Yo ya había dicho que los nuevos artículos se publicarían antes del nuevo diseño visual del sitio, el rediseño.
Después de una conversación larga, llena de artículos, imágenes, versiones de código, validaciones y cambios de prioridad, pedí que los textos se prepararan para evaluación antes de publicar.
En este proyecto, esa evaluación ocurre sobre una versión candidata separada del sitio publicado. Técnicamente, se presenta mediante un Pull Request (PR): una propuesta de cambio que puede leerse, probarse y comentarse antes de salir al aire.
La IA encontró una asociación técnicamente razonable: los archivos se habían preparado en la estructura esperada por el rediseño. Entonces puso todo en la misma evaluación del rediseño.
Solo había un problema.
Yo ya había decidido lo contrario.
TL;DR
Las conversaciones largas con IA necesitan compactarse, resumirse o reconstruirse para seguir cabiendo en el contexto disponible. Eso es útil, pero un resumen no debe convertirse en la fuente de verdad de una operación. En esta sesión sobrevivió la relación técnica entre los archivos y el rediseño; la precedencia editorial —publicar antes los artículos— no. La respuesta no es simplemente aportar más texto. Es convertir las decisiones importantes en estado duradero: contratos en
AGENTS.md, plan, lista de verificación, versión candidata, criterios de aceptación y un orden explícito de ejecución. La conversación sirve para pensar. El sistema debe saber qué no puede olvidar.
“Olvidó” es una forma de hablar
No estoy diciendo que la máquina se distrajo, se cansó o perdió un recuerdo humano.
Un modelo recibe un conjunto limitado de información para producir la siguiente respuesta. Ese espacio se llama ventana de contexto: la cantidad de contenido que puede participar en esa ejecución.
Cuando la conversación crece demasiado, el sistema necesita administrar el volumen. Puede seleccionar partes, recuperar registros o compactar el historial.
La documentación oficial de OpenAI sobre compactación describe un mecanismo de la Responses API que reduce el volumen de texto procesado —medido en unidades llamadas tokens— mientras preserva información considerada relevante para continuar flujos largos.
La propia documentación usa la expresión loss-aware compression: una compresión consciente de posibles pérdidas, no una promesa de reproducir literalmente cada frase.
No afirmo que la aplicación usada en esta sesión ejecutara exactamente ese endpoint. La referencia sustenta el mecanismo general y una implementación oficial posible. El error concreto de esta historia puede observarse sin esa extrapolación: di una dirección, no gobernó la decisión posterior y tuve que corregirla.
Compactar no es el problema
Sin alguna forma de compactación, una sesión como esta terminaría mucho antes.
Traje dirección editorial, fuentes, identidad visual, infraestructura, Cloudflare, comentarios, analítica, contenido multilingüe, audio, SEO, artículos nuevos y correcciones en textos antiguos.
Eso no es un prompt.
Es una operación.
Sería ingenuo esperar que cada frase conservara para siempre el mismo peso dentro de una conversación creciente.
La compactación permite continuar. El problema empieza cuando el sistema trata la representación compactada como si fuera el registro canónico de todo lo decidido.
Un resumen es un mapa.
Un buen mapa ayuda a atravesar el territorio. Aun así, elige qué mostrar.
En esta sesión, el mapa preservó que:
- existían tres artículos nuevos;
- cada uno tenía tres variantes de idioma;
- los archivos se habían creado en una versión de trabajo separada —la rama o branch— del rediseño;
- el usuario quería los textos en evaluación antes de publicarlos.
Pero debilitó una relación más importante:
- los artículos debían publicarse antes del rediseño y, por lo tanto, no podían depender de él.
La información no desapareció por completo. Perdió precedencia.
En una operación, eso ya basta para producir una decisión equivocada.
Más contexto no sustituye a la gobernanza
Existe la tentación de resolver cualquier fallo de IA añadiendo todavía más contexto.
A veces ayuda.
Pero el contexto sin jerarquía también puede crear una masa mayor de hechos, deseos, ejemplos, correcciones y estados históricos compitiendo por la siguiente acción.
El sistema necesita distinguir por lo menos:
- una idea;
- una hipótesis;
- una decisión;
- una orientación sustituida;
- un bloqueo;
- el orden obligatorio de ejecución;
- el archivo o servicio que contiene el estado actual.
Esa diferencia no aparece automáticamente por la cantidad de texto.
Hay que modelarla.
Puedo contar la misma historia diez veces. Si el sistema no sabe que una frase es una decisión vigente y otra es contexto histórico, ganó volumen, no dirección.
La conversación es memoria de trabajo
Me gusta conversar con la IA por el micrófono porque puedo externalizar una línea de razonamiento sin detenerme a convertir cada percepción en un documento.
Esa fluidez es una ventaja enorme.
Pero la conversación funciona mejor como memoria de trabajo: un espacio transitorio para elaborar, probar, corregir y coordinar.
No debería ser el único lugar donde vive una decisión que cambia qué versión del proyecto se modificará, cuándo se publicará algo, seguridad, precio, alcance o responsabilidad.
Cuando algo se vuelve importante para la operación, necesita cambiar de estado.
Puede convertirse en:
- una regla en
AGENTS.md; - un criterio de aceptación en el proceso de evaluación;
- una tarea ordenada en un plan;
- una decisión registrada en el repositorio;
- un campo estructurado en un sistema;
- una aprobación humana verificable;
- un vínculo explícito entre la versión de trabajo, el registro del cambio —el commit— y el entorno donde se probará o publicará.
Es la diferencia entre decir algo durante una reunión y actualizar después el contrato que gobierna el trabajo.
En este sistema, AGENTS.md suele funcionar precisamente como esa puerta de entrada. Antes de actuar, el agente lee el archivo para entender las reglas iniciales y descubrir cómo navegar por el resto del proyecto. Puede señalar las fuentes de verdad, las herramientas disponibles, los flujos de trabajo obligatorios, las validaciones necesarias y las situaciones en las que una decisión debe volver a una persona. No es una memoria mágica. Es un contrato legible que reduce la improvisación y ayuda al agente a encontrar el contexto correcto.
El harness empieza donde termina el chat
Uso harness para describir la estructura que rodea al modelo y transforma una capacidad general en una operación dirigida.
El modelo es una parte.
El harness incluye instrucciones, herramientas, memoria, permisos, procedimientos reutilizables —las skills—, agentes especializados, validaciones, registros, puntos obligatorios de verificación y caminos de aprobación.
Una decisión crítica no puede depender solo de “que la IA recuerde”.
El harness necesita una forma de:
- capturar la decisión;
- identificar que está vigente;
- relacionarla con el trabajo que afecta;
- detectar cuándo una acción la contradice;
- devolver la divergencia al autor antes de ejecutar.
En esta sesión, una regla sencilla habría evitado el error:
Los nuevos artículos se publicarán antes del rediseño. Su evaluación debe partir de
main, la versión principal del sitio, y no puede depender de la evaluación del nuevo layout.
Cuando esa regla existe en un lugar duradero y se relee antes de la operación Git, deja de competir como una frase más del historial.
No basta con tener memoria sin fuente de verdad
También existe una carrera para dar “memoria infinita” a los agentes.
La memoria ayuda, pero acumular registros no decide por sí solo cuál gobierna el presente.
Un sistema puede recordar perfectamente cinco versiones incompatibles de una decisión.
Si no sabe cuál está vigente, simplemente se equivoca con excelente documentación.
Por eso me preocupa la fuente de verdad: el lugar reconocido como autoridad para un tipo de estado.
En desarrollo de software, el control de versiones registra cambios y relaciona contenido con commits y ramas. En un proceso empresarial, la fuente de verdad puede ser un ERP, CRM, contrato, base de datos o aprobación formal.
El formato cambia. La pregunta permanece:
Cuando dos recuerdos discrepan, ¿quién decide cuál vale?
El error también fue mío, como diseñador del sistema
Sería cómodo escribir este texto diciendo solamente que la IA falló.
Falló.
Pero estoy construyendo precisamente un sistema que debería soportar una conversación de este tamaño sin obligarme a repetir cada decisión importante.
Si la dirección era crítica y siguió existiendo solo como una frase antigua, el harness todavía tenía una laguna.
Eso no transfiere la dirección a la máquina. La dirección sigue siendo mía.
Significa que el sistema debe convertir mi dirección en algo ejecutable y verificable incluso cuando el contexto cambia, la conversación se compacta u otro agente asume una etapa.
Un buen sistema no exige que el usuario se comporte como una máquina para compensar la memoria transitoria de la máquina.
Convierte el lenguaje natural en contratos en el momento correcto.
Un protocolo sencillo para sesiones largas
Después de esta experiencia, reforzaría siete prácticas:
- Registrar decisiones materiales. Si cambia orden, alcance, publicación o responsabilidad, sale del chat y entra en estado duradero.
- Marcar sustituciones. La nueva decisión debe declarar qué orientación anterior dejó de valer.
- Mantener un estado actual corto. Versión actual, versión candidata, base, próximos pasos y bloqueos deben caber en una lectura rápida.
- Releer contratos después de compactar. El resumen ayuda a continuar; los archivos canónicos restauran la precisión.
- Validar la topología antes de actuar. Antes de enviar el trabajo a evaluación, confirmar base, dependencias y orden de publicación.
- Devolver contradicciones al autor. Si la acción probable choca con una decisión registrada, preguntar antes de ejecutar.
- Aprender del error. Corregir la entrega y también el mecanismo que permitió la divergencia.
Esto importa para un blog.
Importa todavía más cuando un agente maneja presupuestos, clientes, inventario, contratos, infraestructura o datos personales.
Así es como una conversación se convierte en operación
En i-9.ai, el valor no está en entregar una ventana de chat con un prompt más grande.
Está en convertir requisitos, decisiones, excepciones y responsabilidades en un sistema que sigue siendo coherente después de la reunión.
El cliente no debería tener que volver a enseñarle a la IA, cada mañana, cómo funciona la empresa.
Tampoco debería creer que una memoria voluminosa sustituye procesos, permisos y fuentes de verdad.
El objetivo es construir un cerebro operativo en sentido figurado: una estructura capaz de recibir lenguaje humano, preservar dirección y coordinar ejecución sin fingir conciencia ni autonomía irrestricta.
Eso fue exactamente lo que mostró este fallo.
La IA no necesita recordarlo todo.
El sistema debe saber qué no puede olvidar.
Y la dirección sigue siendo del autor.
Si esta preocupación se parece a un problema que tu empresa ya vive —decisiones dispersas entre reuniones, mensajes y cabezas—, puedes ponerte en contacto.
Sigue leyendo
- Escribir con IA no me hizo menos autor
- Si crees que la IA es solo un chatbot
- Los agentes genéricos pueden ser el peor primer contacto de tu empresa con la IA
Para profundizar
- Compactación de contexto en la documentación oficial de OpenAI: mecanismo para reducir el volumen de una conversación larga y continuar el flujo.
- Control de versiones: introducción al registro de cambios, versiones y estados recuperables.
- Fuente única de verdad (en inglés): contexto enciclopédico sobre mantener una fuente autoritativa para cada elemento de información.
Referencias y límites de uso
- OpenAI, “Model guidance—Compaction”: describe la compactación de la Responses API para flujos largos y recomienda monitorear el uso del contexto. No documenta esta sesión específica ni prueba qué detalle preservará toda compactación.
La descripción del error, de la prioridad perdida y de la corrección del flujo de publicación procede de esta sesión. La relación entre memoria de trabajo, fuentes de verdad y harnesses es una síntesis autoral de ingeniería, no un experimento controlado sobre el comportamiento de los modelos.
La portada es una ilustración editorial sintética sobre la diferencia entre contexto compactado y decisión preservada.
Conversación abierta
Continúa la conversación
¿No estás de acuerdo, encontraste una laguna o tienes una experiencia que amplía el tema? Comenta con tu cuenta de GitHub. No publiques datos personales, credenciales ni información sensible.