales la memoria está activada, mientras que en las versiones para equipos y empresas la administración decide sobre su disponibilidad y para cada persona permanece desactivada al principio.⁶ No se trata, pues, de reprochar a nadie una negligencia. Se trata del denominador común: esas funciones se ejecutan en los servidores del proveedor. Hasta dónde llegan allí las reglas propias de una empresa varía de un proveedor a otro y, en el caso de Copilot, según su propia documentación, no llegan en los puntos decisivos.

Y una memoria tiene una propiedad que a una nota suelta no se le atribuye: es una superficie de ataque. La investigación en seguridad muestra desde 2024 que, mediante contenidos manipulados, se pueden introducir en la memoria instrucciones duraderas que siguen actuando más allá de la conversación concreta.⁷ Un trabajo de julio de 2026 demuestra para sistemas que actúan por su cuenta cómo un solo correo electrónico deja tras de sí un recuerdo falso.⁸ Esto no es un argumento contra las funciones de memoria. Es un argumento a favor de que cada entrada lleve consigo su procedencia y se pueda eliminar por separado, y eso es justamente lo que debe lograr la forma de construcción de la que trata lo que sigue.

Por qué importa dónde reside la memoria

La necesidad no es una suposición, está en los estudios. En Suiza, la proporción de pymes que integran conscientemente la inteligencia artificial en sus procesos de trabajo subió en un año del 22 % al 34 %; sobre todo para traducciones, con un 52 %, y correspondencia, con un 47 %, es decir, justo allí donde las palabras de la empresa y sus casos especiales marcan la diferencia. En cambio, solo alrededor de un tercio de aquellas empresas que realmente usan IA tiene una regulación clara de protección de datos para el manejo de aplicaciones de IA; entre las que tienen de cinco a nueve personas empleadas es el 23 %.⁹ Las cifras proceden de una encuesta a 300 pymes de la Suiza de habla alemana y francesa; es una muestra pequeña, y no la presentamos como un censo.

El segundo motivo es más incómodo, porque tiene que ver con personas. El conocimiento que compone el trabajo diario rara vez está en un manual. Está en las cabezas: quién decide realmente en ese cliente, por qué una partida se calcula de otro modo desde la última reforma, qué recepción de obra no funciona sin la dirección facultativa. Quien trabaja a diario con una herramienta de IA le cuenta exactamente eso, frase a frase, sin proponérselo. La única cuestión es dónde residen después esas frases. Lo tenso que está además el mercado laboral lo muestran las cifras oficiales: la Oficina Federal de Estadística contó en el cuarto trimestre de 2025 en Suiza 86.000 puestos vacantes, y el 36,2 % de las empresas comunicó dificultades de contratación.¹⁰ Un puesto que queda libre no se vuelve a cubrir rápidamente, y hasta entonces falta también lo que esa persona sabía. En el plano europeo, Cedefop atribuye la necesidad de reposición expresamente a las jubilaciones y a los cambios de profesión, es decir, a salidas en las que la experiencia abandona la empresa.¹¹ Un Brain personal no resuelve este problema, y tampoco lo afirmamos; sobre esto hay más abajo, en el apartado sobre los límites. Solo decide si el conocimiento recogido reside en su empresa o en el proveedor.

Lo que ocurre cuando en la empresa no hay una solución propia también se ha investigado. En un estudio de KPMG y la University of Melbourne con 48.340 personas encuestadas en 47 países, dos de cada tres personas ocupadas declararon haberse fiado de resultados de IA sin comprobar los datos entregados, y una parte considerable admitió usar la IA en contra de las directrices de su empresa; el informe menciona además expresamente la subida de información empresarial sensible, como datos financieros, de ventas o de clientes, a herramientas de IA públicas.¹² La pregunta, por tanto, no es si el conocimiento de la empresa acaba en una herramienta de IA. La pregunta es si acaba en una instancia sobre cuya conservación, copia de seguridad y borrado decide la empresa. Una prohibición traslada el problema al acceso privado, donde ya nadie mira.

A esto se suma la diferencia de tamaño. Según Eurostat, en 2025 el 20,0 % de las empresas de la UE con diez o más personas empleadas usaba tecnología de IA, frente al 13,5 % del año anterior; desglosado, son el 17 % de las pequeñas, el 30,36 % de las medianas y el 55,03 % de las grandes empresas.¹³ Entre aquellas que alguna vez consideraron su uso y no lo utilizan, los motivos principales ese mismo año fueron la falta de conocimientos especializados pertinentes, con un 70,89 %, la falta de claridad sobre las consecuencias jurídicas, con un 52,52 %, y las dudas por la protección de datos, con un 48,83 %.¹⁴ Esta población abarca expresamente solo a las empresas que alguna vez consideraron su uso, y no a todas. Aun así, la conclusión se mantiene: lo que frena a las empresas pequeñas no es la técnica, sino la falta de contexto y la falta de certeza sobre qué ocurre con los propios datos.

El tercer motivo es jurídico y para Suiza está expresamente recogido. El Encargado Federal de Protección de Datos y Transparencia señala que la Ley suiza de protección de datos es directamente aplicable a los tratamientos de datos asistidos por IA.¹⁵ Por tanto, quien deposite datos personales en una memoria debe poder informar sobre ellos y rectificarlos o destruirlos; la Ley de protección de datos regula ambas cosas en el artículo 25 y en el artículo 32.¹⁶ En la Unión Europea, esos mismos derechos figuran en el artículo 15 y en el artículo 17 del Reglamento General de Protección de Datos.¹⁷ No es una formalidad, sino un requisito para la forma de construcción: quien no puede mostrar ni borrar por separado no puede atender esos derechos.

Lista frente a grafo: el mismo contenido, dos resultados

Primero, una objeción evidente, porque casi zanjaría el asunto: ¿por qué no verterlo todo simplemente en una ventana de contexto grande? Porque una ventana de contexto no es una memoria. Anthropic la describe en su propia documentación como memoria de trabajo para una sola llamada; todo el historial anterior se envía de nuevo en cada turno y no reside en el modelo.¹⁸ Y tener más de ella no ayuda automáticamente. En esa misma documentación consta que la exactitud y la capacidad de recordar disminuyen a medida que crece el número de tokens, un comportamiento para el que se ha impuesto la denominación context rot, y que la selección del contenido es tan importante como el espacio disponible.¹⁸ Investigaciones independientes muestran lo mismo desde fuera: si la información pertinente está en el medio de un contexto largo, se encuentra claramente peor que al principio o al final, y eso vale también para modelos diseñados expresamente para contextos largos.¹⁹ La selección gana a la cantidad. Un documento de posición de mayo de 2026 formula la conclusión del modo más tajante: los modelos de capacidad finita no podrían, por principio, reflejar la amplitud del conocimiento de las tareas de una empresa, por lo que ese conocimiento correspondería a una capa propia junto a ellos.²⁰ Se trata de una argumentación y no de una medición, y así la reproducimos. La pregunta, por tanto, no es cuánto se envía, sino cómo se encuentra lo correcto.

Para ello, una memoria se puede llevar de dos maneras. La primera es una lista. Cada entrada es una frase en sí misma: la empresa tiene catorce personas empleadas. La clienta se llama Berger. Las ofertas salen siempre en PDF. La lista crece, se puede buscar en ella y responde con fiabilidad a cualquier pregunta dirigida exactamente a una de sus frases. La mayoría de las funciones de memoria que hoy lleva dentro una herramienta de IA son una lista así.

La segunda manera es un grafo. No guarda solo las frases, sino la conexión entre ellas, y esa conexión es un objeto propio con nombre propio. La clienta Berger es un nodo. La oferta con el número 114 es un nodo. Entre ambos hay una arista que afirma algo concreto, a saber, que esta oferta pertenece a esta clienta, y que tiene una dirección. Junto a ella hay una segunda arista hacia la persona que redactó la oferta, y una tercera hacia la regla de precios que regía entonces.

La diferencia se nota justamente cuando una pregunta abarca más de una frase. Quien quiere saber qué ofertas abiertas se ven afectadas por la regla de precios que se modificó en mayo, y quién de ellas tiene que informar a la clientela, no está haciendo una consulta de búsqueda. Esa pregunta no tiene un resultado, tiene un recorrido: de la regla a las ofertas, de las ofertas a la clientela, de ahí a las personas responsables. Una lista no puede recorrer ese camino porque nunca lo guardó. Y las preguntas que de verdad se hacen en una empresa tienen casi siempre este aspecto.

Que esta diferencia no solo suene plausible, sino que esté medida, se puede consultar. Microsoft Research describe la debilidad de la búsqueda por pura similitud con la frase de que le cuesta unir los puntos, porque seguir datos dispersos tendría que hacerse a través de rasgos comunes.²¹ El trabajo correspondiente acredita mejoras para preguntas dirigidas a un conjunto completo de textos, en concreto en la exhaustividad y la variedad de las respuestas; una cifra sobre la corrección no la indica expresamente, y por eso tampoco afirmamos ninguna.²² Con independencia de ello, es decir, sin proceder de un proveedor de un producto de memoria, un trabajo de la investigación universitaria muestra para preguntas de varios pasos una ventaja de hasta un 20 por ciento frente al estado de la técnica.²³ Lo que el grafo con ello todavía no acredita, sino solo sitúa: una serie de pruebas propia para la memoria a largo plazo mide, entre otras cosas, el razonamiento temporal y la actualización del conocimiento, y encuentra en los asistentes existentes, a lo largo de trayectorias más largas, una caída del 30 por ciento en la retención de datos.²⁴ No compara grafos con listas; muestra lo grande que es el problema que ambos deben resolver.

La idea, por lo demás, es más antigua que los modelos de lenguaje, y no es nuestra. Quien lleva sus notas en una herramienta como Obsidian conoce la vista en la que la propia colección aparece como una red de puntos y líneas: se ve de un vistazo qué nota está relacionada con cuál, cuál queda aislada y dónde se ha formado un núcleo. La extensión de código abierto Vault Graph dibuja esa imagen deliberadamente de forma determinista en lugar de basarse en fuerzas, de modo que el mismo fondo da siempre la misma imagen y una colección que ha ido creciendo sigue siendo reconocible; el análisis se realiza en el propio aparato, porque allí reside también todo lo demás.²⁵ El proyecto Graphify construye a partir de un fondo mixto un grafo de conocimiento consultable y marca cada arista según si la relación constaba en el material o solo se dedujo después.²⁶ La idea que hemos adoptado de ahí es la más sencilla de las dos: una arista lleva consigo de dónde viene.

Lo adoptado es la forma de pensar y no el código. Un cuaderno de notas en el propio aparato y un Brain que funciona en una empresa plantean exigencias distintas: uno puede ser desordenado y termina con el aparato, el otro reside en la instancia de una empresa y tiene que soportar contradicciones, plazos, conservación y solicitudes de supresión. Por eso nuestra realización es propia, y por eso el apartado siguiente no trata de grafos en general, sino de lo que en nuestro caso va unido a una sola entrada.

La estructura: qué va unido a una sola entrada

Una entrada en esta memoria no es una frase, sino un pequeño paquete de datos. Suena a complicación y es la razón por la que con ella se pueden hacer cosas que con una nota no salen.

El punto de la validez es el más discreto y, en la empresa, el más importante. En una memoria de lista, una afirmación nueva se escribe encima de la antigua, y lo que regía antes desaparece. Aquí, en cambio, la afirmación antigua recibe un final y se mantiene. Quien pregunte en septiembre qué plazo de descuento por pronto pago rige recibe el nuevo. Quien tenga que reconstruir por qué una factura se trató de otro modo en mayo recibe el antiguo junto con la fecha en la que fue sustituido. Una memoria que solo conoce el último estado no puede responder a esta segunda pregunta, y es justamente la que se plantea en una auditoría. La idea está desarrollada en la investigación: una arquitectura de memoria de 2025 lleva cuatro marcas de tiempo por afirmación, separadas según cuándo algo era válido en el mundo y cuándo el sistema se enteró de ello, y resuelve las contradicciones invalidando con fecha la arista más antigua en lugar de sobrescribirla.²⁷ La realización correspondiente describe lo mismo como ventana de validez por afirmación y permite consultas tanto sobre el estado actual como sobre cualquier momento anterior.²⁸

El segundo punto que cuenta en el día a día es el lenguaje. Cada empresa tiene sus propias palabras: una denominación para un proceso que solo existe aquí, una abreviatura para una máquina, un nombre de cliente que no se escribe como suena. Esas palabras están en el grafo como nodos propios, con sus grafías y sus conexiones. Por eso ya nadie tiene que explicar qué se quiere decir con el término, y por eso una respuesta general se convierte en una que encaja con la empresa.

Con ello cambia también lo que pueden lograr las demás partes de la plataforma, y ese es el verdadero motivo del esfuerzo. Un agente de rol que puede leer el grafo ya no necesita que se le alimente con una página de indicaciones antes de responder de forma útil: las competencias, los términos y las reglas ya están ahí. Una tarea que recorre varios sistemas encuentra en el grafo la correspondencia que no figura completa en ninguno de los sistemas implicados. Aquí describimos lo que permite la forma de construcción, y no prometemos ningún calendario: lo que salga de ello en el día a día se decide según lo cuidado que esté el grafo.

El camino de escritura: cómo una frase se convierte en una entrada

Una memoria que lo recuerda todo no vale nada. Se llena de cosas irrelevantes y, cuanto más llena está, con menos fiabilidad vuelve a encontrar lo importante. En torno a ese punto giran justamente las quejas sobre la falta de control citadas más arriba. Por eso, el camino de la frase dicha a la entrada guardada no es en nuestro caso un solo paso, sino cuatro.

Primero surge en la conversación una afirmación que va más allá del momento. Rara vez es la pregunta y casi siempre es un comentario de pasada: que la recepción de obra con este cliente va siempre a través de la dirección facultativa, que una determinada máquina está ajustada de otro modo desde la reforma, que para este grupo de mercancías rige otro tipo de IVA. Lo que es puntual no entra ahí, y lo que se limita al encargo en curso, tampoco.

Después nace de ello una propuesta, todavía no una entrada. La propuesta indica qué nodos se verían afectados, qué arista surgiría y de dónde procede la afirmación. Se puede rechazar, y rechazado significa rechazado: la propuesta no vuelve a aparecer en la siguiente ocasión.

El tercer paso es el cotejo con el fondo existente, y es la razón de toda la forma de construcción. Si el nodo ya existe, no se crea un segundo, sino que se completa el existente. Si la frase nueva dice algo distinto de una ya existente, se trata como contradicción y no como sobrescritura: la afirmación más antigua recibe un final, la nueva un comienzo, y ambas siguen siendo legibles. Y si la afirmación no aporta nada nuevo, se descarta, para que la memoria no se ahogue en su propia abundancia.

Solo después se escribe, junto con la procedencia y el momento. A partir de ese instante, la entrada queda a disposición en cualquiera de sus conversaciones, no solo en aquella en la que se originó. Esa es la verdadera diferencia respecto de un historial: un historial pertenece a una conversación, una entrada pertenece a su Brain y reside en su instancia. También en nuestro caso, por tanto, una entrada no desaparece porque usted borre la conversación de la que procede. La diferencia está en que usted la ve: figura con procedencia y fecha en su fondo y allí se puede quitar por separado, en lugar de seguir actuando sin que nadie lo note.

El camino de lectura: qué sale del servidor y qué no

Llega ahora la parte en la que se decide si una memoria es siquiera viable para una empresa europea. Una memoria solo sirve si sus contenidos entran en la respuesta. Tienen que llegar, por tanto, de algún modo al modelo. La cuestión es cuánto de ellos.

Ante una pregunta, Kisuno determina primero los nodos de entrada, es decir, los puntos del grafo de los que se trata. Desde ahí se siguen las aristas, por regla general uno o dos pasos, y lo que así se reúne es un fragmento pequeño y coherente: unos cuantos nodos, las aristas entre ellos, los datos de validez. Solo ese fragmento va al modelo junto con su pregunta.

El grafo en sí permanece donde está. Se encuentra en la base de datos de su instancia, hoy por tanto en los centros de datos de Green en Lupfig. En cuanto el repositorio con nuestras extensiones esté disponible, en el autoalojamiento residirá en su propio servidor. No existe ningún proceso en el que la memoria se transfiera en su conjunto a un proveedor de modelos, se replique allí o se construya allí. Lo que sale de su instancia es siempre solo el fragmento que necesita cada pregunta, y ese es el mismo principio con el que trabaja también la base de conocimiento.

Lo que rige para ese fragmento lo decimos abiertamente, porque es la frase más importante de este apartado. Ningún proveedor de modelos almacena sus entradas de datos ni las usa para entrenamiento. Lo que queda más allá de eso depende del modelo elegido, y también eso lo decimos abiertamente: la detección de abusos de AWS puede retener solicitudes cuando estas pudieran infringir las condiciones de uso de AWS o de los proveedores de los modelos. En los modelos GPT, AWS conserva las solicitudes marcadas y, en Claude Fable 5 y 5.1, todas las solicitudes durante un máximo de 30 días, para examinar los abusos por medios automáticos; las solicitudes marcadas pueden además ser revisadas a mano por AWS. Según indica AWS, esos datos no se transmiten a los proveedores de los modelos. Si está activada la inferencia entre regiones, se encuentran en la región en la que se procesa la solicitud.²⁹ Quien quiera excluir también esos treinta días elige los modelos abiertos de primer nivel que empresas europeas operan en servidores en Europa; allí no rige la CLOUD Act estadounidense.

La respuesta vuelve después con la procedencia de las entradas usadas. Usted ve así no solo lo que Kisuno cree saber sobre su trabajo, sino también de qué conversación o documento procede ese conocimiento. Es la misma idea que la referencia de origen en una respuesta de la base de conocimiento, y por el mismo motivo: una afirmación sin procedencia comprobable no sirve en una empresa.

Consultar, rectificar, borrar

Una memoria que no se puede abrir no es una memoria, sino una incógnita dentro del proceso. Por eso cada entrada es direccionable, y eso no es un detalle secundario de la interfaz, sino una propiedad de la forma de construcción: como el conocimiento existe en forma de nodos y aristas y no como texto corrido, hay siquiera algo a lo que señalar.

De ahí se siguen cuatro cosas que cuentan en el día a día. Primero, el fondo se puede consultar, nodo por nodo, con procedencia y fecha. Segundo, una afirmación incorrecta se puede rectificar, y la incorrecta no desaparece sin dejar rastro, sino que queda fechada como sustituida; quien necesite saber por qué una respuesta anterior fue distinta encuentra el motivo. Tercero, una entrada suelta se puede borrar, y con ella se van las aristas unidas a ella. Cuarto, todo el fondo reside en su instancia, se respalda con ella y se borra con ella, y cada acceso consta en el registro de auditoría.

Para las empresas de Europa, esto tiene un lado práctico que va más allá de la comodidad. Quien solicita acceso según el artículo 15 del Reglamento General de Protección de Datos o la supresión según el artículo 17 lo solicita sobre un objeto determinado, y ese objeto tiene que poder encontrarse. En una memoria compuesta de texto corrido, eso es una tarea de búsqueda de resultado incierto. En un grafo es un nodo con un identificador y las aristas unidas a él. Eso vale dentro de un Brain. A través de varios Brains no hay ninguna búsqueda, porque el acceso lo tiene solo la propia persona; lo que eso significa para una solicitud figura más abajo, en los límites. Con todo ello la obligación no queda cumplida; solo así se vuelve cumplible. Esta diferencia la consideramos la verdadera ganancia de la forma de construcción, y es el motivo por el que la hemos elegido.

Y quien no quiera tener nada guardado desactiva la función para sí. No es un componente sin el cual la plataforma no funcione, sino una posibilidad por la que uno se decide.

Límites: lo que una memoria no consigue

El primer límite es al mismo tiempo la frase más importante de este artículo. Una memoria no vuelve más listo a ningún modelo. Vuelve más precisa la pregunta. Lo que vuelve sigue siendo texto generado por un modelo de lenguaje, y ese texto suena plausible incluso cuando la base está torcida. Quien se fía de una respuesta sin abrir la procedencia indicada no ha ganado nada salvo velocidad.

El segundo límite es más incómodo, porque crece con el tiempo. Una memoria recuerda también lo que es falso. Si una frase errónea se convierte una vez en nodo, vuelve a aparecer en las respuestas y allí resulta más creíble que la primera vez, porque ahora procede del fondo propio. El reconocimiento automático se equivoca además, según nuestra experiencia, de forma previsible: confunde un comentario de pasada con una regla vinculante. Justamente por eso está incorporada la propuesta antes de la entrada, y la procedencia en cada entrada, y justamente por eso el mantenimiento sigue siendo una tarea de personas.

El tercer límite es una delimitación. El Brain no sustituye ni su base de conocimiento ni su ERP. Recuerda qué rige y qué está relacionado con qué, no cada documento ni ningún asiento contable. La documentación permanece en la base de conocimiento, los datos maestros permanecen en el sistema especializado, y la conexión hacia allí pasa por nuestra pasarela para conexiones de herramientas, con la misma gestión de permisos que en todo lo demás. Lo que ahí es posible figura en Integraciones. Una memoria que intente sustituir todo eso se convierte en una segunda base de datos peor mantenida.

El cuarto límite afecta a los datos personales. En un Brain entra lo que es necesario para el trabajo propio, y no lo que se acumula de paso sobre las personas. Quien deposite en él datos sobre las personas empleadas necesita para ello una finalidad, una base jurídica y, según el país y el tamaño de la empresa, la participación de la representación de los trabajadores. Esa comprobación no se la ahorramos a nadie, y este artículo no sustituye el asesoramiento jurídico.

El quinto límite es la sucesión. El Brain es personal y se va con la persona: si se borra el acceso, el Brain se borra con él. Quien deja la empresa no se lleva nada, pero tampoco deja nada con lo que pueda trabajar quien le suceda. Esa persona empieza con un Brain vacío. Que la experiencia se pierda con las salidas no lo resuelve, pues, esta forma de construcción, y no lo afirmamos. Cuánto pesa eso lo dicen las cifras de más arriba sobre puestos vacantes¹⁰ y sobre la necesidad de reposición en Europa.¹¹ Lo que sí resuelve esta forma de construcción es la pregunta de dónde reside hasta entonces lo recogido.

El sexto límite es la otra cara de que cada Brain sea personal: el acceso lo tiene solo la propia persona. Ninguna administración ni nadie más en la empresa mira dentro. Por eso tampoco hay ninguna búsqueda a través de todos los Brains ni un borrado central de datos sueltos. Para una solicitud de acceso o de supresión, eso significa que el camino pasa por la persona que lleva el Brain; es una tarea organizativa y no técnica. Sin ella queda lo más basto: un Brain se puede borrar entero, de todos modos desaparece con el acceso, y la función se puede desactivar para cada acceso. Esta situación no es nueva. Un buzón personal, un cuaderno de notas o una carpeta en el aparato de trabajo tampoco son accesibles para una solicitud de acceso más que a través de la persona que trabaja con ellos, y las empresas lo resuelven desde siempre por la vía organizativa: fijar antes la finalidad, regular por escrito el alcance y desactivar allí donde eso no baste. Si eso basta para su caso lo decide su empresa como responsable del tratamiento, y este artículo no sustituye el asesoramiento jurídico.

El séptimo límite afecta al autoalojamiento. La memoria forma parte del conjunto completo de funciones y, en el autoalojamiento, reside por entero en su servidor. La base LibreChat está bajo licencia MIT; el repositorio con nuestras extensiones llegará próximamente. Hasta entonces, el servicio gestionado es la vía por la que la función está disponible, y preferimos decirlo a dejarlo abierto.

El octavo límite es el grafo en sí. No es un remedio milagroso. Su ventaja está acreditada para determinados tipos de pregunta: para preguntas dirigidas a un fondo completo, para preguntas que recorren varios pasos y para preguntas sobre cambios a lo largo del tiempo. Para preguntas sencillas sobre un solo dato no es demostrablemente mejor que una búsqueda por similitud corriente. Un estudio de otro proveedor mide para la variante con grafo, frente a la variante sin grafo, una puntuación global mejor en torno a un dos por ciento; de ahí se sigue que la mayor parte de la mejora no procede de la forma de grafo, sino de que se lleve una memoria en absoluto.³⁰ Mencionamos esta cifra porque habla en nuestra contra. Nuestro motivo para el grafo es de todos modos otro: la validez y la procedencia en cada entrada y el borrado de entradas sueltas junto con sus conexiones no caben en una lista.

Preguntas frecuentes sobre la memoria de Kisuno

Fuentes

Todas las citas, cifras y datos de este artículo proceden de las fuentes siguientes, comprobadas por última vez en septiembre de 2026. Cuando una publicación procede del proveedor del producto descrito, lo indicamos; las contribuciones de foros están marcadas como voces individuales y no como estudio.

1. Microsoft, Gestionar la personalización y la memoria de Copilot, Microsoft Learn, versión de 2 de septiembre de 2026; allí la función está marcada como versión preliminar. Literalmente se dice que los recuerdos se encuentran «in the user’s Exchange mailbox in a hidden folder», que las políticas de conservación de Purview no rigen para la memoria de Copilot y «There are no admin controls to enforce retention rules specifically for Copilot memory», además «Deleting a chat doesn’t delete saved memories that were generated from that chat», «Memory and personalization actions don’t generate audit log entries in Purview» y, a la pregunta sobre una limitación de contenido, «No, admins can’t restrict what type of information is added to Copilot memory»; al mismo tiempo allí se describe que los datos de la memoria se pueden buscar, exportar y borrar mediante eDiscovery y el Microsoft Graph Explorer: learn.microsoft.com
2. Anthropic, Use Claude’s chat search and memory to build on previous context, Claude Help Center, consultado el 14 de septiembre de 2026: «Owners can’t view or edit a user’s individual memories», «Each project has its own separate memory space and dedicated project summary» y «All memory is retained and exportable by admins in accordance with your organization’s chat data retention policies»: support.claude.com
3. OpenAI Developer Community, solicitud de función «Memory Summary should not replace Saved Memories», abierta el 13 de junio de 2026, con más intervenciones y una respuesta del soporte de OpenAI hasta el 17 de junio de 2026. Se trata de voces de usuarios en un foro abierto y no de un estudio: community.openai.com
4. Simon Willison, I really don’t like ChatGPT’s new memory dossier, 21 de mayo de 2025: «The new memory feature removes that control completely» y «There’s now an enormously complex set of extra conditions that can invisibly affect the output of the models». Opinión individual de un desarrollador, aquí como prueba del tipo de crítica y no de su frecuencia: simonwillison.net
5. Comité Europeo de Protección de Datos, Report of the work undertaken by the ChatGPT Taskforce, versión 1.0, adoptado el 23 de mayo de 2024, apartado 34: «OpenAI suggests users to shift from rectification to erasure when rectification is not feasible due to the technical complexity of ChatGPT»: edpb.europa.eu
6. Anthropic, Claude’s memory works everywhere, and you decide what’s in it, 25 de agosto de 2026: «Memory is on by default on Free, Pro and Max plans across web, desktop, and mobile», para Team y Enterprise «memory is off for individual users until they turn it on» y «admins control availability for their organization»; las entradas figuran en una lista en la que se pueden leer, editar y borrar: claude.com
7. The Hacker News, ChatGPT macOS Flaw Could’ve Enabled Long-Term Spyware via Memory Function, septiembre de 2024, sobre el trabajo SpAIware del investigador de seguridad Johann Rehberger: thehackernews.com
8. The Hacker News, New MemGhost Attack Plants Persistent False Memories in AI Agents Through One Email, julio de 2026, sobre el trabajo «When Claws Remember but Do Not Tell» del 6 de julio de 2026: thehackernews.com
9. AXA Schweiz, KMU Arbeitsmarktstudie 2025: Künstliche Intelligenz, comunicado de prensa de 8 de octubre de 2025, realizado por el instituto de investigación Sotomo, encuesta a 300 pymes de la Suiza de habla alemana y francesa, trabajo de campo del 3 al 10 de marzo de 2025. La proporción de pymes que integran conscientemente la IA en sus procesos de trabajo subió del 22 % al 34 %, los campos de aplicación más frecuentes son las traducciones, con un 52 %, y la correspondencia, con un 47 %; sobre la regulación de protección de datos se dice literalmente «Lediglich ein Drittel der Unternehmen, die KI einsetzen, verfügt über eine klare Datenschutzregelung im Umgang mit KI-gestützten Anwendungen», y en las empresas de cinco a nueve personas empleadas «nur gerade 23 Prozent». El portal para pymes de la Secretaría de Estado de Economía recoge el mismo hallazgo con un 34 % y referido a todas las pymes encuestadas; nosotros citamos la población más estrecha de la entidad que publicó el estudio. La Suiza de habla italiana no está incluida: axa.ch; kmu.admin.ch
10. Oficina Federal de Estadística, Leichte Zunahme der Beschäftigung im 4. Quartal 2025, comunicado de 26 de febrero de 2026, estadística del empleo BESTA: el 36,2 % de las empresas comunica dificultades de contratación y se contabilizan 86.000 puestos vacantes: admin.ch
11. Cedefop, Labour and Skills Shortage Index, 16 de diciembre de 2024, proyección hasta 2035. Allí se atribuye la necesidad de reemplazo expresamente a jubilaciones y cambios de profesión: «Supply focuses on replacement needs, driven by retirements, career changes». En ese punto la fuente no indica ninguna cifra porcentual concreta: cedefop.europa.eu
12. KPMG International y University of Melbourne, Trust, attitudes and use of artificial intelligence: A global study 2025, mayo de 2025, 48.340 personas encuestadas en 47 países, trabajo de campo de noviembre de 2024 a mediados de enero de 2025; el 67 % de las personas encuestadas estaba ocupado. Literalmente: «Two in three report relying on AI output without evaluating the information it provides»; en otro pasaje el informe cifra expresamente ese mismo valor como «two thirds (66%) of employees». Sobre la introducción de datos de empresa menciona la subida de información empresarial sensible, como datos financieros, de ventas o de clientes, a herramientas de IA públicas: kpmg.com
13. Eurostat, 20% of EU enterprises use AI technologies, comunicado de 11 de diciembre de 2025, así como Use of artificial intelligence in enterprises, Statistics Explained, año de encuesta 2025, todas las empresas con diez o más personas empleadas, conjunto de datos isoc_eb_ai. Las clases de tamaño son pequeña de 10 a 49, mediana de 50 a 249 y grande a partir de 250 personas empleadas; Eurostat indica los decimales de forma desigual y nosotros los reproducimos sin cambios. Suiza no está incluida en esta serie: ec.europa.eu; ec.europa.eu
14. Eurostat, Use of artificial intelligence in enterprises, Statistics Explained, datos sobre obstáculos del año de encuesta 2025, literalmente «In 2025, among EU enterprises who had ever considered using AI technologies, the most common reason for not using AI technologies was the lack of relevant expertise (70.89%)». La población abarca expresamente solo a aquellas empresas que consideraron el uso de la IA y lo descartaron, no a todas las empresas: ec.europa.eu
15. Encargado Federal de Protección de Datos y Transparencia, KI und Datenschutz, publicación de 24 de septiembre de 2025, según la cual la Ley suiza de protección de datos es directamente aplicable a los tratamientos de datos asistidos por IA: edoeb.admin.ch
16. Ley federal de protección de datos, artículo 25, que regula el derecho de acceso, y artículo 32, que en su apartado 1 regula el derecho a la rectificación, texto en la Recopilación Sistemática del Derecho Federal: fedlex.admin.ch
17. Reglamento (UE) 2016/679 (Reglamento General de Protección de Datos), artículo 15 (derecho de acceso) y artículo 17 (derecho de supresión), texto en el Diario Oficial: eur-lex.europa.eu
18. Anthropic, Context windows, Claude Developer Platform, consultado el 14 de septiembre de 2026. Allí la ventana de contexto se describe como «a working memory for the model»; sobre la longitud se dice «As token count grows, accuracy and recall degrade, a phenomenon known as context rot» y «more context isn’t automatically better», y que la selección del contenido es tan importante como el espacio disponible: platform.claude.com
19. Nelson F. Liu y otros, Lost in the Middle: How Language Models Use Long Contexts, presentado el 6 de julio de 2023, publicado en Transactions of the Association for Computational Linguistics 2024. El rendimiento sería máximo cuando la información pertinente está al principio o al final, y baja claramente cuando el modelo tiene que acceder a información situada en el medio, «even for explicitly long-context models»; estudiado en la respuesta a preguntas sobre varios documentos y en consultas de clave y valor: arxiv.org
20. Kuldeep Singh, Anson Bastos e Isaiah Onando Mulang', Position: Avoid Overstretching LLMs for every Enterprise Task, presentado el 10 de mayo de 2026. Se trata de un documento de posición con argumentación teórica y sin medición empírica; lo citamos como argumento y no como prueba con cifra: arxiv.org
21. Microsoft Research, GraphRAG: Unlocking LLM discovery on narrative private data, 13 de febrero de 2024: «Baseline RAG struggles to connect the dots», porque unir datos dispersos presupondría seguirlos a través de rasgos comunes, y «Baseline RAG performs poorly when being asked to holistically understand summarized semantic concepts». Se trata de una declaración del fabricante, respaldada por el trabajo de la nota siguiente: microsoft.com
22. Darren Edge y otros, From Local to Global: A Graph RAG Approach to Query-Focused Summarization, presentado el 24 de abril de 2024, revisado el 19 de febrero de 2025. Están acreditadas mejoras en la exhaustividad y la variedad de las respuestas a preguntas dirigidas a un conjunto completo de textos, no una tasa de aciertos; el trabajo no indica ninguna cifra porcentual sobre la corrección: arxiv.org
23. Bernal Jiménez Gutiérrez y otros, HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models, presentado el 23 de mayo de 2024, revisado el 14 de enero de 2025, publicado en NeurIPS 2024. En preguntas de varios pasos, el procedimiento supera el estado de la técnica «by up to 20%»; el trabajo no procede de un proveedor de un producto de memoria: arxiv.org
24. Di Wu y otros, LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory, presentado el 14 de octubre de 2024, revisado el 4 de marzo de 2025, publicado en ICLR 2025. Se examinan, entre otras cosas, el razonamiento temporal y la actualización del conocimiento; se mide una caída del 30 por ciento en la retención de datos a lo largo de interacciones más largas: arxiv.org
25. Lukas Proprentner, vault-graph, código fuente bajo licencia MIT, consultado el 14 de septiembre de 2026, así como la entrada en el directorio de extensiones de Obsidian. El diseño es expresamente «deterministic, not force-directed», por lo que «the same vault always draws the same picture», y el análisis se realiza en local: «Nothing leaves your machine»: github.com; community.obsidian.md
26. Graphify Labs, graphify, código fuente en GitHub, consultado el 14 de septiembre de 2026. El proyecto genera a partir de un fondo mixto un grafo de conocimiento consultable y marca cada arista según si la relación constaba en el material o se dedujo: «Every edge is tagged EXTRACTED, INFERRED, or AMBIGUOUS»: github.com
27. Preston Rasmussen y otros, Zep: A Temporal Knowledge Graph Architecture for Agent Memory, 20 de enero de 2025. El trabajo describe cuatro marcas de tiempo por afirmación, separadas según la validez en el mundo y el conocimiento del sistema, y resuelve las contradicciones invalidando la arista más antigua en lugar de sobrescribirla. Se trata de la publicación del proveedor sobre su propio producto: arxiv.org
28. Zep AI, graphiti, código fuente, consultado el 14 de septiembre de 2026: «each fact in a context graph has a validity window: when it became true, and when (if ever) it was superseded» así como «When information changes, old facts are invalidated», expresamente no borrados; se puede consultar tanto el estado actual como cualquier momento anterior, «Query what’s true now, or what was true at any point in time»: github.com
29. Amazon Web Services, Abuse detection, guía del usuario de Amazon Bedrock, consultado el 14 de septiembre de 2026. Allí se describe que, por regla general, Amazon Bedrock no almacena ni entradas ni salidas, que en los modelos GPT mencionados «classifier-flagged traffic will be retained for up to 30 days» y en Anthropic Claude Fable 5 y 5.1 «all traffic will be retained for up to 30 days», que las solicitudes marcadas están «subject to potential human review performed by AWS», que los datos conservados están «stored and processed by AWS and are not shared with third-party model providers» y que, en caso de inferencia entre regiones, se encuentran en la región en la que se realiza el procesamiento: docs.aws.amazon.com
30. Prateek Chhikara y otros, Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory, 28 de abril de 2025, medido con el conjunto de datos LOCOMO. Allí la variante con grafo alcanza «around 2% higher overall score than the base configuration»; la mayor parte de la mejora procede, por tanto, de la arquitectura de memoria y no de la forma de grafo. También esta es una publicación del proveedor sobre su propio producto: arxiv.org