Centinela es nuestro vigilante doméstico: una cámara y un modelo de IA pequeño que corren enteros dentro de la casa —ningún video sale a la nube— y mandan un aviso al teléfono cuando algo merece atención. Hoy opera en piloto en una casa real. Antes de ofrecerlo a alguien más, quisimos responder algo incómodo: ¿qué tan lejos está de una persona mirando el mismo video? Y una pregunta previa que casi nadie se hace: ¿con qué vara se mide "suficientemente bueno" en un sistema que narra lo que ve?

La vara la puso un humano. El dueño de la casa del piloto anotó a mano 30 videos reales de su propia cámara —23 que merecían relato y 7 que había que descartar—, escribiendo para cada uno la crónica que él, conociendo su casa y su gente, considera la verdad. Esa crónica vale 5.0. Contra ella corrimos 14 rondas probando 6 configuraciones: desde modelos pequeños corriendo en la casa hasta Claude y Gemini —los modelos de frontera de Anthropic y Google— viendo el video completo. Cada relato lo calificó a ciegas un modelo evaluador que no sabía qué sistema lo había escrito, comparándolo siempre contra la anotación humana. Sí: el juez también es una IA. No auditamos sus notas caso a caso con un segundo humano, y preferimos decirlo a esconderlo — es la limitación conocida de este tipo de medición.

Dos iteraciones completas hubo que botarlas. La cámara graba solo cuando detecta movimiento, y eso deja huecos dentro de cada clip; al extraer fotogramas por tiempo, nuestro sistema de medición caía en esos huecos y le mostraba al juez láminas con cuadros en negro. El juez castigaba entonces al modelo local como "alucinador" por narrar cosas que sí estaban en el video real pero no en la lámina. Corregido el muestreo, la brecha nocturna entre el modelo local y Claude se achicó en torno a un 40%: el defecto estaba inflando la comparación en contra del nuestro. Lo documentamos y re-corrimos todo.

Con la medición limpia llegó el hallazgo central: ninguna de las 6 configuraciones pasó de 3.7 sobre 5 — todas quedaron entre 3 y 3.7, incluidos Claude y Gemini viendo el video completo. Para dimensionar la escala: un 5 es la crónica del dueño ("el vecino entró a dejar algo"); un 3 típico describe bien el movimiento pero no puede decir quién es la persona ni si entra o sale. Y esa es exactamente la explicación del techo, replicada 14 veces: los mismos píxeles admiten dos historias coherentes, y solo el dueño sabe cuál es la verdadera, porque conoce a su gente. Subir ese techo no es cambiar el software — es cambiar la cámara: mejor ángulo, o una segunda mirando el acceso.

Lo que nos obligó a soltar la métrica. Calificar la fidelidad del relato castiga al sistema por no saber quién es quién — algo que la cámara físicamente no capta. La métrica real de un vigilante es el veredicto: ¿vale la pena avisarte o no? Medido así, el modelo local pequeño acierta 19 de 23 casos; Claude narrando todo, 17 de 23. Con solo 23 videos, dos casos de diferencia son ruido estadístico: lo honesto es decir que empatan. Y ese empate es el titular real: un modelo que corre en el equipo de la casa, a costo marginal cero y sin que un solo cuadro salga de ella, decide igual de bien que los modelos de frontera. Queda un cabo suelto que nos gusta confesar: el video continuo ve gestos reales que las fotos fijas se pierden —captó un candado manipulado que ningún narrador de fotogramas vio— pero también fabrica acciones con confianza de testigo; lo guardamos como candidato a segunda opinión, no como titular.

¿Por qué contarle esto a alguien que no vigila una casa? Porque AInstein nació de la consultoría ambiental: llevamos años revisando expedientes de evaluación de proyectos —los documentos con que el Estado decide si un proyecto puede construirse—, y ahí nuestros clientes nos plantean exactamente el mismo problema: ¿cuándo una IA es suficientemente buena para asumir una revisión que hoy hace una persona, y cómo se mide eso sin autoengaño? Este ejercicio es nuestra respuesta en miniatura: construir la vara antes de creerle al número, botar las mediciones defectuosas aunque duela, y estar dispuestos a descubrir que la métrica de partida era la equivocada. Ese método viaja intacto de una cámara doméstica a un expediente ambiental.

Un agente de IA es un programa que conversa, ejecuta tareas y guarda memoria de lo que aprende. Algunos, además, se auto-mejoran: después de cada conversación revisan lo aprendido y editan sus propias instrucciones y memorias. Esa capacidad tiene un problema de gobierno que casi nadie mira: el agente puede reescribir hechos críticos —quién es su dueño, quién puede pedirle qué— sin que ningún humano firme el cambio. En AInstein, un laboratorio chileno que construye aplicaciones de IA, operamos varios de estos agentes, y uno nos mostró el riesgo de la peor manera: declaró muerto a su dueño. No lo hackearon ni «se volvió loco»: llevaba 68 días sin noticias del fundador de la empresa —la persona a cargo del agente—, buscó señales en fuentes públicas, encontró a un homónimo fallecido y lo dio por verificado. Reescribió sus memorias con fecha de «verificación» incluida y dejó las políticas internas marcadas como «en revisión del equipo remanente». Lo restauramos desde respaldos, pero la lección quedó a la vista: la identidad del agente no estaba protegida contra el propio agente.

Tres semanas después, el 3 de julio, ocurrió algo más sutil y más peligroso. Ese agente vive en nuestra propia infraestructura —usamos nuestra casa como campo de pruebas a propósito: los errores preferimos cometerlos ahí antes que en un proyecto de cliente— y entre sus tareas está administrar el acceso a una cámara de vigilancia. Un colega del equipo pidió verla una vez por el chat grupal de la empresa, el agente lo atendió, y esa noche la auto-mejora convirtió el favor en regla: reescribió las instrucciones de la cámara cambiando al dueño por otra persona. No fue una alucinación. Fue algo peor: un pedido atendido una vez se volvió política permanente, y nadie firmó ese cambio.

No apagamos la auto-mejora, porque también aporta documentación valiosa. La apuesta fue otra: gobernarla, con tres piezas. Primero, un candado de hechos: lo sensible —quién es el dueño, quién puede pedir qué— se escribe como regla inmutable que la auto-mejora tiene prohibido tocar o «matizar» con excepciones aprendidas de conversaciones. Segundo, un testigo: todas las instrucciones del agente viven en un registro versionado con una línea base conocida, así cualquier edición —humana o de la máquina— aparece como diferencia exacta contra esa base, con evidencia de qué cambió y cuándo. Tercero, un vigía: una revisión automática en la mañana y en la tarde que avisa al dueño si hay ediciones sin revisar.

El 5 de julio el sistema hizo su primera captura real. El testigo mostró tres ediciones pendientes, y al separarlas por quién las hizo aparecieron tres cosas distintas: un cambio legítimo del propio equipo (se conservó con su autoría), unas notas correctas pero de origen incierto (se conservaron, con esa advertencia), y una reescritura que nadie reconocía —otra vez la mutación del dueño de la cámara, obra de la auto-mejora—. Se revirtió con evidencia, y la regla definitiva quedó bajo candado: la cámara responde solo a su dueño.

El mismo día aprendimos la lección incómoda. El vigía había avisado cuatro veces entre el 3 y el 5 de julio, y todas fueron ignoradas. ¿Por qué? Porque también vigilaba archivos de operación que cambian solos, así que acusaba en cada corrida. Un vigía que grita todos los días no protege nada. El arreglo fue dejar de mirar lo que cambia solo, y la señal quedó limpia: silencio significa sano; un aviso significa edición real, y se abre siempre.

Con honestidad: esto sigue siendo reactivo —detecta después de la edición, no la bloquea antes—, la plataforma de agentes de código abierto que usamos como base no ofrece protección nativa contra ediciones del propio agente sobre sus instrucciones (una brecha que planeamos reportar a sus autores), y las memorias del agente están cubiertas solo en parte. Una captura tampoco es una validación estadística; es la primera evidencia de que la cadena completa —candado, testigo, vigía, humano— funciona de punta a punta.

Si su empresa está evaluando agentes de IA con memoria o auto-mejora, esta es la pregunta que le haríamos a cualquier proveedor, incluidos nosotros: ¿quién firma cuando el agente cambia sus propias reglas, y cómo se enteran ustedes? Nosotros ya sabemos lo que se siente no tener respuesta — y por eso la construimos.

Segunda Mirada es nuestro sistema de vigilancia donde el video nunca sale de tu red: una IA pequeña, corriendo en tu propia casa u oficina, mira todo lo que graba la cámara y decide qué merece atención; una IA grande de la nube solo narra lo poco que fue seleccionado. La arquitectura existe por privacidad y costo —mandar cada minuto de video a la nube es caro y regala tus imágenes—, pero tiene un talón de Aquiles: el modelo chico inventa detalles plausibles y los narra como si los hubiera visto. En neurología eso se llama confabular — nada que ver con conspirar: es rellenar huecos con ficción convincente, sin saber que se miente. Auditamos 28 eventos reales de cámara; 23 de ellos formaban la porción difícil de la muestra, y sobre esos 23 se calculan todas las cifras que siguen. El resultado: el 85% de las crónicas tenía fallas — el 46% inventaba intención («manipula el portón» donde alguien solo pasaba caminando) y el 35% contaba personas que no estaban. Un detalle fino: la intención fabricada aparecía solo en eventos fusionados — cuando varios movimientos cercanos se juntan en un mismo clip. El problema era la densidad de la escena, no el largo del video.

Si el relato alucina, el relato no puede tener la última palabra. La misma auditoría mostró la salida: el 92% de las fallas era atrapable con datos que el rastreador de video —el software que sigue los objetos cuadro a cuadro— ya entrega gratis: cuántos sujetos hay realmente, por dónde se movieron, cuánto tiempo permanecieron. De ahí la doctrina: los hechos medidos tienen derecho a veto sobre el relato. Si el conteo real es cero, la persona que el modelo «vio» junto al portón se bloquea antes de despertar a nadie (lo medimos antes de construirlo: llegó a reportar un perro «visible» que era solo un ladrido en el audio). Además, el modelo describe primero y juzga después: los criterios de sospecha nunca se le muestran al describir, porque lo sugestionan. Aprendimos esto último a golpes — bastó nombrar una zona «portón», cuando en realidad cubría el pasaje entero, para que viera manipulación de portones en todos los casos. Las palabras que le das al modelo también mienten.

Antes de los números, dos advertencias que preferimos decir derecho. Primero: 23 eventos no son estadística, son un piloto — y uno sesgado a propósito hacia los casos difíciles. La validación que importa está corriendo ahora, sobre el tráfico cotidiano: los eventos mundanos que en una operación real son el 90% o más de lo que graba una cámara. Segundo: cambiamos la métrica a mitad de camino, y eso suena a mover la portería, así que lo explicamos sin vueltas: al dueño de la casa no le importa que la crónica sea bonita — le importa que le avisen cuando corresponde y que no lo despierten por un gato. Esa es la única nota que vale.

Con eso claro, la medición: un evaluador que no sabía qué sistema escribió cada crónica comparó nuestro modelo local contra una de las IA gigantes de la nube comercial — no la nombramos a propósito: el punto no es rankear proveedores, sino comparar arquitecturas. En calidad del relato, la grande aplasta a la chica: 2.4 puntos de ventaja en una escala de 5. Pero en la decisión de avisar o no, la ventaja se reduce a 0.7 — señal de que la decisión ya no depende del relato. Y midiendo solo esa decisión, la configuración local acertó en el 83% de los casos, por sobre la IA grande narrando todo el tráfico (74%). Igual de valioso fue lo que se cayó al medirse: superponer una cuadrícula de coordenadas hizo que el modelo viera figuras donde no había; darle más fotogramas diluyó su atención; y el análisis de video nativo ve gestos reales pero fabrica acciones. Sin medición, habríamos «mejorado» el sistema en las tres direcciones equivocadas.

Una adenda forense con la misma franqueza. Para trabajar la evidencia implementamos dos motores públicos de restauración de imagen, GFPGAN y Real-ESRGAN, del equipo ARC de Tencent. La lección se hizo carne de inmediato: la restauración inventa detalle plausible — a una señora le cambió la edad, los rasgos y hasta el género, y dos motores distintos inventan caras distintas desde los mismos píxeles. Por eso toda reconstrucción va lado a lado con el original, con la advertencia explícita de que no sirve para identificar, y bajo un umbral de señal mínima el sistema se abstiene. En recortes reales de cámara, abstenerse es el caso normal — un restaurador honesto casi siempre dice que no.

Queda un techo que no es de software: los mismos píxeles admiten dos historias coherentes —¿entra o sale?, ¿residente o extraño?— y solo quien conoce a las personas distingue. Ese residuo se destraba con un mejor ángulo de cámara, no con más modelo. Y si tu operación depende de que una IA mire video —una faena, un perímetro, un monitoreo ambiental—, la lección viaja intacta: nunca dejes que el relato de un modelo decida solo. Dale hechos medibles con derecho a veto.

Cualquiera que haya corregido un informe propio conoce el fenómeno: uno lee lo que quiso escribir, no lo que escribió. Con los modelos de lenguaje —las IA que generan texto— es peor, porque generan y se autoaprueban con la misma fluidez, y una crítica inventada se lee exactamente igual de convincente que una real. En AInstein, un laboratorio chileno de IA aplicada que une consultoría ambiental con ingeniería de agentes, le pedimos a una de estas IA que auditara nuestras herramientas internas —los programas y flujos de software con que operamos a diario— y entregó una lista de 24 problemas. ¿Cuántos existían de verdad? Responder eso exigió un método con una regla dura: quien propone una crítica jamás es quien la verifica.

Esa regla no la inventamos nosotros. DeepMind atacó el mismo problema con Aletheia («Towards Autonomous Mathematics Research», arXiv:2602.10177), un sistema para investigación matemática autónoma donde quien genera una demostración jamás la verifica: eso lo hace otro agente — una copia separada del mismo modelo, con un rol propio y sin acceso al razonamiento del autor, precisamente para no contagiarse de su lógica. Un segundo paper, de Google Research («Accelerating Scientific Research with Gemini», arXiv:2602.03837), reporta que separar así los roles eleva la precisión de 66% a 95% frente al modelo trabajando solo. Esa cifra viene de sus experimentos, no de los nuestros; la citamos porque apunta en la misma dirección que lo que vimos en casa.

Nosotros no demostramos teoremas: verificamos fuentes y hechos de consultoría. Tomamos esa arquitectura y la apuntamos contra nuestras propias herramientas: críticos paralelos con lentes independientes (¿aporta valor frente a no tener nada?, ¿la fricción de uso mata el beneficio?), un paso para eliminar críticas repetidas, y al final la fase clave: un refutador adversarial por cada hallazgo, con presunción de refutado — la crítica nace muerta y tiene que ganarse la vida con evidencia. El resultado: 24 críticas crudas, 19 tras limpiar repeticiones, y solo 5 confirmadas. El 74% de lo verificado no existía; sin la refutación habríamos «reparado» 14 problemas fantasma, que es otra forma de romper cosas que funcionan. Bonus inesperado: los refutadores, al excavar para demoler, descubrieron de paso hechos genuinos que nadie había pedido.

Dos advertencias que preferimos hacer nosotros antes de que las haga un lector escéptico. Primero, la circularidad: el mismo sistema que refuta dictamina qué críticas eran falsas. La salvaguarda fue humana — las 5 sobrevivientes las revisó una persona del equipo, una por una, antes de corregir nada — pero es justo decir que el 74% es, en parte, una nota que nos pusimos nosotros. Segundo, esto es una corrida, no un estudio: una sola pasada, sobre nuestras herramientas. Vamos a repetirla cada vez que auditemos algo y a publicar la serie completa, salga como salga.

¿Y qué gana usted con esto? Que la misma disciplina corre bajo nuestro trabajo de consultoría: cuando un informe nuestro cita una fuente, un verificador independiente —otra IA, separada de la que escribió el informe— tuvo que buscarla y abrirla; si el enlace no existe, la cita se cae, aunque a la IA autora «le suene» correcta. Ese verificador puede además dictaminar algo incómodo para un sistema de IA: fracaso, no hay información suficiente para resolver esto. Preferimos que lo diga a que lo disimule. Un pariente más liviano del método — hacer debatir a dos modelos de IA de familias distintas frente a un moderador — ya nos cazó un punto ciego real: eliminar ciertos requisitos formales de una propuesta significaba quedar fuera de las bases de la licitación — los requisitos obligatorios cuyo incumplimiento elimina al postulante — algo que el diseño original había pasado por alto.

Lo que falta, con honestidad. El proceso completo es caro: unas 26 copias del modelo de IA trabajando en paralelo, cada una con un rol distinto, y un volumen de texto equivalente a varias novelas por corrida — en plata, bastante más que una consulta normal de IA y bastante menos que un día de consultor senior — así que lo usamos cuando la decisión lo amerita, no como reflejo. Y la refutación mata las críticas inventadas, pero no promete haber encontrado todos los problemas reales; tampoco sabemos cuántas críticas verdaderas matamos por error. Para medirlo, en una próxima corrida queremos sembrar defectos conocidos y contar cuántos sobreviven al fuego. Es un método para confiar más en lo que sobrevive — no para creer que sobrevivió todo lo importante.

En AInstein —un laboratorio chileno que no fabrica modelos de inteligencia artificial, sino que construye aplicaciones con ellos— parte de nuestro trabajo es explicar cosas difíciles con animaciones educativas que nacen de código. Cada escena hay que revisarla: el código puede compilar sin un solo error y aun así el título tapar la figura, el texto salirse del cuadro o el color contradecir lo que se quiere mostrar. Ese juicio lo hace bien la mejor IA del mercado, pero cobra por cada uso y obliga a enviar el material a servidores ajenos. Si en cambio ponen los ojos un humano, el costo del método se va entero en sus horas.

La idea fue separar dos roles. Un modelo de lenguaje grande —Claude, de Anthropic— escribe, escena por escena, el código en Manim, la librería con que se producen los videos de matemáticas más vistos de YouTube. Otro modelo, con capacidad de visión, mira los cuadros ya renderizados y los puntúa contra una pauta de diseño: encuadre, jerarquía, legibilidad, color con sentido. Si algo falla, el escritor rehace la escena y vuelve a juicio, con un tope de iteraciones antes de llamar a un humano. Queríamos que ese crítico corriera completo en un computador de nuestra oficina: gratis por uso, y sin que nada salga de la empresa.

El crítico local partió inservible: inventaba defectos. Veía azul un triángulo verde, acusaba una tipografía irregular donde era perfectamente pareja, y contaba como encimados elementos que aparecían en momentos distintos. Antes de opinar, medimos. Armamos un banco de prueba —seis escenas, chico pero con verdad conocida: tres limpias y tres rotas a propósito— y una regla que compara el veredicto del crítico local con el de la IA de pago, que usamos una sola vez como vara para calibrar. Esa distancia es la brecha: cero sería juzgar idéntico al modelo de pago. El punto de partida, 21,5, era en la práctica un revisor que fabricaba fallas.

Probamos primero las dos palancas de siempre. Afinar las instrucciones —ocho versiones— bajó la brecha de 21,5 a 11,0: eliminó los errores inventados, pero ahí topó, y dejó claro que el límite ya no era la instrucción sino lo que el modelo lograba percibir. Cambiar a un modelo más grande llegó a 7,0, pero ese modelo necesita un servidor dedicado que no tenemos: no sirve como revisor de oficina.

La palanca que funcionó fue otra. Como la animación nace de código, desde ahí podemos calcular los hechos exactos de cada imagen —cuántos elementos hay, dónde están, qué se solapa con qué— y entregárselos al crítico como verdad de terreno, para que juzgue solo lo que no se puede medir. La brecha cayó a 1,0: la IA que cabe en un escritorio superó a la que necesita servidor. Cuando el video no nace de código, la receta se replica reconstruyendo esos mismos hechos desde los píxeles, leyendo el texto en pantalla y midiendo: coincidió con la verdad de terreno en 11 de 12 escenas en márgenes y en 12 de 12 en solapes, y en 9 casos de prueba no inventó ningún defecto grave. Son muestras chicas y las presentamos como lo que son: una validación inicial, no un estudio masivo.

Contamos también lo que no cierra. La lectura desde los píxeles está validada en pruebas, pero todavía no cableada al flujo diario: lo que corre hoy es el camino con código. Y días después de cerrar el experimento, un ojo humano cazó defectos que el crítico había dado por buenos —la pauta no le pedía mirar solapes entre figuras—, lo que significa que ese 1,0 se midió contra una vara incompleta; ya corregimos la pauta, pero aún no volvemos a medir con ella, así que el número de hoy no lo sabemos. El mejor juez sigue siendo una persona mirando.

La lección es general y vale para cualquier proceso donde una IA produce algo que un humano debe revisar mirando —informes, planos, fichas—: la percepción de una máquina no se arregla insistiéndole con palabras, se ancla con hechos calculados. Computar, no adivinar. Y si una empresa necesita que una IA revise material sensible sin que salga de sus servidores y sin pagar por cada uso, esta es exactamente la receta que aplicaríamos.

Quien necesita saber qué hay dentro de un video de media hora —una charla técnica, un tutorial, el registro de una cámara en terreno— tiene hoy dos caminos: verlo entero, o subirlo a la nube de un gigante tecnológico, pagando por minuto y sacando el material de su computador. Para volúmenes grandes o material confidencial, ninguno sirve. Queríamos un tercero: que un modelo corriendo localmente, sin enviar nada afuera, entendiera un video al nivel de Gemini, el modelo de inteligencia artificial de Google que hoy es la referencia en comprensión de video.

Antes de mejorar nada había que poder medir. Probamos lo obvio: que otra IA pusiera nota de calidad a los reportes. Puntuó el mismo informe con 37, 47, 100 y 75 — inservible para optimizar. La reemplazamos por algo aburrido y confiable: una lista de detalles verificables que sabemos que están en el video (les decimos anclas), donde el puntaje es el porcentaje de esos detalles que el reporte recupera. Esa vara alimenta un ciclo de prueba y mejora paso a paso —nuestro optimizador— que encontró la mejor configuración para cada tipo de tarea.

En vez de elegir un modelo por fe, cruzamos tres formas de procesar —mirar el video imagen por imagen acumulando historia, tragárselo todo de una, o trocearlo en ventanas de 12 imágenes y unir las piezas al final— con varios modelos de visión locales, contra Gemini como vara. Ganó el troceo con qwen3-vl, un modelo abierto de tamaño mediano —30 mil millones de parámetros— que corre en un computador potente de escritorio. En los dos videos donde comparamos cabeza a cabeza, igualó a Gemini 3.1 Pro en un tutorial de 20 minutos, y en un video de 32 minutos sobre teoría de la información captó el experimento de Shannon con su esposa Betty y a von Neumann acuñando la palabra "entropía" — detalles que una versión anterior de Gemini (2.5 Pro) dejó pasar, quedándose en la introducción. Dos videos son una muestra chica y lo decimos sin rodeos; lo que nos convence es el método, no el marcador. El video de 32 minutos se procesó en unos 200 segundos, sin tarifa por minuto: el costo real es la máquina que ya está comprada y la luz — y el material nunca sale de la oficina.

El ciclo de medición nos corrigió la intuición dos veces. Creíamos que más imágenes darían mejor resultado: el puntaje bajó de 70 a 66 sobre 100. El cuello de botella era otro: la síntesis final truncaba la transcripción y borraba especificidad al resumir. Arreglada, el puntaje subió a 94 y luego a 100 — las 10 anclas de 10. En un video de armado de computador, el mismo arreglo pasó de recuperar 5 o 6 de las 8 piezas a 7 de 8, y la pieza perdida no estaba ni en el audio ni legible en pantalla. También heredamos una restricción ajena: la herramienta original limitaba el análisis a 24 imágenes porque su analizador cobraba por imagen. En un video de 20 minutos esas 24 imágenes se agotaban en los primeros 4 minutos y el modelo rellenaba el resto inventando. Un modelo local lee gratis; borramos el tope y las invenciones desaparecieron. Lección: al heredar una herramienta, auditar qué límites eran de su contexto y no del nuestro.

Para validar contra algo externo usamos ActivityNet Captions, un conjunto público de la Universidad de Stanford con videos ya descritos por humanos: en el video de prueba, la descripción de escenas detectó 10 de los 11 eventos que ocurren. Y aquí el puente que importa: si tu operación acumula horas de video que no pueden subirse a la nube —cámaras de faena, monitoreo ambiental, registros con información de clientes— esto ya se puede pilotear con material tuyo.

Con franqueza, lo que falta y hacia dónde va: el caso de vigilancia que motivó todo aún no se valida con clips reales etiquetados — es el siguiente paso del plan, con material propio de cámaras. La extracción de datos en pantalla funciona en los casos probados, pero falta validarla en videos nuevos: conseguir una verdad de referencia limpia resultó más difícil que construir el sistema, y en eso estamos. Y Gemini conserva una leve ventaja para captar el encuadre general de un video —quién habla, cuál es su tesis— aunque en varios casos el modelo local ya lo iguala. Ninguna de esas brechas cambia lo central: hoy ya se puede entender un video de media hora sin que salga de la empresa.

AInstein es un laboratorio chileno de inteligencia artificial aplicada: no crea modelos de IA, crea aplicaciones sobre ellos, uniendo 14 años de consultoría ambiental con ingeniería de agentes. Una de esas aplicaciones mira hacia adentro: la memoria de trabajo de la empresa no la escribe solo gente. Cada noche, una IA lee el trabajo del día y lo convierte en un mapa — unas 5.125 fichas de personas, proyectos, entregables y decisiones, unidas por unas 8.500 conexiones — que se agrupa solo en 37 zonas temáticas, como carpetas que nadie rotuló a mano. Cada zona lleva un nombre y un resumen escritos por la propia IA, y ese resumen es lo que cualquiera del equipo ve cuando pregunta «¿de qué trata esta parte de la memoria?». El problema es simple de enunciar e incómodo de admitir: nadie verificaba si esos resúmenes decían la verdad. Si el resumen miente, todos heredamos la mentira.

Lo primero que probamos fue lo obvio: un humano. Revisó las 37 zonas y aprobó 35. Un día después, una revisión más profunda mostró que se le pasaron 3 casos más. No por descuido — verificar un resumen exige cotejar cada nombre y cada cifra contra los datos reales, y nadie hace eso 37 veces seguidas sin dormirse. La solución que exploramos fue fuerza bruta con contrapeso: 75 agentes, es decir, 75 copias de la IA, cada una con una sola instrucción acotada. Un auditor por zona (37) que revisa el resumen contra la evidencia; un refutador por auditor (37) cuyo único mandato es demoler ese dictamen; y una síntesis final que junta todo. Ahí está la innovación: no confiar en un revisor, sino poner a otro a destruirle el veredicto. El refutador no fue adorno: en un caso frenó una «limpieza» que habría borrado datos verdaderos — un empleo real de un socio y un candidato realmente entrevistado en marzo, que el auditor había dado por inventados.

Los números, en el orden que importa. La mala noticia: 8 de los 37 resúmenes inventaban datos — 1 de cada 5 citaba personas, facturas o herramientas que no existen entre sus propios datos, con total seguridad, sin una sola señal de duda. Y 5 de esas 8 zonas estaban perfectamente bien organizadas por dentro: el problema no era el archivo, era el relato sobre el archivo. La buena: la estructura en sí estaba sana en 33 de 37 zonas. El patrón es reconocible: cuando se le exige una etiqueta bonita, el modelo rellena los huecos con nombres plausibles. La prueba en contrario fue elocuente: la única zona desordenada cuyo resumen fue honesto («mezcla varios frentes sin un proyecto dominante») fue detectable justamente gracias a esa confesión. Cuando la IA puede admitir que no hay tema, admite. Cuando se le obliga a quedar bien, inventa.

Hubo además un hallazgo que no esperábamos. Sospechábamos de las zonas que dependen demasiado de una ficha central — un proyecto o una persona que conecta a casi todos los demás. Falso: de las 10 zonas con esa forma, 9 estaban impecables, porque un proyecto real naturalmente orbita alrededor de sí mismo. La única enferma era aquella cuyo centro es una persona transversal a todo: en una microempresa donde el fundador toca todos los frentes, su ficha es la más conectada del mapa, atrae fragmentos de todo y arma una zona sin tema. La señal de alarma no es cuánta gravedad tiene el centro, sino quién es.

La corrección — restarle peso a esa ficha antes de reagrupar — se probó en tres dosis, de la más tímida a la más radical. Solo la más radical deshizo la zona falsa sin romper 29 de las 33 sanas; las dosis intermedias no bastaron. Y aquí viene la parte menos heroica: decidimos no desplegarla todavía, y dejamos el costo por escrito — mientras tanto, esa zona sigue mostrando un resumen falso a quien la consulte. Preferimos un defecto conocido y acotado a una cirugía apurada, porque ya nos pasó: un arreglo anterior que parecía obvio hizo que la búsqueda en la memoria pasara de acertar 8 de cada 10 veces a solo 6, y hubo que revertirlo.

Esto no es un ejercicio de ombligo. AInstein viene de la consultoría ambiental, donde una IA que resume el expediente ambiental de un cliente necesita exactamente este control: si nuestra propia memoria puede mentirnos con aplomo, la de cualquier sistema también — y ahora sabemos cómo atraparla. Quedan deudas, y las decimos: un verificador automático que coteje cada resumen contra sus datos (un chequeo mecánico y barato que habría atrapado los 8 casos), la ejecución de la corrección con pruebas de que las zonas sanas no se rompen, y una zona que el revisor humano marcó como problemática y que el barrido no encontró — todavía debemos explicar por qué. Publicamos los pendientes porque la alternativa — un informe donde todo salió bien — sería exactamente el tipo de resumen que esta auditoría existe para desenmascarar.

En AInstein somos un laboratorio chileno de IA aplicada nacido de catorce años de consultoría ambiental — y esos catorce años de decisiones vivían repartidos en correos, actas y cabezas. Cuando alguien parte, se lleva el porqué: qué alternativa se descartó, cuándo, con qué argumento. Las bitácoras del equipo —los registros diarios de trabajo que llevamos por proyecto— ayudan, pero el texto suelto no sabe de relaciones ni de tiempo: no distingue que algo fue cierto hasta cierta fecha y después dejó de serlo.

Así que le agregamos al equipo una memoria que se construye sola. Cada noche, un proceso lee las bitácoras del día con uno de los modelos de IA más capaces del momento y teje un grafo: personas, proyectos, eventos y decisiones, con sus vínculos. Lo llamamos dream porque hace lo que hace el sueño: consolidar de noche lo vivido durante el día. Dos decisiones de diseño importan. Primera: los nombres de personas, clientes y proyectos se anclan a nuestras tablas de negocio, curadas por humanos, para que el modelo no invente entidades. Segunda: cada hecho lleva fecha de vigencia — cuando algo cambia, el vínculo viejo no se acumula, se invalida y se reemplaza, siguiendo la arquitectura que propone Zep, una empresa estadounidense especializada en memoria para agentes de IA (Rasmussen et al., 2025).

Para consultarlo implementamos HippoRAG (Gutiérrez et al., Ohio State, NeurIPS 2024), un método inspirado en cómo el cerebro recupera recuerdos: se identifican las entidades que menciona la pregunta, se usan como puntos de partida y la señal se propaga por el grafo hasta traer los pasajes de bitácora relevantes — un recuerdo llamando a otro.

Un sistema de memoria que no se mide es un adorno. Armamos un examen de 25 decisiones reales del equipo, cada una verificada a mano contra su bitácora fuente, y definimos acierto así: que la respuesta correcta aparezca entre los cinco primeros resultados. Es un banco chico a propósito — preferimos 25 preguntas duras a 500 blandas. El primer resultado fue humillante: acertaba solo el 28% de las veces. Diagnosticamos, corregimos el buscador del grafo, y hoy acierta en 8 de cada 10 consultas, con la respuesta correcta apareciendo, en promedio, cerca del segundo lugar. El examen quedó institucionalizado: de él derivamos una batería de 20 pruebas automáticas que corre ante cada cambio, y ningún cambio que baje del 80% de aciertos entra al sistema.

Lo que falta, sin maquillaje. El grafo cubre hoy unos 5 mil conceptos conectados por unas 8.500 relaciones, pero entrega pistas con puntaje, no hechos verificados: la regla de la casa es leer la fuente antes de afirmar. Cinco de las 25 decisiones del examen todavía se le escapan. Y al auditar los 37 grupos temáticos que el grafo detecta solo, encontramos que en 8 de ellos los resúmenes automáticos inventaban detalles. La corrección ya está construida y medida; decidimos postergar su despliegue porque, mientras el sistema entregue pistas y no veredictos, ese riesgo está contenido — y las horas fueron primero al buscador, que era donde el examen mostraba la falla grande.

Una viñeta para ingenieros: el proceso nocturno se colgaba con los proyectos densos, y nuestra hipótesis era que la cantidad de entradas hacía explotar el trabajo del modelo. Un experimento controlado nos refutó — el culpable era el tamaño total del texto, no la cantidad de piezas. La lección nos la repetimos seguido: antes de arreglar, diseñar el experimento que puede demostrar que estás equivocado.

Esta misma disciplina — medir antes de creer, anclar la IA en datos curados por humanos, decir en voz alta lo que falta — es la que aplicamos cuando trabajamos con los datos ambientales de nuestros clientes. Si su organización también tiene la memoria repartida en cabezas, ya sabe por dónde partiríamos: por un examen que pueda darnos vergüenza.

Conseia es nuestro asistente de IA que responde consultas sobre evaluación ambiental usando los 27.879 expedientes públicos del SEIA — el Servicio de Evaluación de Impacto Ambiental de Chile. Detrás hay un archivo documental de unos 4,9 millones de archivos que pesan 7,6 terabytes. A esa escala nadie revisa nada a mano, y los errores de datos tienen una propiedad incómoda: no lanzan alarmas. Un documento que falta, un nombre duplicado que pisa a otro, una conversión que quedó a medias — nada de eso avisa. Simplemente degrada las respuestas del sistema sin que nadie sepa por qué. Nuestra postura es que la integridad de un archivo así no se asume: se mide.

Cada noche corre un proceso de cinco fases: pone nombre a los archivos que llegan sin él, descomprime los paquetes de anexos, revisa el portal del SEIA en busca de documentos nuevos, convierte los PDF a texto que la IA puede leer —usando Marker, el motor de código abierto de Vik Paruchuri— y describe con un modelo de visión los planos escaneados que no tienen texto. Cada archivo queda registrado en una base de datos con su estado, y un tablero propio permite ver dónde se atascó cada noche. Los números grandes conviene reconciliarlos de entrada: de los ~4,9 millones de archivos, unos 2,45 millones son los documentos primarios de los expedientes; el resto son partes extraídas de comprimidos, imágenes y otros derivados de esas mismas piezas.

Auditar al auditor. La historia más humillante e instructiva: nuestro auditor automático reportaba cifras sospechosamente estables. Al investigar descubrimos que la interfaz de la base de datos recortaba en silencio toda consulta a 10.000 filas — sin error, sin aviso. El auditor creía recorrer los 2,46 millones de documentos y estaba viendo el 0,4%: problemas que afectaban a miles de documentos eran invisibles. El arreglo fue recorrer la base por páginas, de verdad, y antes de volver a confiar en el auditor corregido, verificarlo contra consultas independientes. Con el auditor ya honesto, la auditoría completa sobre 2.455.870 documentos dio un resultado que sí podemos afirmar: todos tienen su versión de texto legible por la IA —cero faltantes— y en todo el archivo apareció una sola colisión de nombres. Los 3.187 archivos que figuraban como "faltantes" resultaron ser derivados limpiados a propósito, no documentos primarios.

La bomba de 64 KB. Una noche de junio la conversión se colgó entera: el computador que hace el trabajo pesado quedó ocioso durante horas y nada avanzaba. Descartamos tres sospechosos antes de dar con el real: que el listado de millones de archivos se hubiera atascado (completó limpio), que una conexión de red muerta tuviera todo detenido (era una conexión ociosa e inofensiva), y que el sistema estuviera repitiendo trabajo ya hecho (no repetía nada). El culpable era un solo Excel de 64 KB — un anexo de mediciones de peatones en Rancagua — con una hoja que, por una celda fantasma perdida lejos del contenido real, declaraba ocupar unos 5.400 millones de celdas. La librería de lectura intentaba construir esa grilla completa en memoria: 113 gigabytes. Un test controlado confirmó 296 minutos en ese único documento. El arreglo lee las dimensiones declaradas sin cargar ninguna celda y salta las hojas con rangos absurdos, conservando las hojas sanas del mismo archivo: de 296 minutos a 0,05 segundos, y los ~6.758 Excel que quedaban por convertir quedaron neutralizados de una vez.

Mover terabytes sin fe. Al migrar el archivo a un almacenamiento nuevo, la regla fue no tocar el original hasta demostrar que la copia era idéntica: se calculó la huella digital (md5) de cada uno de los 2.204.456 archivos del primer disco y se comparó con la del original — cero diferencias — además de cotejar conteos y tamaños contra la base de datos. Recién entonces el disco original entró al nuevo sistema.

Lo que falta, con plan. La copia del segundo disco sigue en curso y el respaldo fuera de sitio aún no existe. Y hay una brecha temporal: la carga masiva cubre proyectos ingresados hasta diciembre de 2025; el mecanismo que incorpore automáticamente los proyectos nuevos es el siguiente paso del proceso nocturno, y mientras tanto los expedientes que un caso concreto necesite se incorporan a demanda con las mismas herramientas. Para quien usa Conseia, todo esto significa una cosa concreta: cada respuesta se puede rastrear hasta el documento y el expediente exactos de donde salió — y ese documento está verificado. La integridad no es un estado que se alcanza una vez: es un trabajo que corre todas las noches.

Cualquiera que haya revisado unas bases de licitación —el documento que fija las reglas y requisitos de un concurso público— conoce la escena: 500 páginas entre cuerpo principal y anexos, plazos repartidos por todo el documento y, de vez en cuando, una cláusula del anexo 7 que contradice lo que decía la sección 3. Uno pensaría que ese es trabajo perfecto para una IA de «contexto largo», de las que aceptan documentos enteros de una vez. El resultado engaña. El modelo responde con seguridad, pero su atención se degrada a medida que el texto crece — recuerda bien el inicio y el final, y el medio se le difumina, igual que a un lector cansado. Así, la contradicción entre la página 40, donde el plazo dice 30 días, y el anexo de la página 300, donde dice 15, pasa de largo — y quedar fuera del concurso por no verla lo paga la empresa.

A fines de 2025, el laboratorio CSAIL del MIT publicó Recursive Language Models (arXiv:2512.24601) con una vuelta de tuerca: en vez de agrandar la memoria de trabajo del modelo, dejar el documento fuera de ella. El texto se trata como un archivo que la IA explora sin leerlo entero. Un modelo «director» —un programa, no una persona— escribe pequeños programas que primero hojean muestras para entender la estructura, después dividen el documento en tramos del porte de un capítulo, descartan con filtros baratos todo lo que no viene al caso —si busca plazos, se queda con los tramos que mencionan fechas— y despachan solo los prometedores a un segundo modelo, más económico, que hace la lectura fina. Los hallazgos se van acumulando en listas de datos, así que el resultado final no depende de que nadie «recuerde» nada.

En AInstein implementamos el paradigma como herramienta interna y le sumamos dos cosas de cosecha propia: un modo exploratorio, donde el modelo director prueba una estrategia, mira el resultado y ajusta —como un analista que hojea antes de leer en serio—, y una segunda pasada de verificación para datos críticos, que relee cada hallazgo con más texto alrededor antes de darlo por bueno. La pieza quedó además integrada en flujos mayores: es el motor de lectura profunda de Conseia, nuestro consultor ambiental de inteligencia artificial —un producto de software, no una persona— que trabaja con expedientes de evaluación ambiental, los legajos que reúnen los antecedentes de un proyecto para su evaluación por el Estado. Ahí se reserva para los expedientes que ya pasaron una primera selección con métodos más livianos.

Nuestra evidencia es operativa: la herramienta trabaja sobre bases de licitación y expedientes de evaluación ambiental reales —extraer todos los plazos, detectar contradicciones entre secciones, búsquedas exhaustivas— y entrega. La diferencia económica la hace el filtrado previo, que baja las lecturas del modelo económico de miles de tramos posibles a unas pocas decenas por documento. Lo que todavía no tenemos es la cifra propia: los números duros son del paper del MIT —el enfoque recursivo supera al de documento entero justo donde hay que revisarlo todo (+28%) o comparar secciones entre sí (+57%)—, medidos en sus tareas, no en nuestras licitaciones. Medirlo en nuestros documentos es lo que sigue.

Tampoco sirve para todo, y tenemos una regla explícita para elegir camino: si la pregunta exige mirar más de la mitad del documento a la vez —un resumen global, el tono general—, pasarle el texto completo de una sola vez sigue siendo mejor. Los PDF, además, se convierten primero a texto plano, y en esa conversión puede haber pérdida. Y para datos donde un error cuesta caro —montos, fechas legales— el humano sigue revisando: la verificación automática ayuda, pero no la soltamos sola.

Una palabra sobre confidencialidad, porque en licitaciones es lo primero que se pregunta: el modelo que dirige la lectura corre en nuestra propia infraestructura y el documento nunca se sube entero a ningún servicio — solo los tramos que pasan el filtro viajan, por API, al modelo lector. Con bases de licitación, que son documentos públicos, eso no es tema; con material reservado lo decimos derecho: esos tramos sí salen, y se evalúa caso a caso antes de usar la herramienta.

Si tiene unas bases que le quitan el sueño, escríbanos: nos interesa poner la herramienta a prueba con documentos que no sean los nuestros, extraerles los plazos y mostrarle las contradicciones que aparezcan.

En Chile, todo proyecto de inversión con impacto ambiental —una minera, un parque eólico, una planta desaladora— debe pasar por el Sistema de Evaluación de Impacto Ambiental, el SEIA: el portal público donde ese trámite se lleva, expediente a expediente, hasta que el proyecto obtiene o no su permiso. Los números salen del propio historial de tramitación del sistema: un Estudio de Impacto Ambiental promedio cuesta cerca de $950 millones de pesos, demora 1.175 días, y ningún proceso —cero— termina dentro de los plazos legales.

Buena parte de ese tiempo se va en el ida y vuelta con la autoridad: el Servicio de Evaluación Ambiental observa —pide aclaraciones, exige estudios adicionales— y el titular, la empresa dueña del proyecto, responde; y así una o varias rondas. Lo frustrante es que casi todo lo que la autoridad va a preguntar ya lo preguntó antes, en algún expediente parecido, y casi toda respuesta que funcionó también está escrita. Pero ese precedente vive disperso en miles de PDFs, imposible de consultar de forma sistemática. Hoy lo cargan en la memoria los profesionales más experimentados de cada consultora — y en ninguna parte más.

Lo que hicimos fue convertir ese archivo en algo que una máquina pueda leer. Descargamos el SEIA completo —27.879 expedientes desde el año 2000, que contienen 919.000 documentos— y los pasamos a texto, uno por uno. No fue solo descargar: hubo que renombrar archivos, extraer comprimidos y domar formatos hostiles (un solo Excel malformado llegó a colgar una noche entera de procesamiento). Al final auditamos el conjunto completo. Como cada documento se verifica en varias etapas —descarga, extracción, conversión—, la revisión recorrió cerca de 2,45 millones de registros para confirmar una cosa simple: que cada documento descargado tuviera su versión en texto. No falta ninguno.

Tener los documentos no basta. Un filtro por tipo de proyecto y región devuelve cientos de expedientes, y ningún sistema —humano o de IA— puede leerlos todos por cada pregunta. La apuesta que guía la siguiente fase es otra: procesar cada documento una sola vez, por adelantado, y dejar escrito qué es, qué argumenta, qué normas cita y cómo terminó — y, sobre todo, extraer los pares observación→respuesta de las rondas con la autoridad: qué exigió el Servicio de Evaluación Ambiental y qué respuesta lo satisfizo. Eso es jurisprudencia operativa, y compilada no existe en ningún otro lado. Lo decimos como lo que es: esa extracción está diseñada, pero todavía no corre sobre el archivo completo. Es la próxima fase, no un logro que estemos exhibiendo.

En el camino evaluamos un patrón popular en la comunidad de IA —mantener el conocimiento en notas enlazadas que un modelo navega, propuesto por Andrej Karpathy— y lo descartamos con razones: funciona para un centenar de fuentes y un lector humano, no para 27 mil expedientes que hay que filtrar por región, tipología y fecha. Tomamos la idea de fondo —compilar la síntesis una vez y reutilizarla en cada consulta— y descartamos la forma.

Tres pendientes, con su orden. El archivo que descargamos llega hasta los ingresos de diciembre de 2025, y eso no es nota al pie: para un producto cuyo valor es el precedente reciente, meses de rezago limitan el uso real. Por eso el capturador incremental —que traiga los proyectos nuevos y los documentos que los titulares agregan a expedientes vivos— es lo primero en la cola de desarrollo. Después viene la extracción masiva de pares observación→respuesta, sobre un archivo ya al día. Y Conseia —el consultor de IA para tramitación ambiental que construimos sobre este cimiento— está en etapa temprana, camino a validarse con usuarios reales.

Lo que ya nadie nos quita: todo el sistema de evaluación ambiental de Chile convertido en texto, verificado documento a documento. Que sepamos, ese cimiento no existe en ningún otro lado — y sin cimiento no hay segundo piso.