Durant anys, el disseny d'agents intel·ligents ha girat al voltant d'un dogma: la memòria és un fitxer que el propi agent ha de gestionar. Instruccions, artefactes de planificació i directoris escrits automàticament s'emmagatzemen amb l'esperança que, en el moment adequat, l'agent decideixi recuperar-los. Tanmateix, l'experiència amb sistemes desplegats en entorns reals revela una realitat incòmoda: la memòria voluntària amb prou feines s'utilitza. Un estudi recent mostra que, fins i tot amb un magatzem llavor prèviament poblat, un agent realitza zero operacions de memòria en 114 torns d'interacció. El problema no és d'emmagatzematge, sinó de lliurament. El canal fiable per a un agent no és el que ell tria consultar, sinó aquell que li arriba sense que hagi de pensar-hi. Aquesta idea, que anomenem 'memòria ancorada a senyals', suposa un canvi de paradigma per al desenvolupament d'aplicacions a mida i sistemes basats en intel·ligència artificial.
A la pràctica, els agents humans operen amb dos nivells de memòria. El primer és explícit i deliberat: documents, notes, bases de coneixement que un escriu i consulta a propòsit. El segon és implícit i involuntari: fets operatius lligats a la situació —on és un botó, quina convenció local s'aplica, quin 'gotxa' apareix en executar una tasca concreta— que es codifiquen com a efecte secundari del treball i es recuperen automàticament quan la situació els dispara. La investigació cognitiva denomina això 'memòria prospectiva basada en esdeveniments': no recordem el que hem de fer perquè ho busquem, sinó perquè un senyal contextual ho evoca. Per als agents de programari que operen durant llargs períodes —setmanes o mesos— aquest segon nivell resulta ser el portant. Sense ell, l'agent es veu obligat a rellegir i recomprar contingut que ja havia processat, malbaratant recursos i perdent coherència.
L'arquitectura tradicional tracta la memòria com un problema d'emmagatzematge: es guarda tot i s'espera que l'agent sàpiga quan i com recuperar-ho. Però l'evidència mostra que, fins i tot amb magatzems rics, l'agent no els utilitza voluntàriament. En un experiment controlat amb una tasca real de codificació, només el 0% de les operacions de memòria van ser iniciades per l'agent. A més, les relectures dins d'una mateixa sessió reapareixien fins a un 39% dels casos després d'un límit de compactació, indicant que l'agent 'recomprava' contingut que ja havia pagat abans. La solució no és millorar el motor de cerca, sinó canviar el model: la memòria ha de ser lliurada per l'arnec d'execució, no seleccionada per l'agent.
Aquest enfocament, que anomenem 'lliurament, no emmagatzematge', es basa en un model de memòria ancorada a senyals on cada record porta condicions de dispar de primera classe sobre un vocabulari composable: ruta de fitxer, símbol, semàntica, esdeveniment i temps. Aquestes condicions són avaluades de manera determinista per l'arnec del sistema, sense intervenció de l'agent. El resultat és que la memòria rellevant apareix just quan es necessita, sense que l'agent hagi de decidir buscar-la. En les proves, la injecció determinista des d'un magatzem propietat de l'arnec va aconseguir zero falses alarmes i va lliurar els fets en totes les execucions, mentre que els mateixos fets mantinguts només a la conversa desapareixien després del primer resum i no reapareixien en 106 de 108 compactacions posteriors. L'agent privat va arribar fins i tot a fer grep dels propis fitxers de sessió de l'arnec per reconstruir la informació perduda, un comportament que demostra la necessitat d'un canal de lliurament fiable.
Per a les empreses que desenvolupen programari intel·ligent, aquesta lliçó és fonamental. A Q2BSTUDIO, dissenyem sistemes que integren agents d'IA en fluxos de treball reals, i hem observat que la fiabilitat operativa depèn menys de quant s'emmagatzema i més de com es lliura la informació en el moment exacte. El nostre equip aplica aquest principi en el desenvolupament d'aplicacions a mida, on la memòria contextual permet als agents recordar configuracions d'infraestructura cloud, polítiques de ciberseguretat o regles de negoci sense que l'usuari hagi de repetir-les. Per exemple, un agent encarregat de monitoritzar desplegaments a AWS o Azure necessita saber, sense preguntar, quins clústers estan en producció i quines alertes són crítiques; aquesta informació ha d'arribar-li ancorada als esdeveniments de monitorització, no esperar que ell la consulti en una base de dades.
El mateix raonament s'aplica a sistemes de Business Intelligence amb Power BI. Quan un agent genera informes periòdics, no hauria de haver de rellegir les regles de filtratge o les fonts de dades cada cop que s'executa. La memòria ancorada a senyals temporals —'cada dilluns a les 9:00'— lliura els paràmetres necessaris de manera automàtica. Això elimina la redundància i redueix errors, cosa que hem implementat amb èxit en clients que requereixen automatització de processos repetitius. La clau és que el lliurament sigui propietat de l'arnec, no de l'agent: el sistema decideix quan i què injectar, basant-se en el context sensorial del moment.
Un aspecte crucial d'aquesta arquitectura és la gestió de la compactació de memòria. En els sistemes actuals, quan l'historial de conversa es compacta per estalviar espai, els fets situacionals desapareixen si no han estat emmagatzemats explícitament. L'estudi esmentat revela que, després d'una compactació, fets mantinguts només a la conversa es perden i no es recuperen en el 98% dels casos. En canvi, quan aquests mateixos fets s'injecten des d'un magatzem propietat de l'arnec, sobreviuen a totes les compactacions. Això té implicacions directes per al disseny de solucions cloud: els serveis de funció com AWS Lambda o Azure Functions no haurien de dependre de la memòria conversacional efímera, sinó d'un magatzem de context gestionat per l'entorn d'execució.
La proposta de memòria ancorada a senyals no és només teòrica. A Q2BSTUDIO hem desenvolupat prototips on l'arnec avalua condicions de dispar basades en esdeveniments del sistema operatiu, canvis en el sistema de fitxers o temporitzadors, injectant fragments de memòria sense intervenció de l'agent. Això permet, per exemple, que un agent de suport tècnic recordi automàticament l'última versió d'un pegat de seguretat quan detecta una vulnerabilitat al log, sense haver-ho buscat explícitament. La tecnologia base ja existeix: es tracta de combinar un sistema de regles deterministes amb un magatzem de memòria semàntica indexada per senyals. El que falta és adoptar el canvi filosòfic que la memòria no és un recurs que l'agent gestiona, sinó un servei que el sistema li proporciona.
Des d'una perspectiva empresarial, aquest enfocament redueix dràsticament els costos operatius dels agents. Menys consultes a bases de coneixement, menys fallades per informació obsoleta i menys necessitat de reentrenament. A més, permet escalar a entorns multiagent on cada entitat rep només la memòria que necessita en cada moment, evitant la contaminació creuada. En projectes de ciberseguretat, per exemple, un agent de resposta a incidents no ha de tenir accés a tota la memòria de l'organització, sinó només a la rellevant per a l'atac en curs; el lliurament per senyals garanteix que la informació s'injecti de manera granular i segura.
En definitiva, l'evolució dels agents de programari no passa per emmagatzemar més, sinó per lliurar millor. La memòria ha de ser un canal invisible, tan natural com el reflex de treure la mà del foc. Per als desenvolupadors que construeixen aplicacions a mida amb intel·ligència artificial, el repte és dissenyar arnecs que capturin el context situacional i el tradueixin en trets de memòria precisos. A Q2BSTUDIO portem anys treballant en aquesta direcció, integrant models de llenguatge amb sistemes de regles deterministes per aconseguir que els agents recordin el que importa, just quan importa. Perquè, al final, el producte no és l'emmagatzematge: és el lliurament.
