Cuando un miembro de un equipo corrige un agente de inteligencia artificial (IA) –ya sea mediante mejores comandos, retroalimentación más precisa o contexto adicional– esa mejora no se transmite a sus compañeros. En cuanto otro usuario abre la misma herramienta, el agente vuelve a empezar desde cero, ignorando la corrección previa.
Este problema se agrava en los flujos de trabajo que involucran múltiples agentes, donde se espera que compartan contexto entre diferentes usuarios y tareas. Sin una capa de memoria compartida, cada colaborador entrena a un agente diferente cuya versión nunca se sincroniza ni mejora en conjunto.
Las cifras confirman este vacío: el 75% de los trabajadores del conocimiento utilizan inteligencia artificial en sus puestos, pero apenas el 5% de las empresas ha evidenciado un aumento tangible en productividad, según un estudio de Asana. 
Arnab Bose, director de producto de Asana, destaca que aunque los proveedores de modelos han avanzado mucho en mejorar el razonamiento automático y las iteraciones de corrección, todavía luchan para integrar un contexto laboral común en sus sistemas que pueda ser comprendido y aprovechado por los humanos en un entorno colaborativo.
Asana está trabajando en una plataforma denominada Agentic Work Management que incorpora justamente esta memoria compartida. Su objetivo es que cuando un usuario corrige un agente, esa corrección beneficie a todo el equipo, evitando que cada miembro deba reinventar la rueda o convertirse en un experto en creación de comandos o gestión de contexto.
Este «grafo de contexto» alimenta a los agentes dentro del sistema, de modo que puedan operar con conocimiento previo sin necesidad de repartir esa tarea entre todos los humanos del equipo, explica Bose. La arquitectura de memoria compartida no solo es crucial para Asana, sino que, asegura, será una decisión fundamental para cualquier empresa que pretenda adoptar flujos de trabajo con múltiples agentes de IA.
El reto de la memoria en flujos multiagente y multiplataforma
Los modelos que impulsan a estos agentes son por diseño sin estado, lo que implica que la memoria debe gestionarse como una capa externa al contexto inmediato de cada consulta o interacción. Aunque se han logrado avances notables en este campo, aún no está claro qué información debe almacenarse, quién controla esos datos y cómo se evita que la información se desincronice cuando varios agentes y usuarios escriben sobre la misma instancia.
Mientras que para casos de uso individual el reto es manejable, en escenarios empresariales con agentes trabajando para todo un equipo surgen problemas como la repetición innecesaria de tareas, versiones contradictorias de la realidad y propagación de errores. Esto puede generar tensión incluso entre los agentes mismos, que podrían estar dando resultados dispares.
Sriharsha Chintalapani, cofundador y CTO de Collate, señala que la ausencia de memoria compartida es un obstáculo serio para mantener la consistencia en flujos con múltiples agentes. Según explica, los agentes dependen mucho de la calidad de los comandos recibidos: un usuario con experiencia puede formular instrucciones más detalladas y aportar correcciones que el agente registra y aplica posteriormente, mejorando así su desempeño para ese individuo. Sin embargo, este aprendizaje queda limitado a cada usuario.
Chintalapani sostiene que las empresas deben dejar de considerar la memoria compartida solo como un problema de ingeniería de comandos y empezar a construir sistemas que puedan repetir y mantener el contexto en todas las interacciones del agente.
En la misma línea, Neej Gore, director de datos de Zeta Global, afirma que el contexto compartido funciona como una memoria viva que amplifica la inteligencia colectiva dentro de las organizaciones.
Una posible vía es desarrollar agentes que recuperen la memoria de forma relacional, extrayendo el contexto adecuado según la consulta o tarea en curso, un enfoque que pocos actores fuera de los grandes proveedores de modelos están actualmente capacitados para implementar.
Agentes personales versus agentes para equipos
Existen muchos agentes de IA en las empresas, pero la mayoría funcionan como asistentes personales enfocados en las necesidades de un solo usuario. Esto implica que los comandos, documentos y preferencias están ligados a una cuenta individual, lo que limita el aprendizaje conjunto y la colaboración.
Plataformas como Microsoft Copilot abordan el problema desde una perspectiva individual, aprendiendo del rol, tono y hábitos de un usuario para adaptar su rendimiento, pero no abordan la sincronización de ese conocimiento con toda la organización.
Así, para los equipos técnicos y responsables de compra de soluciones de IA, la capacidad de una plataforma para gestionar memoria compartida se ha convertido en un criterio esencial. Un agente que solo aprende para su usuario exigirá mantenimiento constante y aislado, mientras que uno conectado a una capa común de memoria podrá construir y preservar el conocimiento institucional de forma automática y colaborativa.
