El agente que aprende
Hermes está en todas las conversaciones esta semana. Con razón. Es un proyecto de agentes de IA que hace algo distinto a la mayoría: no solo responde, aprende. Recuerda lo que funcionó. Convierte tareas repetidas en procedimientos. Llega a la siguiente sesión un poco mejor que a la anterior.
La mayoría de los artículos que comparan Hermes con otros sistemas existen para capturar algoritmos, no para informar. “Hermes destrona a X” es SEO, no análisis.
Hay dos formas de construir un agente. La primera: siempre disponible, siempre desde cero. Cada sesión empieza igual. Como contratar a alguien nuevo cada lunes.
La segunda: un sistema con memoria, con procedimientos que maduran, con contexto que persiste.
La diferencia no es técnica. Es filosófica.
El primer modelo pregunta: ¿qué necesita el usuario ahora? El segundo pregunta algo diferente: ¿qué aprendimos la última vez?
Las organizaciones tienen este mismo dilema hace décadas. Algunas contratan para resolver problemas. Otras construyen capacidad institucional, memoria que sobrevive a la rotación, criterio que no depende de que alguien lo recuerde.
El problema con los sistemas que aprenden es que aprenden mal si nadie cuida lo que aprenden. La memoria sin curaduría se vuelve ruido. Los procedimientos sin revisión se vuelven dogma.
Gobierno no significa control total. Significa que alguien tiene que hacerse responsable de qué entra y qué sale. Qué procedimientos se consolidan y cuáles se descartan. Qué contexto es señal y qué es sesgo que se fue acumulando sin que nadie lo notara.
Eso no lo resuelve el modelo. Lo resuelve quien trabaja con él.
Ese rol (el de quien cuida lo que se aprende) no desaparece con los sistemas de IA. Se vuelve más urgente.
La pregunta no es si usaremos sistemas que aprenden.
La pregunta es quién va a ser responsable de enseñarles.
