Escrito originalmente en francés. Traducido por IA — se ha preservado el sentido, no la prosa.
En un artículo anterior, explicaba por qué el segundo cerebro —una red de notas atómicas enlazadas entre sí— no era adecuado para el product management. Demasiada propagación de errores, demasiado ruido, poco control.
Pero hay un dominio donde este enfoque funciona: el conocimiento "by the book". Las normas, la regulación, el vocabulario de negocio, las buenas prácticas establecidas desde hace décadas. Información "factual", estable, que no cambia de una oportunidad a otra.
Eso es exactamente lo que necesitaba para el mantenimiento industrial (mi área de negocio). Y eso fue lo que me llevó a construir un Wiki IA.
El problema de partida
Lo que diferencia a los buenos PM de los malos es la comprensión profunda del contexto. No las generalidades. El conocimiento preciso de los retos del cliente, del terreno, de las reglas de negocio.
El problema es que ese conocimiento está disperso: en libros, artículos, normas, retornos de campo, documentos internos. No podemos retenerlo todo. Y no podemos releerlo todo cada vez que lo necesitamos.
La primera reacción es acudir a un LLM. Cargamos documentos, hacemos preguntas. El RAG clásico —NotebookLM, ChatGPT con archivos adjuntos— funciona así: la IA busca los fragmentos pertinentes en tus documentos y sintetiza una respuesta.
El problema: parte de cero en cada consulta. Sin capitalización. Sin memoria estructurada. Una pregunta sutil que requiere cruzar cinco documentos obliga a la IA a encontrar y recomponer todo cada vez. Las ideas se quedan "débiles": extraídas individualmente de cada documento, sin haber sido consolidadas.
La idea viene de Karpathy
Andrej Karpathy es un investigador en IA, antiguo Director of AI en Tesla, miembro fundador de OpenAI, recientemente incorporado a Anthropic. También es uno de los mejores pedagogos del campo —sus cursos en Stanford y sus vídeos de YouTube son una referencia.
En mayo de 2025, publicó un gist describiendo un patrón que llama "LLM Wiki". La idea es simple pero poderosa: en lugar de hacer RAG sobre documentos brutos, se pide a la IA que construya progresivamente un wiki persistente.
Cuando llega una nueva fuente, la IA no se limita a indexarla. La lee, extrae la información clave, actualiza las páginas existentes del wiki, crea vínculos entre conceptos, señala las contradicciones, enriquece las síntesis. El saber se compila una vez y luego se mantiene actualizado —no se redescubre en cada pregunta.
La diferencia es fundamental: el wiki es un artefacto acumulativo. Las síntesis, los vínculos, las contradicciones ya existen antes de la próxima pregunta.
Qué es un Wiki IA
Concretamente, un Wiki IA funciona en tres capas:
- Las fuentes brutas: libros, artículos, PDF, normas. Son inmutables y siguen siendo la fuente de verdad.
- El wiki: archivos Markdown generados por el LLM —notas atómicas, glosario, fichas de normas, síntesis temáticas, índice.
- Las instrucciones: un archivo (tipo CLAUDE.md) que explica al agente cómo mantener el wiki —nombrar archivos, ingestar una fuente, clasificar, relacionar conceptos.
Cuando se hace una pregunta, la IA no vuelve a los PDF originales. Lee primero el wiki, encuentra las notas pertinentes y produce una respuesta basada en conocimiento ya consolidado.
Y cuando se añade una fuente, una sola ingesta puede tocar entre 10 y 15 notas del wiki: actualización de definiciones, añadido de matices, creación de vínculos, detección de contradicciones.
Wiki IA y Zettelkasten: el paralelismo y la diferencia
El Zettelkasten —el método inventado por el sociólogo Niklas Luhmann— se basa en el mismo principio de notas atómicas enlazadas entre sí. Una idea por nota, vínculos entre notas, una red que crece.
El paralelismo es evidente: el Wiki IA también produce notas atómicas interconectadas. Pero la naturaleza es diferente.
El Zettelkasten / segundo cerebro está orientado a vínculos. Refleja tu propio pensamiento, tus experiencias, tus intuiciones. Te obliga a profundizar en tu surco, a confrontar ideas, a formular tus propias tesis. Es una herramienta de reflexión personal.
El Wiki IA está orientado a proximidad. La información es "factual", no orientada. Sirve como fuente estructurada, "objetiva". Es una base de conocimiento, no un sistema de pensamiento.
Los dos son complementarios. El Wiki IA proporciona los hechos; el segundo cerebro los interpreta. El wiki te dice "esto es lo que dice la norma NF X 60-010 sobre el mantenimiento preventivo". Tu segundo cerebro te dice "esta norma se aplica mal en tal contexto porque…".
Mi experiencia: mantenimiento industrial
Apliqué este patrón al mantenimiento industrial —el dominio de mi producto CMMS. Un dominio "by the book" por excelencia: normas (NF, ISO, EN), regulación, vocabulario de negocio preciso, procesos documentados desde hace décadas.
A partir de una docena de fuentes —libros de referencia, normas, artículos técnicos— la IA extrajo y estructuró 950 notas atómicas: definiciones de glosario, fichas de normas, notas sobre procesos, habilitaciones, indicadores de rendimiento.
La calibración: la IA es bruta y hay que domarla
El mayor trabajo no fue la extracción. Fue la calibración.
En V0 (el POC), fui demasiado permisivo. Detección demasiado amplia, demasiadas notas generadas, calidad insuficiente. La IA lo captaba todo —incluido el ruido.
En V1, endurecí los filtros. La calidad se volvió excelente. Pero algunas notas pertinentes (presentes en el POC) quedaban ignoradas —demasiado restrictivo.
El reto es encontrar el punto de inflexión entre exhaustividad y pertinencia. Y eso no se hace en dos líneas de prompt. Las instrucciones de ingesta tienen varias decenas de líneas: definición precisa de cada tipo de nota, criterios de validez, reglas de detección de referencias reglamentarias, pasada terminológica final.
El método que usé para iterar: pedirle a V1 que analizara las notas de V0. Entender qué había ignorado, por qué, y ajustar las reglas sin perder el rigor de clasificación. Una validación cruzada entre dos versiones del mismo sistema.
¿Para qué sirve?
Una vez construido el wiki, los usos son múltiples.
Búsqueda y proximidad semántica. Con una base vectorial (LanceDB en mi caso), se pueden hacer búsquedas por concepto —no solo por palabra clave. Buscar "mantenimiento reglamentario" devuelve también las fichas sobre controles periódicos, habilitaciones y normas NF X 60-010, aunque ninguna contenga exactamente esa expresión.
Revisión y autoaprendizaje. Construí un sistema de flash cards sobre el wiki. 10 minutos al día para reforzar mi conocimiento de los fundamentos de negocio. Memorizar las normas, los procesos, las definiciones —no para recitarlos, sino para tenerlos presentes cuando hay que tomar una decisión de producto.
Fuente para otros proyectos LLM. El wiki se convierte en un bloque reutilizable. Cuando estudio una oportunidad de producto, puedo interrogar el wiki junto a mis otras fuentes: código fuente, seguimiento de la competencia, conocimiento del producto. El contexto de negocio ya está estructurado y listo para inyectarse.
Los límites
Todo esto solo funciona si ya tienes cierto bagaje en el dominio.
La IA no cambia nada en esta realidad: no podías confiar en un proveedor sin conocer el dominio de negocio. Lo mismo ocurre con un Wiki IA. Si no tienes la competencia para validar lo que la IA extrae, estás construyendo sobre arena.
El Wiki IA estructura y capitaliza el conocimiento. No lo reemplaza.
Para saber más
El PM como arquitecto del Contexto Del archivo único al sistema de contextos: por qué la memoria de un LLM no cabe en un solo documento Por qué una sola clasificación no basta para estructurar el feedback de clientes La pregunta de producto debe partir del código fuente
Fuentes
- LLM Wiki — Andrej Karpathy: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Método Zettelkasten: https://en.wikipedia.org/wiki/Zettelkasten
- El segundo cerebro es un callejón sin salida para el product management: https://malorean.net/articles/2026-05-03-le-second-cerveau-est-une-impasse-pour-le-product-management.html