Por qué tu agente «no se acuerda de nada» teniendo toda la documentación cargada
Es la queja número uno de la segunda semana: le has subido el manual entero, las políticas, el histórico de tickets, y el agente sigue preguntando cosas que ya le contaste ayer. La conclusión inmediata —«le falta memoria»— es correcta y no sirve de nada, porque memoria es la palabra con la que el mercado llama a tres cosas distintas que se guardan en sitios distintos, cuestan cosas distintas y se rompen de maneras distintas.
La confusión más cara del sector es esta: memoria y RAG no son lo mismo. RAG es que el agente sepa buscar en tu documentación. Memoria es que el agente sepa quién eres tú la próxima vez que hables con él. Puedes tener un RAG impecable —recupera el párrafo exacto del manual en 200 milisegundos— y un agente que sigue sin recordar que este cliente ya se quejó dos veces del mismo pedido. Son problemas distintos con soluciones distintas, y montar el segundo con la herramienta del primero es exactamente por lo que la mitad de los proyectos se atascan aquí.
Las tres cosas que metes en el mismo saco
Antes de comprar nada, separa. Un agente en producción normalmente necesita las tres, pero se contratan, se pagan y se auditan por separado.
1. El contexto de la conversación en curso (memoria a corto plazo)
Es lo que el modelo tiene delante en este momento: lo que llevas dicho en este hilo. No es una base de datos, es la ventana de contexto —el espacio de trabajo del modelo—, y se vacía cuando la conversación acaba. Es gratis en el sentido de que no hay que construir nada, y carísimo en el sentido de que se paga por token en cada turno: cuanto más largo el hilo, más caro cada mensaje siguiente. Cuando alguien te dice que su agente «se acuerda de todo dentro de la conversación», te está describiendo el comportamiento por defecto, no una capacidad que haya construido.
El síntoma de que te falta esto: el agente se contradice a sí mismo dentro del mismo hilo, o pierde el hilo en conversaciones largas. Se arregla con gestión de contexto (resumir turnos viejos, no con una base vectorial).
2. El conocimiento consultable (esto sí es RAG)
Tus documentos, indexados de forma que el agente pueda encontrar el fragmento relevante y responder con él delante. Manuales, políticas, contratos, procedimientos, catálogo, tickets resueltos. Es conocimiento de la organización, igual para todo el mundo, y su problema no es recordar: es encontrar y estar al día. Vive en un índice —vectorial, léxico o los dos— y su coste principal no es el almacenamiento, es el mantenimiento: un índice con el procedimiento derogado dentro compite en silencio con el vigente.
El síntoma de que te falta esto: el agente responde con seguridad cosas que no están en ningún sitio, o cita el documento equivocado. Se arregla con recuperación, no con memoria. Cómo se monta y cómo se evalúa está en entrenar un agente de IA; mantenerlo vivo es un trabajo continuo con nombre propio, mantener al día el conocimiento de la IA.
3. Los hechos que debe recordar entre sesiones (memoria a largo plazo)
Aquí está la capa que casi nadie construye y que es la que echabas de menos. No es documentación: son hechos concretos sobre una persona, una cuenta o un caso, aprendidos durante el trabajo y que deben sobrevivir al final de la conversación. «Este cliente factura a nombre de otra sociedad.» «Este proveedor no acepta albaranes por correo.» «Este usuario ya rechazó esta propuesta en marzo y dijo por qué.»
Se distingue de las otras dos por tres propiedades: es específica de una entidad (no vale para todo el mundo), se escribe sola durante la operación (nadie sube un documento con eso), y caduca (una preferencia cambia, un dato deja de ser cierto). Esa tercera propiedad es la que convierte la memoria a largo plazo en un problema de gobierno y no solo de ingeniería, y es de la que va la segunda mitad de esta guía.
Dónde vive cada una y qué cuesta
| Capa | Dónde vive | Quién la escribe | Qué la rompe | Coste dominante |
|---|---|---|---|---|
| Contexto de la conversación | La ventana de contexto del modelo | La propia conversación | Hilos largos: se desborda o se encarece | Tokens por turno |
| Conocimiento consultable (RAG) | Índice sobre tus documentos | Tú, al publicar el documento | Contenido obsoleto y duplicado sin marcar | Mantenimiento del índice |
| Memoria a largo plazo | Almacén propio, fuera del modelo | El agente, durante la operación | Hechos caducados que nadie retira | Gobierno: revisión y borrado |
Fíjate en la columna de la derecha, porque es la que nunca aparece en el presupuesto. Las dos primeras capas tienen un coste que se ve en una factura. La tercera tiene un coste que se ve en una reunión: alguien tiene que decidir qué se recuerda, durante cuánto tiempo y quién puede borrarlo. Si ese alguien no existe, la memoria a largo plazo no es una capacidad: es un pasivo que crece solo.
La prueba de los treinta segundos para saber cuál te falta
Coge el caso concreto que te hizo pensar que te faltaba memoria y hazle tres preguntas. La respuesta te dice qué comprar, y evita que pagues una base vectorial para arreglar un resumen de conversación.
- ¿El dato que echas de menos está escrito en algún documento tuyo? Si sí, no es memoria: es recuperación. Tu problema está en el índice o en el documento, no en el agente.
- ¿El dato vale para todos tus clientes o solo para este? Si vale para todos, es conocimiento. Si es de este cliente y de nadie más, es memoria a largo plazo.
- ¿El dato dejaría de ser cierto dentro de un año? Si la respuesta es que sí, necesitas la capa de olvido antes de necesitar la de recuerdo. Guardar sin plan de caducidad es acumular errores futuros con fecha de activación.
Olvidar es más difícil que recordar
Esta es la parte que casi nadie escribe, y la que más caro sale. Construir memoria es un problema resuelto: guardas el hecho, lo recuperas cuando toca. Retirarlo, en cambio, no es una operación: son varias, y basta con que falle una para que el dato siga vivo.
El mejor ejemplo público de lo enredado que está esto lo da la propia documentación de OpenAI para ChatGPT. Su centro de ayuda dice literalmente que, para borrar del todo algo que ChatGPT pueda saber de ti, «tendrás que borrar cada fuente donde aparece, incluidos los chats pasados, los chats archivados, los archivos, el resumen de memoria, y desconectar las apps conectadas que puedan contener esa información». Y añade dos avisos que valen su peso en oro para quien esté diseñando esto en su empresa: borrar un chat no borra las memorias que salieron de él, y si desactivas la memoria y luego la vuelves a activar, el sistema puede volver a crear memorias a partir de los chats que siguen en tu historial. Fuente: Memory FAQ, OpenAI Help Center, consultado el 10 de septiembre de 2026.
No es un defecto de OpenAI: es la forma del problema. En cuanto un hecho se copia a más de un sitio —el almacén de memoria, el índice, el log de la conversación, el sistema de destino donde el agente escribió— el borrado deja de ser un botón y pasa a ser un procedimiento con una lista de sitios. Si nadie ha escrito esa lista, no puedes prometer que borras nada.
Qué te obliga a poder borrar (y qué no te dice nadie)
Tres anclas, y conviene no mezclarlas. La primera: el derecho de supresión del RGPD se ejerce sobre los datos personales que trates, y la memoria de un agente los contiene por diseño —nombres, preferencias, incidencias, decisiones—. La segunda: el Comité Europeo de Protección de Datos, en su Dictamen 28/2024 (17 de diciembre de 2024), fija un listón alto para considerar anónimo un modelo entrenado con datos personales y recuerda que, ante un tratamiento ilícito, las autoridades pueden ordenar medidas correctivas que llegan hasta la supresión del conjunto de datos. Ese dictamen habla del modelo; tu almacén de memoria es un caso mucho más sencillo y mucho más claramente identificable, así que lo que allí es discutible aquí no lo es.
La tercera es la más operativa y viene de casa: en sus orientaciones sobre inteligencia artificial agéntica, la AEPD incluye entre las medidas la compartimentación de la memoria y la trazabilidad del ciclo de vida del dato. Compartimentar significa que la memoria de un cliente no se filtra a la conversación de otro, y que se puede señalar y retirar por partes. Es la diferencia entre un almacén con etiquetas y un cajón desordenado. Fuente: Orientaciones sobre Inteligencia Artificial agéntica, AEPD, versión 1.2, febrero de 2026.
Lo que ninguna de las tres te dice: cuánto tiempo debe recordar tu agente que este cliente prefiere que le llamen por la tarde. Eso no está en ninguna norma. Es una política tuya, y si no la escribes, la política por defecto es «para siempre», que es la peor de las posibles.
La ficha de una página: qué recuerda, dónde y hasta cuándo
Todo lo anterior cabe en una tabla que se revisa cada trimestre. No hace falta más, y sin ella no hay conversación posible con tu responsable de protección de datos.
| Qué se recuerda | Capa | Caducidad | Dónde hay que borrarlo | Quién puede borrar |
|---|---|---|---|---|
| Preferencia de contacto del cliente | Memoria largo plazo | 24 meses sin actividad | Almacén + copia en CRM | Responsable de cuenta |
| Incidencia abierta y su historial | Memoria largo plazo | Cierre + retención legal | Almacén + ticket + log | Responsable de soporte |
| Procedimiento interno vigente | RAG | Al publicar la versión nueva | Índice (reindexar) | Dueño del documento |
| Resumen del hilo en curso | Contexto | Fin de la conversación | No persiste | — |
- Una fila por tipo de dato, no por sistema. Si una fila dice «datos del cliente», está mal escrita: divídela hasta que cada fila tenga una caducidad distinta.
- La caducidad, en unidades. «Cuando ya no haga falta» no es una caducidad. «24 meses sin actividad» sí, porque un script la puede aplicar.
- La columna de dónde borrar es la importante. Es la lista de sitios de la que hablábamos: si tiene una sola entrada, probablemente esté incompleta.
- Un nombre que puede borrar. Una persona con un botón real, probado al menos una vez. Un procedimiento de borrado que nadie ha ejecutado nunca no es un procedimiento.
- Revisión trimestral con la tabla delante. Lo que se acumula sin revisar deja de ser memoria y pasa a ser sedimento.
Nosotros montamos la capa de memoria con esta tabla escrita antes de la primera línea de código: es parte de la infraestructura de IA sobre la que corren los empleados IA que ponemos a trabajar, dentro de la lógica general de crear un agente de IA que aguante producción. No vendemos memoria infinita. Cobramos por que tu agente recuerde lo que debe, durante el tiempo que debe, y por que el día que haya que borrarlo se pueda borrar de verdad.