Quiero que mi harness — el sistema de contexto, contratos, memoria, herramientas, validación y límites alrededor de un modelo, el componente que transforma entradas en salidas — aprenda.

Quiero que detecte cuándo una orientación aparece de nuevo, cuándo una laguna sigue costando tiempo, cuándo un contrato ya no explica lo que está sucediendo y cuándo una decisión registrada deja de llegar a quien la necesita.

Solo no quiero que confunda eso con permiso para alterar la historia mientras nadie mira.

Porque el aprendizaje continuo sin origen, confirmación ni rastro es el teléfono descompuesto con acceso de escritura — permiso para modificar archivos o datos guardados.

Una frase comienza como observación. Otro agente — sistema que elige pasos y usa herramientas dentro de límites definidos — la resume. Un tercero reutiliza el resumen. De pronto, algo que quizá era una impresión de una tarde gobierna una regla, una respuesta, un flujo o una prioridad. No porque alguien lo decidió. Porque nadie se detuvo a preguntar.

TL;DR

Mi harness puede detectar repeticiones, lagunas y contradicciones. Pero una señal no se convierte sola en memoria vigente, y la memoria no se convierte sola en regla. El flujo que busco construir es: observación → hipótesis registrada → consumidores afectados — archivos, reglas y otros artefactos que dependen de esa conclusión — → propuesta de cambio → confirmación o rechazo del autor → actualización rastreable → validación y rollback — deshacer un cambio y recuperar un estado anterior si sale mal. Las skills — procedimientos reutilizables con entradas, límites y verificaciones —, la wiki — conocimiento trabajado, conectado y revisable —, la memoria, los contratos y Git — sistema de control de versiones que registra y compara cambios — pueden evolucionar juntos sin que el sistema reescriba el pasado en silencio. Aprender no es recibir autonomía sin límite. Es mejorar al mostrarme qué merece una decisión.

El teléfono descompuesto no mejora porque obtuvo almacenamiento

El teléfono descompuesto es gracioso porque la frase que llega al final está tan deformada que nadie sabe dónde empezó la transformación.

En una operación asistida por inteligencia artificial (IA) puede ser menos gracioso. La frase deformada puede llegar con tono técnico, enlaces, una lista de verificación y la seguridad de quien acaba de descubrir una verdad antigua.

El peligro no es resumir. Los resúmenes permiten continuar una conversación, cambiar de agente y no reabrir cada archivo del proyecto todo el tiempo. El peligro es perder la etiqueta de lo que fue resumido.

Eso fue justamente lo que ocurrió cuando la IA olvidó lo que yo ya había decidido. El contexto compactado puede ser útil. Aun así, no decide qué orientación sigue vigente.

El aprendizaje continuo añade otra capa: el sistema empieza a buscar patrones en lo que ocurrió. Si no distingue una observación de una decisión, trata la repetición como autorización.

Y la repetición es una evidencia débil para muchas cosas.

Una preferencia puede haber sido circunstancial. Una excepción puede haberse convertido en ejemplo. Una frase usada para probar un escenario puede haberse guardado como regla. El comportamiento de un agente puede repetirse justamente porque un contrato antiguo lo empuja a repetir.

El sistema no tiene que olvidar esas señales. Tiene que saber que siguen siendo señales.

Cinco cosas que parecen iguales hasta que causan un problema

Separo al menos cinco objetos. La diferencia parece burocrática hasta el día en que una corrección necesita llegar a todo lo que fue afectado.

Objeto	Qué es	Qué no puede hacer por sí solo
Memoria	Continuidad útil sobre lo que ocurrió y dónde se detuvo el trabajo	Definir una regla vigente
Hecho	Algo confirmado por una fuente, prueba o declaración del responsable	Afirmar más de lo que permite su evidencia
Hipótesis	Una lectura plausible que aún necesita veredicto	Volverse verdadera por repetición
Decisión	Dirección adoptada por quien responde por las consecuencias	Volverse ley eterna sin revisión
Regla vigente	Instrucción aplicable a un contexto y fuente canónica	Ocultar origen, alcance, excepciones o fecha de revisión

Esta es una versión más operativa de lo que escribí en Una hipótesis no se vuelve un hecho porque la IA la repitió. Ese texto trata de la promoción indebida de una hipótesis. Este pregunta otra cosa: ¿cómo puede un sistema aprender de lo que observa sin hacer esa promoción a escondidas?

La memoria puede decir que una conversación terminó con una duda recurrente. Bien: esa es una pista para investigar.

No puede concluir sola que la duda se convirtió en política.

Aprender es proponer un cambio delimitado

Cuando el harness detecta una repetición o una laguna, no quiero que empiece a editar lo que encuentre. Quiero que prepare una propuesta revisable.

El ciclo mínimo es este:

1. Señal observada. Una decisión se repitió, un agente tuvo que hacer la misma pregunta, una validación falló o una laguna reapareció.
2. Hipótesis registrada. El sistema declara lo que cree que sucede y muestra origen, evidencia favorable, evidencia contraria y confianza proporcional.
3. Consumidores mapeados. Identifica qué skills, páginas de wiki, memorias, contratos, flujos o agentes pueden verse afectados.
4. Propuesta. En vez de editar todo, sugiere el cambio más pequeño capaz de reducir repetición o ambigüedad.
5. Confirmación o rechazo. Acepto, corrijo, limito el alcance o rechazo la hipótesis.
6. Actualización rastreable. El cambio llega al dueño correcto, vinculado a la decisión y a los consumidores revisados.
7. Validación y rollback. El sistema comprueba si la regla funcionó y mantiene una forma clara de deshacerla si la realidad responde distinto.

Lo importante es el cuarto paso.

No es “el harness aprendió y se actualizó solo”. Es “el harness encontró algo que puede justificar una actualización y lo preparó para revisión”. Menos mágico porque es menos mágico. También bastante más confiable.

Una hipótesis rechazada debe seguir siendo visible

Una hipótesis rechazada no debería evaporarse como si nunca hubiera existido.

Debe conservar, al menos, de dónde vino, qué sugería, quién podía verse afectado y por qué fue rechazada. No para ganar la discusión después, sino para impedir que otro agente redescubra lo mismo con menos contexto y lo presente como novedad.

Aquí ayuda una wiki. No como memoria infinita, sino como lugar para conocimiento trabajado: hipótesis, decisiones, síntesis y relaciones entre ellas.

En mi caso, la wiki no reemplaza el contrato que gobierna un archivo o un flujo. Conserva el camino que explica por qué existe ese contrato, qué alternativas se descartaron y en qué condición debe revisarse.

Tampoco reemplaza la memoria. La memoria es continuidad de trabajo. La wiki es conocimiento que merece ser encontrado y reconsiderado. Mezclarlas es una buena forma de crear un cajón enorme donde nada se descarta y nada tiene precedencia.

Cada pieza aprende de una manera, y tiene un límite

Una skill es un procedimiento reutilizable. Puede aprender que una etapa siempre necesita la misma verificación y proponer que esa verificación sea parte de su flujo.

Un contrato como AGENTS.md puede aprender que los agentes se están perdiendo en una zona del proyecto y apuntar mejor a la fuente de verdad. Pero debe seguir siendo una puerta de entrada legible, no un basurero de cada detalle que ya ocurrió.

La memoria puede aprender que un asunto es recurrente y sugerir dónde encontrar la decisión actual. No debería transportar a otra tarea datos sensibles, hipótesis vencidas o una preferencia que pertenece a un contexto específico.

Una wiki puede conectar hipótesis, evidencia, decisión y consumidores. No debería convertirse en un tribunal automático que bloquee un cambio legítimo porque una página antigua dice lo contrario.

Y Git puede mostrar qué cambió, comparar versiones y recuperar un estado anterior. No prueba que la versión nueva sea verdadera. El historial de versiones es rastro; la validación aún necesita fuente, prueba y responsable.

Esa separación es lo que impide que una arquitectura de aprendizaje se convierta en un oráculo burocrático. Cada capa hace algo útil. Ninguna recibe poderes que no tiene.

Un prompt pequeño para empezar sin construir una catedral

No hace falta copiar todo mi sistema para probar este principio. De hecho, no conviene: contexto, riesgo y privacidad no se copian como un tema de editor.

Este prompt — instrucciones dadas a un sistema de IA para orientar una tarea — es un comienzo deliberadamente pequeño para un agente que trabaja con archivos. Usa Markdown para mantener las notas legibles y Git para registrar versiones:

Ayúdame a crear aprendizaje gobernado para este proyecto usando Markdown y Git.

Cuando identifiques una repetición, laguna, contradicción o una decisión que no
llega a quien la necesita, no cambies reglas, memoria, páginas de wiki, prompts
ni automatizaciones por tu cuenta.

En su lugar:
1. registra la señal y su origen;
2. formula una hipótesis con evidencia favorable, contraria y límites;
3. lista los consumidores posiblemente afectados;
4. propone el cambio reversible más pequeño;
5. pide mi confirmación, corrección o rechazo antes de cambiar fuentes vigentes;
6. después de la decisión, actualiza solo archivos autorizados y vincula la
   hipótesis y la decisión;
7. ejecuta validaciones proporcionales y explica cómo deshacer el cambio.

Separa siempre memoria, hecho confirmado, hipótesis, decisión y regla vigente.
No guardes secretos, datos personales ni conversaciones sin finalidad clara.
Antes de editar, muestra el plan y lo que queda fuera de alcance.

Eso no crea gobernanza por sí solo. Abre una primera brecha: el agente deja de tratar el aprendizaje como permiso implícito de escritura.

Después, el sistema madura a medida que aparecen consumidores reales, conflictos reales y costos reales de olvidar.

Lo que se puede automatizar — y lo que sigue siendo humano

Quiero automatizar la detección de repeticiones, la búsqueda de consumidores afectados, el levantamiento de contradicciones, la preparación de diffs — comparaciones entre versiones que muestran exactamente qué cambia — y las validaciones que se puedan ejecutar.

Quiero que el sistema insista lo suficiente como para decir: “esto parece una decisión sin fuente”, “esta hipótesis ya fue rechazada”, “este contrato contradice otro” o “estás a punto de propagar un cambio a cuatro lugares”.

No quiero automatizar la promoción silenciosa de una hipótesis sobre mi trabajo, mi escritura o la operación de un cliente.

Esto conecta con el proceso en el que pedí que ChatGPT demostrara lo que creía saber sobre mí. Un modelo puede ayudar a encontrar patrones y preparar mejores preguntas. El veredicto todavía debe volver a quien conoce las consecuencias y responde por ellas.

En i-9.ai, este cuidado importa porque una operación asistida por IA no debería repetir errores con más velocidad solo porque ganó memoria y automatización. Necesita aprender lo suficiente para reducir el redescubrimiento, sin perder la capacidad de explicar qué cambió, por qué y cómo volver atrás.

Un harness que aprende bien no es el que cambia más archivos solo.

Es el que mejora la siguiente decisión sin borrar la responsabilidad por la anterior.

Sigue leyendo

• La IA olvidó lo que yo ya había decidido
• Una hipótesis no se vuelve un hecho porque la IA la repitió
• ChatGPT ya sabe mucho sobre ti. Antes de confiar, haz que lo demuestre

Para profundizar

• Control de versiones con Git: cómo registrar cambios, compararlos y recuperar estados anteriores.
• Markdown: el lenguaje de marcado ligero usado para mantener documentos legibles sin software propietario.
• Proveniencia en W3C PROV: una introducción al registro del origen y las transformaciones de información.

Referencias y límites de uso

• Pro Git sostiene solo la explicación de que el control de versiones registra cambios, compara estados y permite recuperación. No confirma que una regla sea correcta, no sustituye una copia de seguridad — hecha para permitir recuperación — y no elimina la necesidad de revisión humana.
• W3C PROV sostiene el uso general de la proveniencia como rastro de entidades, actividades y responsables. El flujo de hipótesis, consumidores, confirmación y rollback es una síntesis autoral de ingeniería, no una implementación completa de ese estándar.

La imagen de portada es una ilustración editorial sintética, sin texto e independiente de idioma, sobre una señal que deja de deformarse cuando encuentra confirmación e historial de versiones.