Relees algo que publicaste hace años y te sale una pregunta: «¿Pero quién escribió esto con tanta seguridad?». Sorpresa: tú. El pasado acaba de dejarte una nota de voz, aunque nunca la grabaste.
Si reúnes cientos o miles de textos así, ¿podrás preguntar a una IA qué opinabas entonces? Sí, si la IA localiza los artículos y enseña en qué se basa. No, si esperas resucitar a tu yo de hace cinco años.
Guarda el porqué, no solo el qué
«Quería cambiar de trabajo» es un dato. «No quería seguir renunciando a las tardes libres» explica una decisión. La fecha y el contexto permiten comparar aquella situación con la actual.
Las investigaciones sobre el uso de recordatorios y notas muestran que recurrimos a herramientas externas para descargar parte del esfuerzo de recordar. Eso no convierte a un blog en un cerebro almacenado: lo convierte en algo consultable.
Primero la búsqueda, luego la respuesta
El proceso útil es sencillo: planteas una duda, se buscan entradas relacionadas, la IA lee los fragmentos y responde citándolos. Si en un texto defendías una idea y meses después cambiaste de opinión, debe mostrar ambos momentos.
Desconfía de la respuesta que empieza «Siempre has sido una persona...» sin citar ni una línea. Suena profunda, pero quizá se la acaba de inventar.
Más biblioteca que horrocrux
El diario de Tom Riddle, en Harry Potter, convierte el pasado en algo inquietantemente hablador. Una colección de artículos puede dar una sensación parecida, pero no contiene un alma ni predice tus decisiones futuras.
De hecho, lo mejor es poder responderle al pasado: «Eso pensaba entonces, ahora no». Conserva los cambios, señala los errores y evita publicar datos privados. Un chiste viejo también puede necesitar contexto.
Mil artículos no regalan inmortalidad. Dan algo más modesto y útil: una biblioteca donde preguntar a tu yo anterior sin tener que darle siempre la razón.
- Risko & Gilbert (2016), Cognitive Offloading: https://doi.org/10.1016/j.tics.2016.07.002
- Clark & Chalmers (1998), The Extended Mind: https://doi.org/10.1093/analys/58.1.7
- Lewis et al. (2020), Retrieval-Augmented Generation: https://arxiv.org/abs/2005.11401
