Memoria Cognitiva en IA: Cómo los Agentes Aprenden
El problema: un agente que no recuerda
La mayoría de chatbots empresariales son amnesicos: cada conversación empieza de cero. Eso está bien para un FAQ. Está mal para ventas consultivas, soporte técnico o cualquier proceso donde el contexto histórico cambia la respuesta.
Memoria cognitiva es la capacidad de un agente de almacenar, recuperar y usar información a lo largo del tiempo — de forma estructurada, no solo concatenando el chat.
Lo que demostró la investigación
Park et al. (2023), de Stanford y Google Research, crearon Generative Agents: simulaciones de personas que recuerdan experiencias, las sintetizan en reflexiones y planean comportamiento coherente a largo plazo.
Park, J.S., et al. (2023). "Generative Agents: Interactive Simulacra of Human Behavior." arXiv:2304.03442. https://arxiv.org/abs/2304.03442
La arquitectura clave no es "más tokens": es un flujo de memoria:
- Registro (memory stream): cada observación se guarda con marca de tiempo.
- Recuperación: se buscan recuerdos por relevancia, recencia e importancia.
- Reflexión: se sintetizan patrones de alto nivel ("este cliente prefiere precios cerrados").
- Planificación: las reflexiones alimentan la siguiente acción.
Memoria en producto: SomaBrain y SomaFractalMemory
En SomaTech LAT este patrón se implementa como infraestructura reutilizable:
| Componente | Función | Producto |
|---|---|---|
| Memoria de trabajo | Contexto de la sesión actual | SomaAgent01 |
| Memoria episódica | Eventos y conversaciones pasadas | SomaFractalMemory |
| Memoria semántica | Hechos y preferencias consolidados | SomaBrain |
| Recuperación hiperdimensional | Búsqueda de alto rendimiento (8,192 dimensiones) | SomaBrain |
Detalle de producto: SomaBrain · SomaFractalMemory
Por qué importa en una empresa
- Ventas: el agente recuerda objeciones y preferencias del cliente entre semanas.
- Soporte: no vuelve a preguntar datos que ya dio el usuario.
- Operaciones: procedimientos aprendidos se reutilizan sin re-entrenar el modelo.
- Cumplimiento: la memoria puede estar on-premise, con retención controlada (LOPDP).
Qué medir en un piloto
- Precisión en preguntas que requieren contexto histórico
- Reducción de re-preguntas al usuario
- Tiempo de resolución vs. agente sin memoria
- Calidad de las "reflexiones" generadas (revisión humana)
Referencias
- Park, J.S., et al. (2023). Generative Agents. arXiv:2304.03442.
- Wu, Q., et al. (2023). AutoGen. arXiv:2308.08155.