La mayoría de la gente usa la IA como una máquina expendedora de respuestas.
Sube un documento. Haz una pregunta. Obtén una respuesta. Cierra la pestaña. Al día siguiente, vuelve a subir el mismo documento. Haz una pregunta ligeramente diferente. Observa cómo el modelo empieza desde cero otra vez, como si el ayer nunca hubiera existido.
Este es el patrón predeterminado para la "productividad con IA" hoy en día. Se siente mágico las primeras veces porque el sistema puede resumir, explicar y extraer información de casi cualquier cosa que le lances. Pero después de unas semanas, la magia comienza a sentirse extrañamente desechable. No estás construyendo conocimiento. Estás alquilando breves ráfagas de inteligencia.
El problema no es que los modelos sean demasiado débiles. El problema es que el flujo de trabajo no tiene memoria que se acumule.
Andrej Karpathy describió un mejor patrón: usar LLMs para construir y mantener bases de conocimiento personales. No solo una carpeta de PDFs subidos. No solo un chatbot sobre documentos. Una wiki persistente, estructurada e interconectada que un LLM actualiza con el tiempo.
La parte importante no es la wiki. Hemos tenido wikis durante décadas.
La parte importante es el mantenimiento.
Esa es la pieza faltante que mató a casi todos los sistemas de "segundo cerebro" antes de la IA. A la gente le encanta la idea de una base de conocimiento personal. Les encantan los gráficos de Obsidian, los diagramas de Zettelkasten, las carpetas PARA, las notas etiquetadas, los backlinks, las notas perennes, los paneles de control y todo lo demás. Pero después del estallido inicial de entusiasmo, generalmente sucede lo mismo: el sistema se convierte en otro sistema que mantener.
Recortas artículos pero no los resumes. Creas notas pero no las conectas. Etiquetas cosas de manera inconsistente. Olvidas actualizar afirmaciones antiguas cuando llega nueva información. Creas una estructura hermosa y luego lentamente la evitas porque cada interacción crea más trabajo administrativo.
El segundo cerebro falla porque todavía necesita un primer cerebro que lo limpie.
El patrón de wiki con LLM de Karpathy cambia la economía. Trata la base de conocimiento menos como un cuaderno personal y más como un código fuente. Las fuentes originales entran. El LLM las lee, extrae las partes importantes, crea o actualiza páginas en markdown, mantiene referencias cruzadas, rastrea contradicciones y mantiene los índices actualizados. El humano no escribe la wiki a mano. El humano selecciona fuentes, hace preguntas, revisa los resultados y decide qué es importante.
Publicación de Andrej Karpathy
https://x.com/karpathy/status/2039805659525644595
Esa es una división del trabajo mucho más interesante.
De la Recuperación al Conocimiento Acumulativo
La mayoría de los flujos de trabajo de documentos con IA hoy en día se basan en la recuperación. Subes archivos, el sistema los fragmenta, incrusta los fragmentos y busca pasajes relevantes cuando haces una pregunta. Esta es la idea básica detrás de muchos sistemas RAG, y es útil. Permite que el modelo responda preguntas sobre material que no está en sus datos de entrenamiento.
Pero la recuperación tiene un techo.
Cuando haces una pregunta, el sistema busca, extrae un puñado de fragmentos en el contexto y genera una respuesta. La respuesta puede ser buena, pero el trabajo generalmente desaparece cuando la conversación termina. La síntesis no se convierte automáticamente en parte de una estructura duradera. La siguiente pregunta comienza otro ciclo de recuperación.
Eso está bien para preguntas puntuales. Es débil para el aprendizaje, la investigación, la escritura y la estrategia, donde el punto principal es que la comprensión debe acumularse.
Una wiki mantenida por un LLM funciona de manera diferente. No espera hasta el momento de la consulta para sintetizar todo desde cero. Compila el conocimiento de antemano.
Cuando agregas una nueva fuente, el LLM la lee y la integra en el sistema existente. Un artículo podría actualizar una página de concepto. Un perfil de empresa podría revisar una página de competidor. Una transcripción podría agregar evidencia a un punto débil del cliente. Un nuevo artículo podría contradecir un resumen anterior, por lo que la wiki marca la tensión en lugar de enterrarla silenciosamente en una pila de documentos.
La pregunta cambia de "¿Puedo recuperar el párrafo correcto?" a "¿Mi base de conocimiento se ha vuelto más inteligente porque agregué esta fuente?"
Ese es el verdadero cambio: el conocimiento se vuelve acumulativo.
Las Tres Capas
La arquitectura es tan simple que su simplicidad es fácil de pasar por alto.
La primera capa son las fuentes originales. Estos son los materiales originales: artículos, PDFs, notas, transcripciones, documentos, clips web, imágenes, repositorios, conjuntos de datos y cualquier otra cosa que quieras que el sistema conozca. Esta capa debe tratarse como inmutable. La IA puede leerla, citarla y resumirla, pero no debe reescribir la evidencia.
La segunda capa es la wiki. Este es un directorio de archivos markdown mantenido por el LLM. Puede incluir resúmenes de fuentes, páginas de conceptos, páginas de entidades, líneas de tiempo, comparaciones, preguntas abiertas, índices y resúmenes de investigación. Esta es la capa compilada. Aquí es donde el material en bruto se convierte en conocimiento utilizable.
La tercera capa es el esquema. Este es el conjunto de instrucciones que le dice al LLM cómo comportarse como mantenedor. ¿Qué carpetas existen? ¿Qué cuenta como un resumen de fuente? ¿Cómo deberían funcionar las citas? ¿Cuándo debería crear una nueva página de concepto en lugar de actualizar una antigua? ¿Cómo deben registrarse las contradicciones? ¿Qué busca una verificación de estado?
El esquema es lo que convierte un chatbot en un operador.
Sin él, tienes un modelo improvisando. Con él, tienes algo más cercano a un investigador junior que conoce el estilo de la casa, el sistema de archivos y los rituales de mantenimiento.
Obsidian encaja naturalmente en este flujo de trabajo porque ya es un entorno de markdown local con backlinks, vistas de gráfico y navegación rápida. El marco de Karpathy es útil: Obsidian es el IDE, el LLM es el programador y la wiki es el código fuente.
Esa metáfora importa. Los códigos fuente no son valiosos porque contienen archivos. Son valiosos porque los archivos siguen convenciones, se referencian entre sí, pueden ser refactorizados, pueden ser revisados y pueden mejorarse sin empezar de nuevo. Una base de conocimiento seria debería funcionar de la misma manera.
El Humano No Debería Ser el Oficinista
El antiguo modelo de gestión del conocimiento personal asumía silenciosamente que el humano haría todo.
Lees la fuente. Subrayas. Resumes. Eliges la carpeta. Agregas etiquetas. Creas enlaces. Recuerdas que una nota anterior ahora necesita ser actualizada. Notas que dos fuentes no están de acuerdo. Mantienes los índices limpios. Decides si una nota huérfana debe ser eliminada, fusionada o conectada.
Este es exactamente el tipo de trabajo que se siente productivo en la primera semana e insoportable en el tercer mes.
También es exactamente el tipo de trabajo para el que los LLMs son buenos.
No se cansan de la estructura repetitiva. No les importa actualizar quince archivos de una sola vez. Pueden escanear en busca de afirmaciones obsoletas, backlinks faltantes, conceptos duplicados, nombres inconsistentes y contradicciones no resueltas. Pueden convertir una fuente desordenada en cinco artefactos útiles: un resumen, una lista de afirmaciones, una actualización de página de entidad, una actualización de página de concepto y una pregunta que vale la pena investigar más tarde.
El humano debería permanecer más cerca del juicio.
¿Qué fuentes pertenecen al sistema? ¿Qué afirmaciones son realmente importantes? ¿Qué pregunta vale la pena hacer a continuación? ¿Qué síntesis se siente verdadera, útil, sorprendente o incorrecta? ¿Qué debería convertirse en un artículo, memo, presentación, decisión, idea de producto o dirección de investigación?
Esa es la parte donde el gusto importa.
El LLM debería hacer el trabajo administrativo del conocimiento. El humano debería hacer el trabajo editorial del significado.
Cómo se Ve Esto en la Práctica
Imagina que estás investigando un mercado. Empiezas con algunos informes de analistas, publicaciones de blog de la competencia, entrevistas con clientes, páginas de productos y transcripciones de llamadas de ventas. En el flujo de trabajo antiguo, estos se convertirían en un montón de documentos. Tal vez le harías preguntas a un chatbot sobre ellos. Tal vez mantendrías una hoja de cálculo. Tal vez eventualmente escribirías un memo que se vuelve obsoleto en el momento en que llega nueva información.
En el flujo de trabajo de la wiki con LLM, cada nueva fuente actualiza el mapa vivo.
Un anuncio de la competencia actualiza la página del competidor. Una llamada con un cliente actualiza una página sobre objeciones, puntos débiles, desencadenantes de compra y el lenguaje que los clientes realmente usan. Un informe de mercado actualiza las páginas de concepto sobre precios, regulación, adopción o distribución. Una nueva contradicción se registra en lugar de ignorarse. Una consulta útil puede convertirse en un informe guardado sobre el que las consultas futuras pueden construir.
Después de unas semanas, el sistema ya no es solo un almacén de documentos. Es un entorno de investigación.
El mismo patrón funciona para escritores. Ingresa tus ensayos pasados, notas, entrevistas, artículos guardados y borradores. La wiki puede rastrear tus argumentos recurrentes, ejemplos, afirmaciones, referencias e ideas inconclusas. Cuando te sientas a escribir, puedes preguntar qué has dicho ya sobre un tema, qué ejemplos son más sólidos, dónde ha cambiado tu pensamiento y qué ángulo no has explorado todavía.
Funciona para la autoeducación. Ingresa conferencias, lecturas, ejercicios y artículos académicos. La wiki puede mantener páginas de concepto que evolucionan a medida que el curso se vuelve más difícil. Puede explicar cómo la semana siete revisa la semana dos. Puede generar hojas de repaso, identificar áreas débiles y convertir la confusión en un plan de estudio.
Funciona para equipos. Aliméntala con notas de reuniones, hilos de Slack, llamadas con clientes, documentos de planificación, memos de estrategia, tickets de soporte y autopsias. La wiki puede mantener páginas de proyecto, páginas de clientes, registros de decisiones de producto, páginas de competidores y temas de riesgo recurrentes. El beneficio no es solo la búsqueda. El beneficio es que la organización deja de perder contexto en las grietas entre las herramientas.
En cada caso, el patrón es el mismo: se recopilan fuentes, se compila el conocimiento, las preguntas producen resultados y los resultados útiles se archivan de nuevo en el sistema.
La exploración se acumula.
La Verificación de Estado es el Producto
Una de las partes más subestimadas del patrón de Karpathy es la revisión.
Un sistema de notas normal se deteriora en silencio. Los enlaces se rompen. Las páginas se duplican. Los resúmenes se vuelven obsoletos. Las afirmaciones se contradicen entre sí. Las fuentes importantes permanecen sin procesar. No notas el deterioro hasta que necesitas el sistema para un trabajo real y ya no confías en él.
Una wiki mantenida por un LLM puede ser verificada.
Puedes pedirle que encuentre páginas huérfanas. Puedes pedirle que identifique conceptos duplicados. Puedes pedirle qué afirmaciones necesitan citas. Puedes pedirle dónde las fuentes más nuevas entran en conflicto con las más antiguas. Puedes pedirle qué páginas son demasiado vagas, demasiado largas, demasiado delgadas o carecen de referencias cruzadas obvias.
Esto suena pequeño, pero es la diferencia entre un montón de notas y una base de conocimiento operativa.
La verificación de estado no es una característica secundaria. Es el mecanismo que mantiene viva la confianza.
Una base de conocimiento en la que no confías es solo otro archivo. Una base de conocimiento que puede inspeccionarse a sí misma, explicar sus debilidades y proponer reparaciones comienza a sentirse como una infraestructura.
Por Qué el Markdown Importa
La elección humilde del markdown es más importante de lo que parece.
Los archivos markdown son portátiles. Pueden vivir en una carpeta normal. Pueden abrirse en Obsidian, editarse con cualquier editor de texto, versionarse con git, buscarse con herramientas de línea de comandos, renderizarse en sitios web, transformarse en diapositivas o procesarse con scripts.
Esto evita que el sistema se convierta en una caja negra.
Muchos productos de IA quieren absorber tu conocimiento en una interfaz propietaria. Eso puede ser conveniente, pero también hace que tu comprensión dependa de la base de datos, los precios, la hoja de ruta y el botón de exportación de otra persona.
Una wiki local en markdown es aburrida de la mejor manera posible. Es inspeccionable. Es duradera. Puede respaldarse. Puede compararse. Puedes ver lo que el modelo cambió. Puedes revertir ediciones incorrectas. Puedes construir pequeñas herramientas a su alrededor.
Para el trabajo de conocimiento serio, la infraestructura aburrida gana.
El Producto Que Quiere Existir
Karpathy describió esto como una colección improvisada de scripts, pero apunta a una categoría de producto mucho más grande.
La próxima gran herramienta de conocimiento probablemente no se verá como un chatbot con un botón de carga. Se verá más como un entorno de investigación nativo de IA: almacenamiento local primero, ingesta estructurada, síntesis consciente de citas, mantenimiento automático, resultados visuales, verificaciones de estado, historial de versiones y flujos de trabajo agentivos que pueden operar en toda la base de conocimiento.
No solo responderá preguntas. Mantendrá el contexto que hace posibles mejores preguntas.
Esa distinción importa. Un chatbot es reactivo. Una base de conocimiento mantenida es acumulativa. Un chatbot te da una respuesta. Una wiki le da a tu yo futuro un mejor punto de partida.
Esta es también la razón por la que la frase "segundo cerebro" puede finalmente volverse menos embarazosa. Durante años, a menudo significó un archivador aspiracional: un lugar donde pones cosas con la esperanza de que tu yo futuro las organice. Pero un verdadero segundo cerebro no debería simplemente almacenar recuerdos. Debería preservar la estructura, actualizar creencias, revelar conexiones y hacer que el pensamiento acumulado sea más fácil de reutilizar.
Hasta ahora, eso requería demasiada disciplina humana.
Ahora el mantenimiento puede delegarse.
El Flujo de Trabajo Real
El flujo de trabajo práctico es casi decepcionantemente simple.
Recopila fuentes originales. Deja que el LLM las compile en una wiki estructurada en markdown. Usa Obsidian u otra interfaz de markdown para navegar el resultado. Haz preguntas contra la wiki. Guarda las respuestas sustanciales de nuevo en la wiki. Ejecuta verificaciones de estado periódicas. Repite.
El volante de inercia es lo que importa.
Cada fuente mejora la wiki. Cada buena pregunta crea un artefacto. Cada artefacto se convierte en contexto futuro. Cada verificación de estado mejora la confiabilidad. Con el tiempo, el sistema desarrolla una forma que refleja lo que realmente estudias, escribes, construyes y decides.
Esto es muy diferente de pedirle a una IA que resuma un PDF.
Está más cerca de tener un asistente de investigación cuyo trabajo principal no es producir respuestas finales, sino mantener tu espacio de trabajo intelectual coherente.
Ese puede ser uno de los usos de mayor apalancamiento de los LLMs actuales. No reemplazar tu pensamiento. No pretender saberlo todo. No generar texto desechable infinito. Solo hacer el trabajo de mantenimiento que hace que el pensamiento serio se acumule.
La Conclusión
El antiguo segundo cerebro era un sistema de almacenamiento con un problema de disciplina. Te daba un lugar para poner todo, pero aún dependía de tu yo futuro para organizar, conectar, actualizar y limpiar. Es por eso que tantos sistemas de toma de notas comienzan como mapas hermosos y terminan como archivos silenciosos.
La wiki con LLM invierte el modelo. Las fuentes originales siguen siendo la capa de evidencia. La wiki en markdown se convierte en la capa compilada. El esquema le da a la IA reglas sobre cómo mantenerla. Las verificaciones de estado mantienen el sistema confiable. Obsidian o cualquier otra interfaz de markdown se convierte en el lugar donde inspeccionas, cuestionas y reutilizas el trabajo.
RAG puede ayudarte a responder una pregunta a partir de un montón de documentos. Una wiki mantenida por un LLM cambia el punto de partida para cada pregunta futura.
Esa es la idea central. El valor no son solo resúmenes más rápidos, notas más limpias o gráficos más bonitos. El valor es el contexto acumulado. Cada fuente, cada consulta, cada contradicción y cada resultado útil pueden fortalecer el sistema en lugar de desaparecer en otro hilo de chat.
El rol humano se vuelve más estrecho y más valioso: elegir mejores entradas, hacer preguntas más agudas, desafiar la síntesis débil y decidir qué importa. El rol de la IA se vuelve repetitivo y estructural: resumir, enlazar, revisar, citar, revisar y mantener.
Así es como el trabajo de conocimiento comienza a acumularse.
Tu segundo cerebro no necesita más carpetas.
Necesita a alguien que lo mantenga.
Y por primera vez, ese alguien no tiene que ser tú.
Si te gustó este artículo, déjame un follow para más consejos sobre IA y Obsidian: @Degen_calls_sol
