MaluDB: memoria de IA a largo plazo
El almacenamiento está resuelto. La memoria, no. El fallo caro no es perder el registro. Es reutilizar el conocimiento sin el contexto que lo hacía seguro.
Coautor, no propietario del repositorio
Figuro con mi nombre como coautor del preprint abierto publicado en Zenodo (mayo de 2026), junto con otros nueve investigadores. Contribuí a través de sesiones de trabajo de AI Master Community sobre arquitectura y lluvia de ideas de requisitos. No soy propietario del repositorio de MaluDB ni dirijo su implementación.
Este caso de estudio explica el problema que aborda el artículo y por qué importa para mi trabajo. El artefacto que se puede inspeccionar es el preprint, no una base de código que yo mantenga.
Los sistemas guardan el registro y pierden el contexto
Las organizaciones ya almacenan registros, documentos, tickets, logs y mensajes. El fallo más difícil es la reutilización. Cuando un equipo o un agente recupera una cifra antigua, una decisión anterior o una política que se recuerda a medias, a menudo no tiene la evidencia que hay detrás ni sabe cuándo era cierta, quién podía verla, por qué se tomó la decisión y cómo se vinculaba con el trabajo que la rodeaba.
Las personas parchean ese vacío con reuniones y memoria. Los agentes de IA lo empeoran: reutilizan a escala, con aplomo y sin el hábito incorporado de comprobar la procedencia, los permisos o la vigencia temporal. El resultado no son solo respuestas equivocadas. Son errores caros que parecen tener autoridad.
Un DBMS nativo de memoria, no otro almacén de documentos
El preprint propone un Memory DBMS: un sistema de gestión de bases de datos para la memoria institucional a largo plazo, compartida por personas, aplicaciones y agentes de IA. En lugar de tratar la memoria como una búsqueda sobre archivos, define Memory Objects (objetos de memoria) que llevan los metadatos necesarios para reutilizar con seguridad:
- Enlaces a las fuentes y procedencia. De dónde salió una afirmación y qué cadena de evidencia la respalda.
- Vigencia temporal. Cuándo era cierto algo, para que el contexto obsoleto no pase por un hecho actual.
- Permisos y registros de auditoría. Quién podía verlo, quién lo cambió y qué estaba permitido en ese momento.
- Confianza, precisión y estado del ciclo de vida. Cuán sólido es el registro, cuán específico es y si está en borrador, activo o retirado.
- Relaciones con el flujo de trabajo. Cómo se conecta un objeto de memoria con las decisiones, los tickets y los procesos que lo rodean.
El artículo también expone el modelo de objetos, el modelo de recuperación, los requisitos de seguridad y gobernanza, los requisitos de implementación y un plan de evaluación para un Memory DBMS escalable.
La capa de memoria que falta se puede especificar de forma concreta
Para mi posicionamiento, este trabajo demuestra un pensamiento a nivel de sistemas en la frontera de la infraestructura: no prompts ni demos, sino los requisitos de una memoria duradera y gobernable en flujos de trabajo entre personas e IA. La prueba es pública y se puede inspeccionar. Cualquiera puede leer el preprint, cuestionar la arquitectura y ver si la especificación se sostiene.
También muestra que puedo contribuir a una colaboración de investigación seria y poner mi nombre en un trabajo que estoy dispuesto a defender en abierto, con los límites expuestos con claridad.
Dónde está la línea de la honestidad
- Es un preprint y una propuesta de arquitectura, no una base de datos lanzada ni un despliegue en producción.
- El artículo presenta un plan de evaluación, no resultados de benchmarks ni afirmaciones sobre rendimiento real.
- Es una investigación en coautoría con otros nueve autores. No es una construcción en solitario y no soy quien dirige la implementación.
- Hoy no hay ninguna implementación de referencia pública que yo mantenga. El artefacto que puedes inspeccionar ahora es el artículo en Zenodo.
- El criterio sigue siendo humano. El diseño conserva la procedencia y los permisos para que las personas puedan auditar lo que reutiliza la IA, en lugar de fiarse de la recuperación sin más.
El preprint en Zenodo
El artefacto público de referencia es el preprint de acceso abierto. Léelo, comprueba las afirmaciones y decide si la capa de memoria está especificada con el rigor suficiente para construir sobre ella.
Más adelante puede llegar una implementación pública en GitHub. Hasta entonces, esta página enlaza solo con lo que está publicado y se puede inspeccionar hoy. Empezar una conversación →