Una mejor decisión es importante. No es suficiente.

—Esto se resuelve solo. En un par de años las ventanas de contexto van a ser infinitas. Le metés todo adentro —los manuales, los contratos, la normativa, el histórico— y le preguntás lo que quieras.

—¿Y la trazabilidad?

—Eso también. Si está todo adentro, el modelo lo ve todo.

La promesa es seductora porque es casi cierta: las ventanas de contexto crecen rápido, los modelos atienden cada vez mejor, y cada mes es más barato meter más adentro.

Asentís. Y por un segundo pensás: tiene razón, esto se arregla solo.

Después caés en la cuenta de que, en toda la conversación, nadie habló de lo que pasa después de que el modelo contesta.

El problema no se muere. Se muda.

Tomá una decisión real, de las que tu organización toma cientos de veces por mes. Aprobar —o no— una excepción: un descuento fuera de política, un crédito por encima del límite, un gasto no presupuestado, una contratación fuera de banda. Plata real, consecuencias, y tarde o temprano alguien va a tener que explicar por qué se decidió así.

El conocimiento para esa sola decisión está fragmentado: las políticas, los contratos, los casos previos análogos, la normativa, lo que se decidió la última vez que pasó algo parecido. Hoy eso vive en sistemas, en mails, en planillas y en la cabeza de tres personas.

Ahora concedamos la promesa entera. Contexto infinito, gratis, con atención perfecta. Volcamos todo adentro. La persona pregunta "¿corresponde aprobar esto?" y el modelo contesta impecable, citando la política exacta.

Parece que el problema murió. No murió. Se mudó de lugar. Y se ve exactamente en lo que pasa después.

El contexto infinito no tiene memoria

Hay algo que conviene nombrar en voz alta:

La ventana de contexto no es un sistema de registro. Es una pantalla que se reconstruye en cada consulta.

Esto no es una limitación técnica que un modelo más grande vaya a resolver. Es una característica estructural de lo que un contexto es. Aunque fuera literalmente infinito, sigue siendo efímero: existe durante una inferencia y desaparece. Que un modelo pueda ver todo no significa que la organización recuerde nada.

Y seamos honestos: la ampliación del contexto es extraordinaria y resuelve un problema real —disponibilidad de conocimiento en el momento de responder. Eso no está en discusión. Lo que está en discusión es si ese problema es el problema.

Mirá lo que pasa seis meses después. Las tres preguntas que importan no vienen de afuera: vienen de adentro. Y ninguna se contesta mirando lo que el modelo veía aquel día.

Alguien revisa dos casos:

—¿Por qué aprobamos este en marzo y rechazamos uno idéntico en mayo?

Eso es continuidad, y el contexto no la guarda. La ventana de marzo ya no existe. Para responder hace falta la decisión registrada: quién la tomó, con qué criterio, bajo qué política vigente entonces. El contexto te dio la respuesta de aquel día; no dejó rastro de por qué la diste.

Alguien nuevo hereda una decisión que tomó un colega que ya no está:

—En abril cambió el criterio. ¿Bajo qué versión de la regla se decidió cada caso?

Eso es procedencia. El contexto contiene ahora la regla vieja y la nueva, planas, conviviendo. ¿Cuál gobernaba en cada fecha? El modelo no lo sabe salvo que la vigencia esté codificada en el Sistema. Más tokens no desambiguan: agregan ruido.

Y la pregunta de fondo, la de todos los días:

—Tienen cuatro personas decidiendo lo mismo en cuatro lugares. ¿Cómo garantizan que deciden igual ante casos iguales?

Eso es gobierno. Sin escritura controlada ni estado compartido, cada uno opera sobre su propia ventana y produce decisiones inconsistentes para casos iguales.

Tres semanas —o tres meses— después, la organización contestó bien cada consulta por separado, y no puede defender ninguna como cuerpo.

El sesgo que lo sostiene

Hay una narrativa dominante que casi no cuestionamos: el problema de la IA en las organizaciones es un problema de capacidad del modelo. Si todavía no funciona, es porque el modelo no es lo bastante grande, el contexto no es lo bastante amplio. Esperá a la próxima versión.

Y la respuesta de la industria es cada vez más sofisticada. Ya no se trata solo de una ventana más grande: se habla de context engineering —ensamblar con cuidado qué ve el modelo en cada consulta, con recuperación, herramientas y memoria— y de agentes que trabajan en un loop: planifican, actúan, observan el resultado y se corrigen, vuelta tras vuelta, hasta cerrar la tarea. Es un salto real. Y la pregunta honesta es: ¿esto resuelve el problema?

El de la respuesta, sí. Un agente bien armado, con buen context engineering y un loop que se autocorrige, contesta mejor, se equivoca menos y ejecuta cosas que antes no podía. Eso es genuino y va a seguir mejorando.

Pero mirá dónde vive todo eso. El context engineering arma el contexto de esa inferencia. El loop itera dentro de esa corrida. Cuando la corrida termina, el ensamblado se descarta y el loop se cierra. Lo que queda es una respuesta mejor —y, otra vez, ningún rastro gobernado de por qué se decidió así. Es la misma pantalla efímera, mejor pintada: sube el techo de la respuesta, no pone piso a la memoria de la organización.

Continuidad, procedencia y gobierno no son funciones del modelo ni de su harness. No salen de una ventana más grande, ni de un loop más astuto. Son propiedades de la organización: de cómo preserva, atribuye y coordina su conocimiento entre una consulta y la siguiente. Y ningún producto de mercado las resuelve por defecto —tampoco los agénticos—, así que la conversación se desvía hacia lo único que sí se puede comprar: más tokens, más contexto, mejores agentes.

La consecuencia que casi nadie nombra

Una organización no se sostiene por contestar bien la pregunta de hoy. Se sostiene por poder explicar, mañana y ante quien corresponda, por qué la contestó así.

Esa segunda capacidad —rendir cuentas de la propia decisión a lo largo del tiempo— no aparece por acumulación de respuestas brillantes. Aparece cuando existe un lugar donde cada decisión queda registrada, atribuida, fechada y atada a la versión de la verdad que regía cuando se tomó.

El contexto infinito te da la primera. Nunca te da la segunda. Y en cualquier organización donde alguien pueda preguntar "¿por qué hicieron esto?" —un director, alguien que recién llega, finanzas, un cliente que reclama, mañana quien deba auditar— la segunda es la que importa.

Lo que estamos construyendo

Que quede claro: no estamos en contra de ventanas de contexto más grandes, ni de los agentes. Son herramientas excelentes y van a seguir mejorando. El punto es otro.

Lo que falta no es un modelo que vea más. Es un Sistema que recuerde: el registro maestro de la organización, donde el conocimiento se cura, se versiona y se gobierna; donde cada decisión deja una traza de quién, cuándo y bajo qué criterio; donde el contexto de cada consulta no se improvisa, sino que se ensambla desde una fuente de verdad gobernada.

No reemplaza al modelo. Lo completa. El modelo contesta; el Sistema es lo que le permite a la organización sostener esa respuesta seis meses después, frente a quien pregunte.

Antes de apostar a que el próximo modelo resuelva tu problema

1. ¿Tu problema es que el modelo no ve lo suficiente, o que tu organización no recuerda lo que decidió?
2. Si mañana tuvieras que justificar una decisión de hace seis meses, ¿podrías reconstruir por qué la tomaste?
3. Cuando la persona que la tomó ya no esté, ¿queda algo más que su memoria?

Si esas respuestas no están claras, no es un problema de capacidad del modelo. Es un problema de dónde vive tu conocimiento, y de quién responde por él.

En una línea — El contexto infinito puede contestar la consulta de hoy. No puede explicar, mañana, por qué la contestó así. Esa diferencia no la cierra ningún tamaño de ventana: la cierra el Sistema donde la organización recuerda lo que decidió.

---

Una mejor decisión es importante. No es suficiente. Lo que sostiene a una organización no es la respuesta de hoy, sino poder explicar mañana por qué la dio.

---