13/08/2026
Bóveda de Conocimiento
Hace unos días, una idea de Andrej Karpathy sobre los LLM Wiki me hizo pensar:
¿Y si en lugar de darle documentos continuamente a una IA construimos una memoria permanente, ordenada y actualizable de la empresa, diseñada para que trabajen sobre ella los LLM?
He investigando esa idea y la he llevado a la práctica en EfectoRebote.
He construido una Bóveda de Conocimiento empresarial en local donde estructuro información financiera, fiscal, estratégica, operativa, proyectos, decisiones, documentación, aprendizajes…
Pero para mí lo realmente potente aparece al combinarla con algo que llevo tiempo explorando: los Projects de ChatGPT como ecosistema de expertos verticales alrededor de la empresa.
En lugar de un asistente generalista, tengo chats especializados en finanzas, fiscalidad, estrategia, estructura empresarial, innovación, posicionamiento… Cada uno con capacidades específicas, pero todos trabajando sobre una misma memoria de EfectoRebote.
Una memoria empresarial → múltiples inteligencias especializadas trabajando sobre ella.
La Bóveda no es una carpeta de documentos:
RAW → fuentes y evidencias originales.
Wiki → conocimiento estructurado y relacionado.
Sistema → reglas para incorporar, actualizar, consultar y validar.
Así conserva qué sabemos, qué sabíamos, qué ha cambiado, qué es un hecho, decisión o interpretación y qué todavía no podemos acreditar.
La ventaja: convierte información en conocimiento preparado para los LLM: permite incorporar nuevas fuentes rápidamente, mantener trazabilidad, reducir tokenización y conectar info transversal sin necesitar de entrada complejos sistemas RAG. Esto abre la posibilidad de trabajar con modelos más pequeños.
El modelo puede cambiar. La memoria permanece.
Para comprobarlo preparé una prueba de 30 preguntas sobre conocimiento real de la empresa, algunas diseñadas para provocar errores de contexto, temporalidad o interpretación.
Resultado: 297/300. 99 %. 0 errores críticos.. Y la prueba la hice con el modelo Luna de OpenAI.
Esto refuerza una intuición que quiero seguir investigando: no todo consiste en utilizar modelos cada vez más potentes. Importa muchísimo la calidad de la memoria que ponemos detrás.
Ahora comienza la segunda parte:
Actual: Bóveda local + Projects de ChatGPT + expertos verticales.
Siguiente: Bóveda local + modelos locales + expertos/agentes locales. Totalmente privado.
Llevando la capa LLM a local ganamos: privacidad, autonomía y trabajo con información empresarial sensible.
Si el volumen algún día lo exige, tendrá sentido evolucionar hacia búsqueda híbrida, embeddings, RAG, GraphRAG… pero no antes.
Primero construir bien la memoria. Después añadir complejidad cuando haga falta.
Porque quizá una de las grandes oportunidades de la IA empresarial no sea tener modelos que sepan muchísimo, sino conseguir que sepan muchísimo de nuestra empresa.
Y eso es lo que estoy intentando construir
*Imagen no real realizada con IA.
