Todavía no lo había anunciado aquí: estoy escribiendo un libro sobre Contexto.

La portada del libro que estoy escribiendo.

Contexto es el método que estoy construyendo para que un humano y una IA puedan trabajar de forma duradera en torno a una misión, sin empezar de cero en cada conversación, conservando a la vez:

• las fuentes;
• el conocimiento producido;
• las decisiones;
• el estado del trabajo y lo que permitirá retomarlo más adelante.

El libro ya está casi terminado.

A estas alturas podría haber seguido releyéndolo, corrigiendo alguna formulación, completando los ejemplos y preparando la publicación.

En lugar de eso me hice una pregunta bastante incómoda:

¿qué he inventado de verdad aquí dentro?

No "inventado" en el sentido de que haya que poder reivindicar cada idea.

La pregunta era mucho más sencilla:

¿estoy presentando como un método nuevo algo que ya existe y que simplemente he reinventado sin saberlo?

Es ante todo una cuestión de cultura científica de la duda.

Cuando construyes algo durante meses, resulta facilísimo buscar sin darte cuenta todo lo que confirma que tu idea es buena, distinta u original.

Yo intenté hacer lo contrario.

Buscar metódicamente todo lo que pudiera echar abajo esa convicción.

De todo lo que presento como el método Contexto: - ¿qué existía ya? - ¿qué he tomado prestado conscientemente? - ¿qué he adaptado? - ¿qué he redescubierto sin saberlo? - ¿qué se había ensamblado ya en otra parte? - ¿y qué queda, si es que queda algo, propio de la manera en que lo he reunido todo?

Al principio pensaba simplemente hacer una búsqueda de antecedentes.

En la práctica, sobre todo aprendí a desmontar poco a poco mis propias certezas.

Ya sabía que no había partido de cero

Algunas influencias eran evidentes.

El bounded context del Domain-Driven Design es una inspiración asumida.

Las notas atómicas me llevaron inevitablemente hacia Zettelkasten.

PARA y el Second Brain influyeron en mi manera de pensar los espacios de conocimiento.

En la parte más técnica también había recuperado conscientemente intuiciones que venían de Git — sobre todo en torno a la separación, la copia y el merge — así como del patrón Observer para ciertas relaciones entre Contextos.

Así que la pregunta no era:

"¿Son nuevas todas mis ideas?"

Ya sabía que no.

Lo que me interesaba era más bien el ensamblaje.

Un Contexto, en el libro, es un espacio delimitado por una misión. Contiene fuentes, conocimiento producido a partir de esas fuentes, un estado actual, una historia, decisiones, contradicciones, acciones, entregables. Tiene que poder interrumpirse y retomarse. Tiene que acumular conocimiento a medida que avanza el trabajo. Y varios Contextos tienen que poder intercambiar información sin perder su autonomía.

Me decía entonces: los bloques vendrán seguramente de otra parte.

Pero quizá su combinación sí sea particular.

Esa es la hipótesis que empecé a intentar derribar.

Primer error: buscar con mis propias palabras

El primer problema aparece de inmediato cuando buscas los antecedentes de un método.

Nadie está obligado a haber usado tu vocabulario.

Buscar "Contexto" + IA + memoria no te dice casi nada sobre la existencia de un mecanismo parecido.

Un equipo médico puede llevar cincuenta años haciendo algo que se parece a tu handoff, sin haber usado nunca esa palabra.

Un sistema archivístico puede haber formalizado procedencia, fuente e interpretación sin hablar de knowledge management.

Un software de los años noventa puede haber resuelto un problema de copia y de dependencia que tú crees haberte encontrado con agentes de IA en 2026.

Había, pues, que dejar de buscar Contexto.

Empecé por desmontar el libro.

Con ChatGPT extrajimos 24 conceptos y 12 relaciones estructurantes.

La idea era convertir el libro en objetos lo bastante simples como para poder hacer preguntas.

No solo:

¿Ha imaginado ya alguien un espacio de trabajo persistente?

Sino también:

¿Ha separado ya alguien la fuente en bruto del conocimiento derivado?

¿Hay algún sistema que distinga el presente del diario histórico?

¿Existe alguna tradición en la que trabajar sobre un problema enriquezca una base reutilizable para los problemas siguientes?

¿Qué ocurre cuando un conocimiento se copia de un espacio autónomo a otro?

Eso cambia por completo la búsqueda.

Primera sorpresa: casi todos los bloques ya estaban ahí

Una vez desmontado el sistema, los antecedentes empezaron a aparecer por todas partes.

Algunos ejemplos:

• la procedencia tenía evidentemente toda una literatura detrás, hasta estándares como W3C PROV; W3C — PROV-O: The PROV Ontology
• Event Sourcing aporta una manera de reconstruir un estado actual a partir de la historia de los eventos;
• los Architecture Decision Records conservan una decisión, su contexto y su porqué, incluso cuando más tarde queda sustituida; Michael Nygard — Documenting Architecture Decisions
• los Truth Maintenance Systems ya trabajaban en los años ochenta con varios conjuntos de hipótesis potencialmente incompatibles. Johan de Kleer — An assumption-based TMS

A esas alturas, nada de todo eso me sorprendió realmente.

Un método complejo rara vez se compone de mecanismos surgidos de la nada.

La primera conclusión resultaba bastante tranquilizadora:

los bloques no son nuevos, pero quizá el ensamblaje sí lo sea.

Era una conclusión razonable.

No aguantó mucho tiempo.

Segunda iteración: buscar la función, no el concepto

Cambiamos de método.

En vez de buscar los conceptos del libro, empezamos a buscar los problemas que resuelven.

• ¿Cómo se retoma un trabajo después de una interrupción?
• ¿Cómo se traspasa un expediente lo bastante bien como para que otra persona pueda continuarlo?
• ¿Cómo se convierten miles de fragmentos de información en pruebas y luego en hipótesis?
• ¿Cómo se conservan varias explicaciones rivales sin elegir una de forma artificial?
• ¿Cómo mantiene un espacio de trabajo a la vez su estado operativo y un conocimiento reutilizable?

Esta vez, la búsqueda salió muy deprisa del software.

Nos llevó hacia: - la inteligencia; - el derecho; - la medicina; - la gestión de incidentes; - las ciencias cognitivas; - la archivística; - la investigación científica.

El modelo de sensemaking de Peter Pirolli y Stuart Card, por ejemplo, describe un proceso en el que el analista parte de fuentes externas, selecciona la información pertinente, reúne elementos de prueba, construye esquemas e hipótesis y produce después el resultado de su análisis. Pirolli & Card — The sensemaking process and leverage points for analyst technology

Evidentemente, eso no es Contexto.

Pero la cercanía del mecanismo resultaba interesante.

Lo mismo con el Activity-Based Computing de Jakob Bardram.

En 2005, Bardram describe una infraestructura en la que la unidad central ya no es la aplicación sino la actividad humana, con las tareas y los recursos informáticos asociados. La arquitectura está pensada, entre otras cosas, para permitir la movilidad, la colaboración y la continuidad de la actividad entre entornos. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

Dicho de otro modo, la idea de que hay que conservar algo más rico que un documento para permitir la continuidad del trabajo no había esperado, claro está, a los agentes de IA.

La medicina, los centros de mando y la gestión de incidentes también tienen sus propios mecanismos de handoff.

Ahí el territorio ya empezaba a reducirse.

Retomar el trabajo no tenía nada de particular.

El handoff tampoco.

Incluso la cadena:

fuente → interpretación → razonamiento → producción

tenía antecedentes muy sólidos.

Así que nueva hipótesis:

quizá lo particular esté en la unión entre el expediente vivo y el acervo de conocimiento.

Dicho de otro modo: trabajar sobre un problema y construir al mismo tiempo algo que sobrevivirá al problema.

Esa hipótesis aguantó todavía menos.

El rodeo que más cambió la búsqueda: salir del inglés

Hasta ese momento, aunque cambiáramos de disciplina, seguíamos en gran medida encerrados en un corpus occidental y anglófono.

Lanzamos, pues, búsquedas en japonés, chino, ruso y árabe.

Ahí fue cuando la búsqueda se volvió verdaderamente interesante.

En Japón di con el KJ法, o método KJ, de Jirō Kawakita.

Kawakita describe un método bottom-up en el que se parte de datos de campo, se anotan en tarjetas que pueden manipularse libremente, y luego se acercan y se combinan poco a poco según su sentido para hacer emerger una estructura. J-STAGE — Emergence and Essence of the KJ Method, entrevista con Jirō Kawakita

Y ahí viví un momento bastante divertido.

Unos meses antes, sin conocer el KJ法, yo mismo había empezado a trabajar con lo que llamo tarjetas pilares.

Hablé de ello hace poco aquí: Tarjetas pilares: cuidar tu memoria para seguir pensando

No es el mismo método.

El KJ法 sirve sobre todo para partir de un material disperso y hacer emerger poco a poco una estructura mediante agrupaciones y recombinaciones.

Mis tarjetas pilares tienen más bien la función de mantener vivas unas cuantas ideas estructurantes, revisitarlas y seguir confrontándolas con lo que leo y experimento.

Pero hay, aun así, un aire de familia que me interesó mucho:

• sacar de la cabeza las unidades de pensamiento;
• volverlas manipulables;
• mantenerlas como objetos relativamente autónomos;
• acercarlas y recombinarlas;
• usar esos acercamientos para seguir pensando.

Y sobre todo: descubrí el KJ法 mucho después de haber puesto en marcha esa práctica.

Es justo el tipo de cosa que quería encontrar con esta búsqueda.

No para poder decir: "yo había tenido la misma idea".

Al contrario.

Para constatar que uno puede construir algo con sinceridad por su cuenta y descubrir después que otra tradición lleva décadas explorando un mecanismo vecino.

También encontramos a Tadao Umesao, que describe ya en 1969 un sistema de tarjetas independientes destinadas a recombinarse, de modo que el conocimiento nuevo producido por esa recombinación puede entrar a su vez en el sistema.

Dicho de otro modo:

acervo existente → recombinación → conocimiento nuevo → acervo enriquecido

Ya no quedaba muy lejos.

Luego llegamos a China.

Y ahí descubrí el Hall for Workshop of Meta-Synthetic Engineering, o HWMSE.

HWMSE: el momento en que la hipótesis empezó a caer de verdad

La Meta-Synthesis se desarrolla en torno a Qian Xuesen a principios de los años noventa para tratar sistemas complejos.

HWMSE se convierte en el entorno destinado a ponerla en práctica.

Su arquitectura combina explícitamente: - expertos humanos; - sistemas máquina; - sistemas de conocimiento.

El objetivo no es solo usar conocimiento existente.

Los autores hablan también de creación de conocimiento.

Distinguen un sistema de conocimiento general de un sistema de conocimiento propio del objeto estudiado, y explican que este último tiene que poder acumularse continuamente a través de su uso. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

Eso ya se parecía mucho a lo que yo intentaba formular con Contexto.

Y no era únicamente un esquema conceptual.

Los trabajos de HWMSE dieron lugar a prototipos y a aplicaciones experimentales, sobre todo en torno a la decisión macroeconómica. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

La cómoda distinción:

los sistemas de expediente gestionan el trabajo, los sistemas de conocimiento gestionan el acervo, Contexto reúne los dos

ya no se sostenía del todo.

Otros habían construido ya sistemas que reunían una parte sustancial de esas dos dimensiones.

Había que bajar todavía un nivel.

Tercera iteración: buscar los competidores arquitectónicos

Dejamos de preguntar:

"¿Qué concepto se parece a Contexto?"

En su lugar definimos unos cuantos rasgos característicos: - ¿gestiona el sistema un trabajo situado en torno a un problema? - ¿convierte información en conocimiento? - ¿puede ese conocimiento servir para otros casos? - ¿distingue varios tipos de memoria? - ¿pueden varios espacios cooperar sin dejar de ser autónomos?

Esa búsqueda hizo aparecer varios sistemas mucho más cercanos de lo previsto.

Experience Factory

La Experience Factory, desarrollada a partir de los trabajos de Victor Basili y de la experiencia del Software Engineering Laboratory de la NASA, separa explícitamente dos funciones.

Por un lado, la organización de proyecto hace su proyecto.

Por otro, la Experience Factory: - recoge la experiencia producida; - la analiza; - la sintetiza; - la convierte en unidades reutilizables; - la pone de nuevo a disposición de los proyectos futuros.

El Software Engineering Laboratory de la NASA Goddard ya se describía en 1992 como un ejemplo operativo de Experience Factory, tras quince años de funcionamiento y varios centenares de estudios. NASA — The Software Engineering Laboratory: An operational software experience factory

Basili y Caldiera describen después explícitamente la Experience Factory como una organización distinta de los proyectos, encargada de capitalizar y reutilizar la experiencia. NASA — The Experience Factory: Strategy and Practice

Eso atacaba directamente otra idea que yo creía importante:

el entregable no es el acervo; el trabajo del proyecto tiene que enriquecer algo que le sobrevivirá.

La Experience Factory ya decía eso.

Knowledge-Centered Service

Después, Knowledge-Centered Service, o KCS, aportó otra versión del mismo mecanismo.

En KCS, el conocimiento no debe producirse en un proceso separado del trabajo.

El bucle de resolución consiste, entre otras cosas, en: - buscar el conocimiento existente; - reutilizarlo; - mejorarlo cuando se usa; - capturar conocimiento nuevo cuando hace falta.

El Consortium for Service Innovation resume la idea con una fórmula especialmente clara: reuse is review. El conocimiento se verifica y se mejora dentro del propio flujo de trabajo. Consortium for Service Innovation — The Solve Loop

Nueva reducción.

Incluso:

convertir el trabajo corriente en una máquina de producir y mejorar conocimiento reutilizable

estaba ya formalizado.

Cuarta iteración: atacar los últimos detalles

A estas alturas, seguir acumulando grandes analogías ya no tenía mucho interés.

Elegimos entonces algunos elementos que todavía parecían relativamente particulares: - la separación estricta entre fuente en bruto y conocimiento derivado; - la separación state / history / synthesis / handoff; - la nota atómica como afirmación con fuente que puede ser respaldada o contradicha; - la diferencia entre referenciar una información y copiarla, haciéndose cargo después de su mantenimiento.

Incluso ahí, los muros fueron cayendo uno tras otro.

Las nanopublicaciones y las micropublicaciones representaban ya pequeñas aserciones acompañadas de procedencia, de elementos de respaldo y a veces de objeción.

Los sistemas de bases federadas llevaban mucho tiempo trabajando sobre la diferencia entre un dato remoto y una copia local que puede divergir.

Las arquitecturas cognitivas distinguían memoria de trabajo, memoria episódica y memoria semántica.

Las prácticas de forensic computing conservan el original y trabajan sobre copias para preservar la prueba.

Cada vez, algo que todavía parecía particular se convertía en una recombinación de mecanismos conocidos.

El último hallazgo de verdad: ScholOnto y SWAN

Aun así, había que saber si habíamos llegado al final o si simplemente estábamos cansados de buscar.

Así que añadimos un criterio.

Una fuente nueva ya no contaba por el mero hecho de parecerse a Contexto.

Tenía que modificar el mapa.

Por ejemplo:

• ser más antigua que lo que ya habíamos encontrado;
• ser claramente más cercana;
• reunir varios mecanismos hasta entonces separados;
• u obligarnos a modificar nuestra conclusión.

Esa regla permitió seguir sin caer en el juego de forzar cualquier analogía.

Dos sistemas pasaron todavía esa prueba.

ScholOnto

El proyecto ScholOnto, financiado ya en 2000 y activo a principios de los años dos mil, buscaba construir una infraestructura que permitiera a los investigadores publicar claims, conectarlas con la literatura y rebatirlas.

Su sistema ClaiMaker permitía construir y recorrer esas redes de claims y de argumentos. Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

Después SWAN, en la investigación biomédica, iba aún más lejos.

SWAN distinguía explícitamente los recursos científicos externos de los elementos de discurso producidos dentro del sistema.

Un Research Statement podía derivarse de un artículo o de otro recurso, conservar su procedencia y quedar conectado a otros statements mediante relaciones como supports, refutes o alternativeTo.

El sistema conservaba además las versiones anteriores cuando un statement evolucionaba. Ciccarese et al. — The SWAN Scientific Discourse Ontology

En ese momento, la cercanía con mis notas atómicas se volvía difícil de ignorar: - fuente diferenciada; - interpretación; - afirmación; - procedencia; - respaldo; - contradicción; - reutilización; - evolución en el tiempo.

Y tampoco aquí se trataba únicamente de una ontología teórica: los autores describen un Workbench y un Browser usados para construir y recorrer esa base de conocimiento. PubMed — The SWAN biomedical discourse ontology

La mayoría de las piezas ya estaban ahí.

Y luego los resultados dejaron de cambiar la conclusión

Probablemente sea la parte más importante del método.

En algún momento hay que parar.

No porque se haya demostrado que no existe ningún otro antecedente.

Eso es imposible.

Sino porque las nuevas búsquedas empiezan a dar siempre las mismas familias.

Un artículo nuevo mejora una fecha.

Otra fuente añade un ejemplo.

Un sistema usa un vocabulario distinto pero cubre un mecanismo ya identificado.

O peor: hay que empezar a explicar a lo largo de diez líneas por qué algo podría ser vagamente comparable.

En ese momento hay un riesgo.

Ya no estás poniendo tu hipótesis a prueba.

Empiezas a fabricar el parecido que querías encontrar.

Consideramos, pues, que la búsqueda había alcanzado una saturación razonable.

Entonces, ¿qué hay de original?

La conclusión no es la que imaginaba al principio.

Ya no creo que sirva de mucho buscar "la idea nueva" dentro de Contexto.

Casi todos sus bloques importantes tienen antecedentes.

Muchas de las relaciones entre esos bloques, también.

Y varios sistemas anteriores ensamblan ya buena parte de ellos.

Por ejemplo: - HWMSE reúne humanos, máquinas, resolución de problemas y capitalización de conocimiento; - Experience Factory separa el proyecto del mecanismo organizativo que convierte su experiencia en acervo; - KCS integra directamente la creación y la mejora de conocimiento en el trabajo corriente; - Project Memory trabaja sobre la historia y el contexto del proyecto; - ScholOnto y SWAN estructuran afirmaciones, fuentes, procedencia y contradicciones; - los sistemas federados trabajan sobre autonomía, importación, copia y dependencia.

Eso no significa que Contexto no aporte nada.

Significa que su aportación está en otro sitio.

Hoy lo formularía así:

Contexto es una selección, una combinación y una normalización explícitas de mecanismos procedentes de varias tradiciones, reunidos en un método operativo para trabajar de forma duradera con una IA.

El sistema tiene, entre otras cosas: - su vocabulario; - sus objetos; - sus restricciones; - sus procedimientos; - su manera particular de separar fuente, conocimiento, estado, historia, síntesis, decisión, contradicción, handoff y entregable; - sus reglas para hacer circular información entre varios Contextos autónomos.

No he encontrado ningún sistema histórico que tenga exactamente toda esa gramática.

Pero casi cada componente de esa gramática tiene una historia anterior a Contexto.

Y, al final, es una respuesta que me satisface mucho más.

La cultura científica de la duda

Al principio, la pregunta se parecía un poco a esto:

¿Es realmente original mi idea?

Con perspectiva, probablemente no sea la mejor pregunta.

La búsqueda de antecedentes me sirvió sobre todo para entender de qué estaba hecha mi idea.

Qué intuiciones venían de tradiciones que conocía.

Cuáles existían en campos que jamás se me habría ocurrido mirar.

Qué piezas ya se habían ensamblado.

Y qué parte de mi trabajo consistía sobre todo en traducir, simplificar, recombinar y volver utilizables mecanismos dispersos.

Es sobre todo una buena ilustración de lo que entiendo por cultura científica de la duda.

Yo tenía una hipótesis implícita:

quizá esta parte de Contexto sea nueva.

La buena manera de ponerla a prueba no era buscar razones para creerla.

Era buscar el mejor contraejemplo posible.

Y luego, cuando encontrábamos uno, modificar la hipótesis.

En cada iteración, el territorio que podía presentar razonablemente como específico fue menguando: - primero los bloques; - luego algunos ensamblajes; - luego la idea de convertir el trabajo en un mecanismo de capitalización; - luego una parte de la propia gramática informacional.

Paradójicamente, la propuesta se ha vuelto más clara.

Prefiero poder decir:

esto es lo que tomo prestado, esto lo que adapto, esto lo que combino, y esta es la forma que le doy

antes que contar que una idea es nueva solo porque nunca me había topado con sus antepasados.

El método que volvería a usar

Si tuviera que repetir una búsqueda de este tipo sobre otra idea, no empezaría como esta vez.

Iría directamente a:

• descomponer la idea en componentes y relaciones;
• buscar los mecanismos, no su vocabulario;
• comparar por separado componentes, relaciones, ensamblajes y finalidades;
• salir pronto de la disciplina de origen;
• buscar en varios idiomas;
• mirar los sistemas realmente construidos, no solo las teorías;
• rastrear la bibliografía de las mejores fuentes y luego mirar los trabajos que las citan;
• buscar deliberadamente los contraejemplos capaces de echar abajo la conclusión del momento;
• definir qué tiene que cambiar un hallazgo nuevo para considerarse importante;
• parar cuando las fuentes nuevas ya solo aportan variantes de antecedentes ya cartografiados.

Al trabajo que consiste en rastrear las referencias de una buena fuente y seguir después las publicaciones que la han citado se le llama a veces snowballing.

La palabra importa menos que el mecanismo.

Una buena fuente se convierte en una puerta de entrada a todo un vocabulario y a toda una tradición que una búsqueda por palabras clave quizá no habría encontrado nunca.

El último punto — saber parar — es probablemente el más difícil.

Una búsqueda siempre puede continuar.

Siempre habrá: - un artículo nuevo; - una patente nueva; - una disciplina nueva; - otro idioma; - otra palabra clave.

La cuestión no es saber si se ha encontrado todo.

La cuestión es:

¿sigue cambiando la respuesta si continúo?

Los límites

Este método, evidentemente, no demuestra la inexistencia de un antecedente.

Depende: - de los motores de búsqueda; - de los idiomas que se te ocurren; - de los documentos que se han digitalizado; - de las publicaciones todavía accesibles; - de su indexación; - del vocabulario elegido por sus autores; - y de nuestra propia capacidad para reconocer un mismo mecanismo detrás de dos vocabularios distintos.

Depende también del criterio con el que se decide que dos mecanismos son realmente comparables.

Un parecido no es una identidad.

Una técnica usada en una central nuclear no es el antepasado directo de un sistema de memoria para IA por el simple hecho de tener un handoff.

Del mismo modo, descubrir a posteriori que un método japonés usa tarjetas no significa que mis tarjetas pilares sean KJ法.

Hay que poder decir a la vez:

es lo bastante cercano como para resultar interesante

y:

no es lo mismo.

También por eso una ausencia de resultados tiene que seguir siendo una ausencia de resultados.

Y no convertirse en:

nadie lo había hecho nunca.

Lo que me llevo

Había empezado esta búsqueda intentando saber qué había inventado.

La termino con una pregunta ligeramente distinta:

¿qué he construido a partir de todo lo que ya existía?

La respuesta me parece más interesante.

Contexto probablemente no sea interesante por haber descubierto:

• la procedencia;
• las notas atómicas;
• el handoff;
• la memoria organizativa;
• los espacios delimitados;
• la capitalización de conocimiento.

Todo eso existía.

Se vuelve interesante si el ensamblaje hace esos mecanismos lo bastante simples y coherentes como para que un humano y una IA puedan trabajar juntos durante semanas o meses sin perder lo que aprenden.

Por lo tanto, no he salido de esta búsqueda con un territorio virgen en el que plantar una bandera.

He salido con un mapa.

Y para entender lo que uno construye, un buen mapa vale probablemente mucho más que una bandera.