¿Cuántas veces tuviste que volver a explicarle lo mismo a una inteligencia artificial? Quién es un cliente, qué decidiste para un proyecto o cómo querés que prepare determinado trabajo.
Si usás IA todos los días, repetir ese contexto consume tiempo y espacio de conversación. Y cuanto más trabajás, más difícil se vuelve mantenerlo consistente: en un chat decidís una cosa, cinco conversaciones después la explicás de otra manera y terminás con distintas versiones de la misma decisión.
Un second brain, o segundo cerebro digital, busca resolver justamente eso: guardar el contexto importante en un lugar que puedas actualizar y que tus asistentes puedan consultar cuando lo necesiten. No hace falta empezar por una herramienta complicada.
El primer paso puede ser un archivo de texto
Imaginá que estás preparando un curso con IA. Podés crear un archivo curso.md donde indiques a quién está dirigido, qué temas incluye, qué decidiste dejar afuera y qué formato van a tener las clases.
Cuando volvés a trabajar, le pedís al asistente que lea ese archivo antes de continuar. Si cambiás el temario, actualizás el documento. Así evitás depender de que recuerde correctamente un chat anterior.
Markdown es útil para esto porque permite escribir títulos, listas y enlaces en un formato simple, sin servidores ni aplicaciones especiales. Con varios documentos vinculados podés armar una wiki; Obsidian, por ejemplo, permite recorrer esas notas y ver sus relaciones gráficamente.
Si tenés pocos proyectos y podés mantener esos archivos, quizás no necesites nada más. También conviene revisar las memorias que ya ofrece tu asistente: algunos guardan preferencias e instrucciones de proyecto, aunque no siempre las comparten con otras herramientas.
Evitar que las decisiones se contradigan
El problema crece cuando trabajás en varios temas al mismo tiempo: un curso, la propuesta para un cliente y el desarrollo de una aplicación. No querés que el asistente mezcle condiciones comerciales con decisiones técnicas, ni que use una versión vieja cuando ya cambiaste de criterio.
La solución es organizar la memoria por proyecto, identificar qué información está vigente y conservar, cuando hace falta, el historial de cambios. Cada asistente debería consultar la fuente correspondiente antes de responder o actuar. Si encuentra dos decisiones incompatibles, es preferible que lo advierta en vez de elegir arbitrariamente.
En su propuesta LLM Wiki, Andrej Karpathy va un paso más allá: plantea utilizar un agente para incorporar nuevas fuentes, sintetizarlas, relacionar temas y actualizar una wiki de Markdown. Es una alternativa interesante cuando el conocimiento crece más rápido de lo que podemos organizarlo manualmente.
Que el agente busque lo necesario, no que lea todo
Una memoria puede terminar con cientos de documentos. Enviar todo ese material al modelo en cada consulta sería poco práctico y, en muchos casos, costoso.
Para eso existen mecanismos de recuperación que buscan solamente las partes relacionadas con la pregunta. Además de las búsquedas por palabras, se puede utilizar búsqueda semántica con embeddings: una técnica que permite encontrar textos cercanos por significado aunque no usen exactamente los mismos términos.
Este enfoque se utiliza en muchos sistemas RAG. Si preguntás qué se había acordado sobre un curso, el asistente puede recibir los fragmentos pertinentes con sus referencias, en lugar de cargar todo el historial de trabajo.
El beneficio es doble: menos información irrelevante en el contexto y, cuando la recuperación está bien implementada, menos tokens consumidos. Eso puede reducir costos y permitir más trabajo con el mismo presupuesto. No es automático: hay que considerar también el costo de buscar, almacenar y mantener la información.
Una memoria que no dependa de un único chat
Quizás usás un asistente en la web, otro desde la computadora y un tercero para tareas específicas. Si cada uno tiene su propia memoria, volvés al problema de repetir y sincronizar decisiones.
Una fuente compartida permite que todos consulten el mismo contexto, siempre que tengan acceso autorizado. El Model Context Protocol (MCP) es una de las formas de conectar asistentes compatibles con datos y funciones externas.
Pensemos en alguien que gestiona clientes. Cuando menciona a Mariano, su asistente podría consultar el CRM y encontrar quién es, qué conversaciones tuvieron y qué quedó pendiente. Si después necesita agendar una reunión, puede utilizar otra herramienta autorizada. Recordar información y ejecutar acciones son cosas diferentes, pero juntas hacen que el asistente resulte más útil.
Estas capacidades requieren organización: permisos, separación entre proyectos y reglas para corregir datos. Una memoria centralizada no se administra sola por el simple hecho de existir.
¿Qué solución necesitás realmente?
- Para dejar de repetir instrucciones: empezá por la memoria integrada de tu asistente o un Markdown.
- Para relacionar notas e investigaciones: probá una wiki local como Obsidian o un enfoque como LLM Wiki.
- Para recuperar información entre muchos documentos: evaluá herramientas con búsqueda semántica.
- Para mantener continuidad entre sesiones: existen proyectos como Engram de Gentleman Programming o Claude-Mem.
- Para compartir contexto entre varios asistentes: considerá una fuente externa conectada mediante MCP. PocketVault y ShroomUp son ejemplos de enfoques diferentes para conocimiento y contexto operativo.
No se trata de instalar todo. Empezá por el problema que más tiempo te hace perder y elegí una solución que puedas mantener.
El objetivo es trabajar más y explicar menos
Cuando tus decisiones están organizadas, podés corregirlas una vez y recuperarlas cuando hagan falta. No tenés que reconstruir semanas de trabajo ni llenar cada conversación con antecedentes que el asistente podría consultar.
Un buen segundo cerebro no hace que la IA sea infalible. Pero puede ayudarte a trabajar con mayor continuidad, reducir contradicciones y aprovechar mejor el tiempo y los recursos que invertís en ella.
La mejor memoria no es la que guarda más información, sino la que te evita tener que empezar de cero.
Para profundizar: Karpathy — LLM Wiki · Obsidian · MCP · Engram · Claude-Mem