Perplexity ha lanzado Brain, un sistema de memoria para su agente Computer, y la parte interesante es lo que elige recordar. Mientras que la memoria de la IA de consumo ha significado sobre todo recordar las preferencias de un usuario, ese tipo de cosa que hace que un chatbot recuerde tu nombre o tu estilo de escritura, Brain recuerda el propio trabajo del agente: lo que hizo, lo que salio mal y lo que aprendio. La compania lo anuncio el 18 de junio como una research preview.

En su centro hay un context graph, que Perplexity describe como una wiki construida automaticamente que mapea las personas, los proyectos, las ideas y las piezas en movimiento del mundo de un usuario. A medida que el agente trabaja, registra tareas, resultados y correcciones, y cada entrada del grafo enlaza con la sesion, el archivo o el documento del que proviene. Esa trazabilidad es la clave: en lugar de una nocion vaga de lo que sabe, el agente puede mostrar de donde se origino una determinada pieza de conocimiento.

La parte que mejora sola sucede durante la noche. Cada noche, Brain revisa las sesiones del dia y sintetiza las correcciones pendientes en lecciones reutilizables, y en dias posteriores el agente recupera las lecciones relevantes antes de empezar una tarea similar. En efecto, el sistema esta construido para dejar de repetir sus propios errores, aprendiendo de ser corregido como lo haria un nuevo empleado, en lugar de empezar cada tarea desde cero.

Perplexity informa de mejoras propias a partir de este enfoque: un aumento del 25 por ciento en la correccion de las respuestas en tareas repetidas, una mejora del 16 por ciento en la recuperacion y una reduccion del 13 por ciento en el costo del trabajo que depende del historial. Por ahora Brain es una research preview disponible solo para suscriptores de Perplexity Max y Enterprise Max, y no hay una API publica de Brain. La compania ha mostrado pseudocodigo ilustrativo, pero todavia no ha entregado una forma de que desarrolladores externos construyan sobre ella.

La razon por la que vale la pena seguir esto es que apunta hacia donde se dirige la memoria de los agentes. Recordar a un usuario es facil y en su mayoria cosmetico, pero recordar el trabajo, anclar cada memoria en su fuente y consolidar las lecciones para que el sistema mejore con el tiempo es el problema mas dificil y mas util, y el paso de sintesis nocturna es un guino reconocible a como funciona la consolidacion de la memoria de forma mas amplia. Las advertencias son las habituales para una preview: las cifras son de Perplexity, no hay una evaluacion independiente y el acceso es limitado. Pero un agente que mejora de forma medible en una tarea la segunda vez porque recordo en que se equivoco la primera es un tipo de memoria mas significativo que uno que solo recuerda tu nombre.