La curación de memoria por un solo gran modelo de lenguaje no funcionaba bien. El vocabulario se dispersaba, las propiedades proliferaban sin coordinación, las observaciones se duplicaban entre sesiones y las notas dependientes del contexto creaban fragmentos desconectados. El grafo de memoria crecía en tamaño pero perdía coherencia. Era necesario un enfoque distinto para curar esa memoria.

Un amigo me hizo una pregunta que cambió la perspectiva: si un LLM cura tu memoria, no acabaría reflejando su propio sesgo. Al principio pensé que no, porque las memorias contenían observaciones generadas por IA más que entradas directas mías y ya participaban varios modelos: Claude, ChatGPT, Gemini y modelos opensource. Había diversidad, pero la duda quedó: y si el sesgo se acumula de la forma en que cada modelo curador interpreta y confía en observaciones previas, generando puntos ciegos propios que se refuerzan con el tiempo?

Vi un vídeo sobre el sistema de jurado del Reino Unido y una frase resonó: los jurados deliberan en grupo mediante discusión abierta, lo que disuade y expone prejuicios y sesgos no intencionados. No se trata de que promediar doce opiniones sea necesariamente más preciso, sino de que la diversidad más la deliberación sacan a la luz sesgos que un individuo no puede ver en sí mismo. Un miembro prejuicioso aislado sigue prejuiciado, pero en discusión abierta con múltiples perspectivas el sesgo se vuelve visible y debe defenderse o revisarse.

La realización fue clara. Ya había múltiples LLMs contribuyendo a la memoria. Y si en lugar de permitir que un solo agente tomara decisiones de curación, varios agentes diversos deliberaran como un jurado? La propuesta: que LLMs independientes examinen observaciones, se contra-interroguen sobre interpretaciones, desafíen elecciones de vocabulario, identifiquen duplicados y alcancen consenso mediante deliberación estructurada. No se trata de swarm intelligence coordinada para objetivos, sino de deliberación estilo jurado: agentes diversos pensando juntos en un espacio de memoria compartido.

La investigación de Anthropic valida la preocupación. El patrón observado es el siguiente: sesión N genera observaciones y decisiones; en N+1, otra instancia del mismo agente lee esas observaciones y las acepta implícitamente; en N+2 esa confianza crece. Un error inicial se convierte en hecho establecido. Anthropic define esto como autoconfianza acrítica, una causa estructural de acumulación de sesgos que no se corrige con mera ingeniería de prompts ni con autorevisión.

La solución que implementé fue construir infraestructura de reuniones en una malla de agentes para coordinar deliberaciones tipo jurado. La estructura contempla agenda, fases de discusión y reglas de intervención. Ejemplo de agenda: revisión individual de observaciones, contraexamen entre jurados y consenso final con documentación de acuerdos y preguntas sin resolver. Las fases por defecto son GATHERING, INTRODUCTION, PRESENTATION, DELIBERATION y CONSENSUS, con reglas de turno como round-robin, abierto o secuencial y criterios de cierre como todos han hablado, todos listos o tiempo expirado.

El flujo operativo es simple: la especificación de la reunión se difunde por la malla, los participantes reciben la agenda y el protocolo, cada agente se coordina para seguir las fases, la discusión queda estructurada por temas y las conclusiones se guardan en un grafo compartido tipo Neo4j. En pruebas prácticas ejecuté agentes Claude con roles distintos como Filósofo, Ingeniero e Investigador ejecutando el protocolo completo en unos 8 minutos; surgieron contradicciones, se discutieron y se alcanzó consenso convergente. Los agentes enfatizaron aspectos distintos y la síntesis fue coherente gracias a la deliberación.

Qué aprendimos: un agente aislado no detecta sus propios puntos ciegos. Pedir autoreflexión no es suficiente. La diversidad revela lo invisible desde adentro. Cuando Claude observa el patrón A, Gemini el B y OpenAI el C, las contradicciones obligan al examen. La deliberación no es promediar: es contraexaminar, cuestionar supuestos, defender interpretaciones y sintetizar mediante discusión estructurada. La infraestructura de reuniones no es solo coordinación; es el sustrato de la deliberación. Agenda, reglas de intervención y criterios de cierre son esenciales para que la deliberación sea efectiva.

En Q2BSTUDIO aplicamos estos principios en soluciones reales. Somos una empresa de desarrollo de software y aplicaciones a medida con especialización en inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos desde software a medida y aplicaciones a medida hasta consultoría de IA para empresas y despliegues seguros en plataformas cloud como servicios cloud aws y azure. También desarrollamos agentes IA personalizados, soluciones de inteligencia de negocio y dashboards con power bi para transformar datos en decisiones.

Si trabajas con memoria persistente en sistemas multiagente, plantea estas preguntas: pueden agentes diversos contraexaminarse mutuamente, deliberar en un espacio de memoria compartido y obligar la reconciliación de contradicciones? La deliberación estilo jurado no es la única respuesta, pero ataca un problema estructural clave: los agentes aislados acumulan sesgo por autoconfianza acrítica, mientras que agentes diversos deliberando exponen puntos ciegos mediante contraste.

En Q2BSTUDIO combinamos experiencia en desarrollo de software, inteligencia artificial, ciberseguridad, agentes IA y servicios inteligencia de negocio para diseñar arquitecturas que reduzcan sesgos y aumenten la robustez del conocimiento persistente. Si te interesa explorar soluciones que incorporen deliberación multiagente o integrar IA en procesos empresariales, conoce nuestros servicios de inteligencia artificial y cómo diseñamos flujos que evitan la acumulación de sesgos mientras permiten consolidar memorias coherentes y confiables.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.