Michael JohnsonSi un agente de IA recuerda un dato incorrecto, puede repetir el mismo error con seguridad en la siguiente sesión. En una investigación publicada por Anthropic el 6 de noviembre de 2026, se describe un método para revisar registros entre tareas: el agente los contrasta con los registros de trabajos anteriores, corrige imprecisiones y combina información útil. La empresa llama «soñar» a este proceso en segundo plano.
La conclusión práctica para quienes diseñan agentes de larga duración es que la memoria no debe evaluarse por el número de notas guardadas, sino por la capacidad del sistema para verificar su procedencia, actualizar la información que ha cambiado y encontrar lo necesario en un archivo extenso. Los experimentos de Anthropic muestran tanto las ventajas de este enfoque como las condiciones en las que la memoria empieza a estorbar.
Qué entienden los investigadores por memoria de un agente
En su descripción de los componentes de la memoria, Anthropic la define como el conocimiento procedente de interacciones y tareas anteriores que se conserva entre sesiones en forma de contexto accesible para el agente. Es una capa independiente del sistema: se trata de notas, archivos, índices y otras representaciones externas, no de modificar los parámetros del modelo ni de resumir brevemente el diálogo actual.
El esquema consta de varios niveles. Un registro o una transcripción documenta los acontecimientos; las notas extraen observaciones concretas; las representaciones relacionadas, como una wiki, reúnen información por temas; y se puede precargar una pequeña capa superior en una nueva sesión. El agente debe decidir qué conservar, qué verificar más adelante y qué conviene mostrar directamente en la siguiente ejecución.
Esta última decisión es especialmente difícil: a menudo solo se entiende la importancia de un acontecimiento cuando el agente ve lo que sucede después. Por eso Anthropic investigó la separación entre el trabajo durante la sesión y el procesamiento en segundo plano. Mientras trabaja, el agente deja registros y notas; más tarde, otro proceso puede revisarlos, contrastar las fuentes y actualizar la estructura de la memoria.
Cómo evaluaron el mecanismo
En lugar de una única prueba general, la empresa describió varias tareas: responder preguntas sobre una base de conocimientos, jugar a Pokémon Red, crear una wiki a partir de documentos corporativos y preparar un informe jurídico sobre las condiciones de los acuerdos. Este conjunto evalúa distintas funciones de la memoria: conservar reglas entre sesiones, seleccionar detalles útiles, corregir errores y combinar información de varios documentos.
En una de las tareas con la base de datos, cada pregunta empezaba en una sesión nueva. Entre sesiones solo se conservaba la carpeta de memoria, a la que el modelo podía recurrir. Los investigadores compararon el rendimiento con y sin memoria y observaron cómo los modelos generaban sus registros. Anthropic señala una diferencia importante: una nota con una regla verificada y una explicación de su procedencia puede ayudar a responder la siguiente pregunta, mientras que una colección de conjeturas sin verificar no crea un ciclo de aprendizaje fiable.
En otro experimento, un agente creó una wiki a partir de unos 350.000 documentos internos, aproximadamente 420 millones de tokens. A continuación, 128 sesiones consecutivas ampliaron y verificaron páginas, corrigieron vínculos y fusionaron duplicados. La evaluación constaba de 25 preguntas sobre el corpus. Se trata de una tarea experimental acotada a un conjunto definido de documentos, no de una evaluación universal de la memoria para cualquier agente.
Qué mostraron los experimentos
En la tarea de la base de conocimientos, la memoria elevó el resultado promedio de varios modelos. Por ejemplo, para Opus 5.5, la proporción media de criterios cumplidos subió de 0,655 sin almacenamiento a 0,838 con él; para Sonnet 5.5, pasó de 0,644 a 0,833. Sin embargo, el resultado dependía de cómo utilizaba el modelo los registros: Claude Sonnet 4.6 a menudo no leía los archivos de memoria antes de responder, mientras que Opus 5.5 y Sonnet 5.5 formulaban mejor las reglas verificadas y las utilizaban más adelante.
El experimento con Pokémon mostró el coste de archivar en exceso. En una ejecución, Sonnet 3.7 creó 413 archivos en 225 carpetas y anotó numerosos encuentros, objetos y personajes. Gran parte de esa información quedaba obsoleta rápidamente: cambiaban la posición y el estado del juego, y el agente dedicaba acciones a revisar y reorganizar los registros. En una comparación independiente, alrededor del paso 10.000, Fable 5 utilizaba nueve archivos en dos carpetas y un archivo general aparte; según Anthropic, Fable 5 consiguió cuatro medallas, mientras que Sonnet 3.7 obtuvo una.
Un ejemplo especialmente claro se refiere a una nota incorrecta sobre la ubicación del Centro Pokémon junto a la cueva de Mt. Moon. El agente creyó que ya había atravesado la cueva y volvía a caer en la misma ruta. El proceso en segundo plano cotejó la nota con el registro de acciones, detectó el error y la reescribió. Después, el agente regresó a la entrada y llegó a Cerulean City; la variante con el registro sin corregir se quedaba atascada en el mismo tramo. En este caso, «soñar» funcionó como una revisión del historial, no como una incorporación libre de hechos nuevos.
En el experimento con la wiki extensa, la puntuación por criterios en 25 preguntas subió del 13 % al 48 % a medida que se construía. En una comparación independiente, la wiki sin búsqueda obtuvo un 48 %; al usar la wiki junto con la búsqueda, el resultado pasó del 54 % al 61 %, mientras que la búsqueda sin wiki obtuvo un 53 %. En este experimento, la wiki actuó más como un mapa de relaciones y una capa temática sobre la búsqueda que como un sustituto de los documentos originales.
Por qué más memoria no siempre es mejor
Guardar una nota es una predicción sobre el futuro: el agente supone que volverá a necesitar esa información. La predicción puede quedar obsoleta, ser incorrecta o duplicar datos disponibles directamente en el estado actual del entorno. En un juego, la posición del personaje puede verse en pantalla, mientras que una estrategia deducida o una regla verificada no se pueden obtener de la misma forma sin volver a razonar.
El experimento con documentos reveló otro riesgo: los errores de estructura. Varios agentes resumían al mismo tiempo las condiciones de los contratos en una página común y sobrescribían partes de la tabla. Como resultado, la wiki contenía 41 de los 57 hechos verificables y el primer informe cumplía el 72 % de los criterios. Después de asignar una página independiente a cada contrato y trasladar literalmente las condiciones importantes, el informe alcanzó el 100 % de los criterios. Para las formulaciones con relevancia jurídica, conservar la cita y el enlace al documento original resultó más útil que una paráfrasis general.
Por último, no siempre compensa el coste de construir una wiki. En una tarea cuyas respuestas estaban en un único documento, Anthropic no observó una ventaja clara frente a la búsqueda de texto habitual. En otra prueba, la wiki creada acabó siendo más grande que los archivos originales. Estos resultados apuntan a una regla de uso sencilla: una estructura compleja es necesaria cuando las preguntas exigen relacionar regularmente información de distintas fuentes; para búsquedas sencillas, puede añadir trabajo de mantenimiento sin aportar un beneficio apreciable.
Qué se puede aplicar al diseño de agentes
Los resultados respaldan una arquitectura práctica de tres partes. Primero, hay que conservar los registros primarios para que las notas tengan una base verificable. Después, se elaboran notas concisas sobre conclusiones, reglas y planes, indicando de dónde proceden y si se han verificado. Por último, se ejecuta periódicamente un proceso independiente que busque contradicciones en esas notas, corrija las relaciones y reconstruya el índice, sin sustituir el material original por su propia paráfrasis.
Para la información cambiante, conviene guardar la fecha o el contexto de vigencia y verificar la nota cuando se vuelva a utilizar. Para los conocimientos estables, hay que conservar la fuente y la confirmación. Y en el contexto general de cada sesión solo conviene cargar un índice breve: Anthropic señala además que las instrucciones cargadas consumen la ventana de contexto y que una nota incorrecta añadida automáticamente a cada ejecución puede propagar el error una y otra vez.
La principal lección de la investigación es que la memoria de un agente resulta útil gracias a la selección y el mantenimiento, no a la acumulación. El archivo aporta el historial, la búsqueda localiza los fragmentos pertinentes, las notas estructuradas conectan reglas recurrentes y la revisión en segundo plano contrasta las conclusiones con las pruebas primarias. Ese vínculo verificable es lo que convierte la experiencia pasada en un recurso para la siguiente sesión.
