Escrito originalmente en francés. Traducido por IA — se ha preservado el sentido, no la prosa.
Todavía no lo había anunciado aquí: estoy escribiendo un libro sobre Contexte.
La portada del libro que estoy escribiendo.
Contexte es el método que estoy construyendo para permitir a un humano y a una IA 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 está ya casi terminado.
A estas alturas podría haber seguido releyéndolo, corrigiendo algunas formulaciones, completando los ejemplos y preparando la publicación.
En vez de eso, me hice una pregunta bastante incómoda:
¿qué he inventado de verdad ahí dentro?
No "inventado" en el sentido de tener que poder reivindicar cada idea.
La pregunta era mucho más sencilla:
¿estoy presentando como 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, es facilísimo buscar inconscientemente todo lo que confirma que tu idea es buena, distinta u original.
He intentado hacer lo contrario.
Buscar metódicamente todo lo que pudiera desmontar esa convicción.
En todo lo que presento como el método Contexte:
- ¿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, en su caso, como propio de la manera en que lo he reunido todo?
Al principio pensaba simplemente hacer una búsqueda de anterioridad.
En la práctica, sobre todo aprendí a desmontar progresivamente 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 retomado conscientemente intuiciones venidas de Git — en particular alrededor de la separación, la copia y el merge — así como del patrón Observer para ciertas relaciones entre Contextes.
Así que la pregunta no era:
"¿son nuevas todas mis ideas?"
Eso ya sabía que no.
Lo que me interesaba era más bien el ensamblaje.
Un Contexte, 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 luego retomarse. Tiene que acumular conocimiento a medida que avanza el trabajo. Y varios Contextes tienen que poder intercambiar sin perder su autonomía.
Me decía, pues: los bloques vendrán seguramente de otra parte.
Pero quizá su combinación sea particular.
Esa es la hipótesis que empecé a intentar tumbar.
Primer error: buscar con mis propias palabras
El primer problema aparece de inmediato cuando buscas la anterioridad de un método.
Nadie está obligado a haber usado tu vocabulario.
Buscar "Contexte" + IA + memoria no te dice casi nada sobre la existencia de un mecanismo similar.
Un equipo médico puede llevar cincuenta años haciendo algo que se parece a tu handoff, sin haber empleado nunca esa palabra.
Un sistema de archivística 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 crees haber encontrado con agentes de IA en 2026.
Había que dejar de buscar Contexte.
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 formular preguntas.
No solo:
¿Alguien ha imaginado ya un espacio de trabajo persistente?
Sino también:
¿Alguien ha separado ya la fuente en bruto del conocimiento derivado?
¿Hay algún sistema que distinga el presente del diario histórico?
¿Existe alguna tradición en la que el trabajo 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 motivo, incluso cuando después se sustituye; Michael Nygard — Documenting Architecture Decisions
- los Truth Maintenance Systems trabajaban ya en los años ochenta con varios conjuntos de hipótesis potencialmente incompatibles. Johan de Kleer — An assumption-based TMS
A estas alturas, nada de esto me sorprendió realmente.
Un método complejo rara vez se compone de mecanismos surgidos de la nada.
La primera conclusión parecía bastante cómoda:
los bloques no son nuevos, pero quizá el ensamblaje sí.
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 a los que responden.
- ¿Cómo se retoma un trabajo tras una interrupción?
- ¿Cómo se traspasa un expediente lo bastante bien como para que otra persona pueda continuar?
- ¿Cómo se transforman miles de fragmentos de información en pruebas, y luego en hipótesis?
- ¿Cómo se conservan varias explicaciones rivales sin elegir una artificialmente?
- ¿Cómo mantiene un espacio de trabajo a la vez su estado operativo y un conocimiento reutilizable?
Esta vez, la búsqueda salió muy rápido 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, constituye elementos de prueba, construye esquemas e hipótesis y luego produce el resultado de su análisis. Pirolli & Card — The sensemaking process and leverage points for analyst technology
Evidentemente no es Contexte.
Pero la proximidad del mecanismo resultaba interesante.
Lo mismo con el Activity-Based Computing de Jakob Bardram.
En 2005, Bardram describe una infraestructura donde la unidad central ya no es la aplicación sino la actividad humana, con las tareas y recursos informáticos asociados. La arquitectura está pensada en particular 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 evidentemente a los agentes de IA.
La medicina, los centros de mando y la gestión de incidentes tienen también sus propios mecanismos de handoff.
Ahí el territorio empezaba ya a encogerse.
La reanudación no era particular.
El handoff tampoco.
Incluso la cadena:
fuente → interpretación → razonamiento → producción
tenía antecedentes muy sólidos.
Así que nueva hipótesis:
quizá la particularidad esté en la unión entre el expediente vivo y el patrimonio de conocimiento.
Dicho de otro modo: trabajar sobre un problema construyendo al mismo tiempo algo que sobrevivirá al problema.
Esa hipótesis aguantó aún menos.
El rodeo que más cambió la búsqueda: salir del inglés
Hasta entonces, incluso cambiando de disciplina, seguíamos en gran medida encerrados en un corpus occidental y anglófono.
Así que lanzamos búsquedas en japonés, chino, ruso y árabe.
Ahí es donde la búsqueda se volvió realmente interesante.
En Japón me topé 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 inscriben en tarjetas libremente manipulables, y luego se acercan y se combinan progresivamente en función de su sentido para hacer emerger una estructura. J-STAGE — Emergence and Essence of the KJ Method, entrevista con Jirō Kawakita
Y ahí tuve 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: mantener la memoria para seguir pensando
No es el mismo método.
El KJ法 sirve sobre todo para partir de un material disperso y hacer emerger progresivamente 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 de todos modos 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 exactamente 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 sinceramente algo por su cuenta y descubrir después que otra tradición lleva décadas explorando un mecanismo vecino.
También encontramos a Tadao Umesao, que ya en 1969 describe un sistema de tarjetas independientes destinadas a ser recombinadas, pudiendo el nuevo conocimiento producido por esa recombinación entrar a su vez en el sistema.
Dicho de otro modo:
patrimonio existente → recombinación → nuevo conocimiento → patrimonio enriquecido
Ya no estaba nada lejos.
Después 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 utilizar 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 debe poder acumularse continuamente por su uso. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE
Eso se parecía ya mucho a lo que yo intentaba formular con Contexte.
Y no era únicamente un esquema conceptual.
Los trabajos sobre HWMSE dieron lugar a prototipos y a aplicaciones experimentales, en particular en torno a la decisión macroeconómica. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE
La distinción cómoda:
los sistemas de expediente gestionan el trabajo, los sistemas de conocimiento gestionan el patrimonio,
Contextereúne ambos
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 Contexte?"
En su lugar definimos unas cuantas firmas: - ¿gestiona el sistema un trabajo situado en torno a un problema? - ¿transforma información en conocimiento? - ¿puede ese conocimiento servir para otros casos? - ¿distingue varios tipos de memoria? - ¿pueden cooperar varios espacios manteniéndose autónomos?
Esta búsqueda sacó a la luz varios sistemas mucho más próximos de lo previsto.
Experience Factory
La Experience Factory, desarrollada en torno a los trabajos de Victor Basili y a la experiencia del Software Engineering Laboratory de la NASA, separa explícitamente dos funciones.
Por un lado, la organización de proyecto realiza su proyecto.
Por otro, la Experience Factory: - recupera la experiencia producida; - la analiza; - la sintetiza; - la transforma en unidades reutilizables; - la pone de nuevo a disposición de los proyectos futuros.
El Software Engineering Laboratory de la NASA Goddard se describía ya 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 luego 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 patrimonio; el trabajo del proyecto debe enriquecer algo que le sobrevivirá.
La Experience Factory decía ya eso.
Knowledge-Centered Service
Después, Knowledge-Centered Service, o KCS, aportó otra versión del mismo mecanismo.
En KCS, el conocimiento no se supone producido en un proceso separado del trabajo.
El bucle de resolución consiste en particular 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 en el flujo mismo del trabajo. Consortium for Service Innovation — The Solve Loop
Nueva reducción.
Incluso:
convertir el trabajo corriente en una máquina de producir y mejorar conocimiento reutilizable
se había formalizado ya.
Cuarta iteración: atacar los últimos detalles
A estas alturas, seguir acumulando grandes analogías ya no tenía mucho interés.
Así que elegimos 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 proposición con fuente que puede ser respaldada o contradicha;
- la diferencia entre referenciar una información y copiarla asumiendo después su mantenimiento.
Incluso ahí, los muros fueron cayendo uno tras otro.
Las nanopublications y micropublications representaban ya pequeñas aserciones acompañadas de procedencia, de elementos de apoyo y a veces de impugnación.
Los sistemas de bases federadas llevaban mucho tiempo trabajando sobre la diferencia entre un dato remoto y una copia local susceptible de 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 simplemente estábamos cansados de buscar.
Así que añadimos un criterio.
Una fuente nueva ya no contaba simplemente porque se pareciera a Contexte.
Tenía que modificar la cartografía.
Por ejemplo:
- ser más antigua que lo que ya habíamos encontrado;
- ser claramente más próxima;
- reunir varios mecanismos hasta entonces separados;
- u obligarnos a modificar nuestra conclusión.
Esta regla permitió continuar sin caer en el juego de forzar cualquier analogía.
Dos sistemas pasaron todavía esa prueba.
ScholOnto
El proyecto ScholOnto, financiado desde el año 2000 y activo a principios de la década, buscaba construir una infraestructura que permitiera a los investigadores publicar claims, conectarlos con la literatura e impugnarlos.
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 todavía 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 conectarse con 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 proximidad con mis notas atómicas se volvía difícil de ignorar: - fuente distinta; - interpretación; - proposición; - procedencia; - apoyo; - contradicción; - reutilización; - evolución en el tiempo.
Y también ahí no 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
Esa es probablemente la parte más importante del método.
En algún momento hay que parar.
No porque se haya demostrado que no existe ninguna otra anterioridad.
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 durante diez líneas por qué algo podría ser vagamente comparable.
En ese momento hay un riesgo.
Ya no se busca poner a prueba la hipótesis.
Se empieza a fabricar el parecido que se quería encontrar.
Así que consideramos que la búsqueda había alcanzado una saturación razonable.
Entonces, ¿qué es original?
La conclusión no es la que imaginaba al principio.
Ya no creo que sea muy útil buscar "la idea nueva" dentro de Contexte.
Casi todos sus bloques importantes tienen antecedentes.
Muchas de las relaciones entre esos bloques, también.
Y varios sistemas anteriores ensamblan ya grandes trozos.
Por ejemplo: - HWMSE reúne humanos, máquinas, resolución de problemas y capitalización de conocimiento; - Experience Factory separa el proyecto del mecanismo organizativo que transforma su experiencia en patrimonio; - KCS integra directamente creación y mejora de conocimiento en el trabajo corriente; - Project Memory trabaja sobre la historia y el contexto del proyecto; - ScholOnto y SWAN estructuran proposiciones, fuentes, procedencia y contradicciones; - los sistemas federados trabajan sobre autonomía, importación, copia y dependencia.
Eso no significa que Contexte no aporte nada.
Significa que su aportación está en otra parte.
Hoy lo formularía así:
Contexte 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 en particular: - 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 Contextes autónomos.
No he encontrado un sistema histórico que posea exactamente toda esa gramática.
Pero casi cada componente de esa gramática tiene una historia anterior a Contexte.
Y al final es una respuesta que me convence mucho más.
La cultura científica de la duda
Al principio, la pregunta se parecía un poco a esto:
¿Es mi idea realmente original?
Con perspectiva, probablemente no sea la mejor pregunta.
La búsqueda de anterioridad me permitió sobre todo entender de qué estaba hecha mi idea.
Qué intuiciones venían de tradiciones que conocía.
Cuáles existían en ámbitos que nunca se me habría ocurrido mirar.
Qué trozos se habían ensamblado ya.
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.
Tenía una hipótesis implícita:
quizá esta parte de
Contextesea 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 se redujo: - primero los bloques; - luego ciertos ensamblajes; - luego la idea de convertir el trabajo en un mecanismo de capitalización; - luego una parte de la propia gramática informativa.
Paradójicamente, la propuesta se volvió más clara.
Prefiero poder decir:
esto es lo que tomo prestado, esto es lo que adapto, esto es lo que combino, y esta es la forma que le doy
antes que contar que una idea es nueva simplemente porque nunca me había cruzado con sus antepasados.
El método que reutilizaría
Si tuviera que rehacer 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 rápido de la disciplina de origen;
- buscar en varios idiomas;
- mirar los sistemas realmente construidos, no solo las teorías;
- remontar la bibliografía de las mejores fuentes y luego mirar los trabajos que las citan;
- buscar deliberadamente los contraejemplos capaces de tumbar la conclusión actual;
- definir qué debe cambiar un hallazgo nuevo para considerarse importante;
- parar cuando las fuentes nuevas solo aporten variantes de antecedentes ya cartografiados.
El trabajo que consiste en remontar las referencias de una buena fuente y luego seguir las publicaciones que la han citado se 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 nunca habría encontrado.
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; - una palabra clave nueva.
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 ausencia de una anterioridad.
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 juicio empleado para decidir 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 solo porque tenga 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 próximo como para resultar interesante
y:
no es lo mismo.
También por esa razón una ausencia de resultado debe seguir siendo una ausencia de resultado.
Y no convertirse en:
nadie lo había hecho nunca.
Lo que me llevo
Empecé 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.
Contexte probablemente no es interesante porque haya 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.
Así que no salí de esta búsqueda con un territorio virgen en el que plantar una bandera.
Salí con un mapa.
Y para entender lo que uno construye, un buen mapa vale probablemente mucho más que una bandera.