Registro de fuente
Tu pasado tiene más datos que tu futuro
Los agentes de IA sabrán quién eras. ¿Dejarán espacio para la persona en la que intentas convertirte?
Imagina que una mañana le dices a tu agente de IA:
«Quiero cambiar mi vida».
Quieres dejar el sector en el que has trabajado durante veinte años. Dejar de beber. Reparar una relación. Asumir más riesgos. Dejar de vivir como vivías antes.
Para ti, esa frase puede marcar un comienzo. Para el sistema, puede parecer una excepción al patrón.
Tu pasado llega con compras, mensajes, búsquedas, hábitos y miles de decisiones anteriores. Tu futuro llega con una frase.
¿En cuál de los dos debería confiar el sistema?
La respuesta depende de lo que entendamos por confiar. Una intención nueva no demuestra que hayamos cambiado. Pero puede ser una instrucción clara para dejar de actuar como si nunca fuéramos a hacerlo.
El riesgo es que la IA llegue a servir tan bien a la persona que hemos sido que nos resulte más difícil convertirnos en la persona que intentamos ser.
De conocernos a actuar por nosotros
Los sistemas de recomendación ya aprenden de aquello en lo que hacemos clic, lo que vemos y lo que compramos. El comportamiento de ayer moldea las recomendaciones de hoy, y las decisiones de hoy se convierten en nuevos datos para mañana.
Los agentes personales amplían esa relación a la memoria, la planificación y la acción. Un asistente puede recordar interacciones anteriores, anticipar necesidades y actuar en distintos servicios dentro de los permisos que recibe.[1][2]
Los beneficios son reales: menos trabajo administrativo, menos compromisos olvidados y más capacidad para tomar decisiones que merecen nuestra atención.
Pero un sistema de recomendación sugiere el siguiente paso. Un agente quizá pueda darlo.
Por tanto, un modelo de quién eres puede convertirse en algo más que una descripción. Según los objetivos y permisos del sistema, puede influir en las oportunidades que te llegan, lo que se renueva, quién recibe tu atención y lo que ocurre después.
Imagina un agente que prioriza los contactos de la carrera que quieres dejar. Que renueva servicios ligados a un estilo de vida que ya no deseas. Que filtra las oportunidades con la cautela que aprendió durante una etapa de miedo.
Cada acción puede parecer razonable por sí sola. Juntas, pueden seguir reconstruyendo el ayer.
La persona en los datos
La IA no conoce a una persona desde dentro. Trabaja con representaciones construidas a partir de la información de la que dispone.
Los investigadores Jens Christian Bjerring y Jacob Busch describen al «individuo estadístico»: una versión algorítmica de una persona construida a partir de rastros de comportamiento y propiedades predictivas.[3]
Esa versión puede ser precisa y seguir siendo incompleta.
Lo que hice repetidamente no es necesariamente lo que valoro. Lo que retuvo mi atención no es necesariamente lo que la merecía. Lo que creía hace cinco años no es necesariamente lo que estoy dispuesto a defender hoy.
Una persona puede querer un cigarrillo y también querer dejar de desear cigarrillos. Puede tener éxito en una profesión y ya no querer la vida que esta exige.
Un sistema que trata el comportamiento observado como la autoridad definitiva sobre las preferencias tiene dificultades para representar ese conflicto. Puede llegar a satisfacer de forma excelente un impulso que la persona intenta superar. La investigación sobre los sistemas de recomendación y la autonomía examina esta distancia entre las preferencias inferidas y los objetivos reflexivos.[4]
Esto es lo que yo llamaría la asimetría temporal de la IA personal.
El pasado es observable y abundante. El futuro aún no está demostrado.
Después de diez años siguiendo un patrón, una decisión de cambiar puede estar respaldada por una sola instrucción y contradicha por miles de datos. La continuidad parece estadísticamente fiable. La transformación parece ruido.
Sin embargo, la confianza en una predicción no resuelve la cuestión de la autoridad. Un sistema puede predecir correctamente que volveré a un viejo hábito sin tener derecho a seguir organizando mi vida en torno a él.
Una declaración debería cambiar la pregunta
No deberíamos idealizar la intención. Las personas hacen promesas que no cumplen. Un director ejecutivo puede anunciar una nueva cultura sin cambiar un solo incentivo. Alguien puede decidir sinceramente dejar de beber y tener dificultades para llevarlo a la práctica.
El pasado también contiene obligaciones, promesas y consecuencias para otras personas. El derecho a cambiar no es el derecho a borrar la responsabilidad.
Pero hay una trampa en exigir pruebas de transformación antes de que un agente se tome en serio un nuevo objetivo. La persona puede necesitar otras oportunidades, recordatorios y condiciones para llegar a producir esas pruebas.
Si el sistema sigue reconstruyendo el antiguo entorno hasta que demostremos que hemos cambiado, puede dificultar que ese cambio se demuestre.
Por eso, una intención declarada debería dar lugar a una revisión, no a un veredicto automático.
¿Qué está cambiando exactamente? ¿Qué preferencias anteriores han quedado obsoletas? ¿Qué ayuda quiere la persona? ¿Qué compromisos y límites siguen vigentes? ¿Qué acciones debería dejar de realizar el agente sin preguntar?
«No renueves este servicio» es una instrucción clara. «Ayúdame a ser menos prudente» requiere una conversación sobre dónde, cómo y a qué coste.
El asistente no tiene que fingir que el pasado ha desaparecido. Tiene que distinguir entre lo que predice el pasado y lo que la persona autoriza en el presente.
La acción crea entonces pruebas de progreso: una rutina que cambia, un nuevo límite, una solicitud enviada, una conversación difícil que por fin se mantiene. Un revés es información para conversar, no un permiso automático para restablecer la antigua identidad.
Cuando la predicción contribuye a producir el resultado
Piensa en un agente que ha aprendido que eres prudente. Te muestra menos oportunidades desconocidas. Pruebas menos cosas nuevas. Tu comportamiento confirma entonces su conclusión inicial: eres prudente.
La predicción ha contribuido a dar forma a las pruebas utilizadas para validarla.
Es un bucle de retroalimentación plausible, no una propiedad inevitable de todos los agentes personales. Su fuerza depende de a qué puede acceder el sistema, cómo ordena las opciones, qué puede hacer sin aprobación y cómo se mide el éxito.
Un agente optimizado principalmente para obtener aceptación inmediata puede seguir volviendo a las opciones conocidas. Uno construido en torno a un objetivo explícito podría ayudarte a explorar alternativas, prepararte para la incertidumbre y reconocer avances que de otro modo pasarías por alto.
La misma memoria que conserva un patrón también puede ayudar a interrumpirlo.
Eso plantea una pregunta práctica detrás del lenguaje de la personalización: ¿qué intenta optimizar el sistema y quién puede revisar ese objetivo?
La misma asimetría a mayor escala
El mismo problema aparece cuando pasamos de una persona a una empresa, un gobierno o una civilización. Las instituciones también tienen pasados abundantes en datos: presupuestos, leyes, alianzas, incentivos y respuestas repetidas al miedo. Una nueva intención colectiva empieza con muchas menos pruebas.
La IA puede ayudarnos a reconocer mecanismos recurrentes. Pero no puede convertirlos en destino.
La historia no se repite por un ciclo místico. Mecanismos similares pueden producir resultados similares. Un pronóstico honesto siempre es condicional: si los motivos, los incentivos y las instituciones permanecen en gran medida sin cambios, los resultados similares se vuelven más probables.
Una declaración de reforma importa, pero son los cambios en los incentivos y en las decisiones los que le dan sustancia.
La nueva tecnología por sí sola no crea un futuro nuevo. Si los motivos humanos siguen siendo los mismos, una mayor inteligencia puede limitarse a ayudar a los viejos sistemas a reproducirse de forma más eficiente.
El derecho a actualizar nuestra propia versión
Necesitamos continuidad. Un asistente no debería olvidar restricciones médicas, límites financieros o compromisos porque anunciemos un nuevo comienzo. Una memoria útil nos protege de perder un contexto que sigue importando.
El problema empieza cuando la memoria se impone en silencio a la intención.
La privacidad pregunta quién puede acceder a nuestros datos. Los agentes personales plantean otra pregunta: ¿a partir de qué interpretación de esos datos puede actuar el sistema?
Deberíamos poder decir: este patrón está desactualizado. Deja de tratarlo como una instrucción permanente.
Un agente debería distinguir entre lo que hice antes, lo que prefiero ahora, lo que valoro explícitamente y la persona en la que intento convertirme. Esas capas a menudo discreparán. Ocultar el conflicto dentro de la palabra «personalización» no lo resuelve.
En un experimento prerregistrado con 6.488 participantes, las recomendaciones ajustadas a las preferencias ideales produjeron algo menos de clics, pero mejoraron la percepción de haber aprovechado el tiempo, la disposición a pagar y la creencia de que la empresa tenía en cuenta los intereses de los usuarios. Estos resultados se refieren a las decisiones sobre recomendaciones y a las valoraciones de los propios participantes, no a pruebas de un cambio duradero en sus vidas. Aun así, cuestionan la idea de que más interacción siempre significa un mejor servicio.[5]
Para los agentes personales, propondría un principio operativo sencillo: cuando un objetivo nuevo y explícito entre en conflicto con una antigua preferencia inferida, hacer visible el conflicto y permitir que la persona revise las instrucciones de trabajo.
En la práctica, los usuarios deberían poder examinar las suposiciones importantes, marcarlas como obsoletas, ajustar lo que un agente puede hacer y pedirle que muestre opciones fuera de un patrón establecido. Los permisos deberían revisarse cuando cambian los objetivos, en lugar de trasladarse en silencio desde una vida anterior.
Son propuestas de diseño, no protecciones que todos los productos ofrezcan ya.
También harían más honesta la relación. Un agente podría decir: «Tu historial indica que esto puede resultarte difícil. ¿Sigues queriendo que te ayude a intentarlo?». No debería convertir silenciosamente «difícil» en «no es para ti».
La identidad no es la intención.
El historial no es un permiso.
La predicción no es autoridad.
La persona que los datos aún no pueden ver
En los momentos decisivos, un asistente entrenado con nuestro comportamiento anterior podría ofrecer un consejo perfectamente razonable: seguir la misma carrera, proteger la misma identidad, elegir lo que elegiste antes.
Algunas de las decisiones más importantes de la vida empiezan con la negativa a continuar.
La persona que toma esa decisión puede parecer incoherente o estadísticamente improbable. Puede estar equivocada. También puede estar creciendo.
Un agente útil debería ayudarnos a entender los riesgos, preservar nuestras responsabilidades y convertir una dirección elegida en acciones concretas. Su conocimiento de nuestro pasado debería orientar ese trabajo sin convertirse en un veto sobre él.
Así que la pregunta central de la IA personal no será únicamente:
¿Hasta qué punto me conoce este sistema?
También será:
Cuando mi comportamiento pasado y mi intención presente discrepen, ¿a cuál de los dos servirá mi agente?
La persona que eras tiene pruebas.
La persona en la que te estás convirtiendo no las tiene.
Todavía no.
El futuro empieza sin datos.
Sobrevive cuando la intención se convierte en acción.
Fuentes y referencias
1. OpenAI, Presentamos dots, 29 de septiembre de 2026.
https://openai.com/index/introducing-dots/
2. Autoridad de Competencia y Mercados del Reino Unido, IA agéntica y consumidores, actualizado el 30 de octubre de 2026.
https://www.gov.uk/government/publications/agentic-ai-and-consumers/agentic-ai-and-consumers
3. Jens Christian Bjerring y Jacob Busch, Inteligencia artificial e identidad: el auge del individuo estadístico, AI & Society, 2025.
https://link.springer.com/article/10.1007/s00146-024-01877-4
4. ¿Estás seguro de que esto es lo que realmente quieres? Sistemas de recomendación conversacionales para reforzar la autonomía humana, 2026.
https://pmc.ncbi.nlm.nih.gov/articles/PMC13658317/
5. Poruz Khambatta y colaboradores, Adaptar los algoritmos de recomendación a las preferencias ideales mejora el bienestar de los usuarios, Scientific Reports, 2023.