Perplexity ha anunciado Brain, un nuevo sistema de memoria para su agente Computer diseñado para que la IA no dependa únicamente del contexto inmediato de cada conversación. La idea central es sencilla pero potente: en lugar de recordar preferencias del usuario, Brain guarda el historial operativo del agente: qué acciones realizó, qué decisiones fueron útiles, qué pasos fallaron y qué correcciones terminaron funcionando.

El sistema construye lo que la compañía describe como un grafo de contexto. En términos prácticos, es una red de trazabilidad que conecta tareas, herramientas, resultados, errores y ajustes. Ese mapa permite que el agente recupere experiencias previas cuando afronta un trabajo parecido, sin tener que volver a cometer los mismos fallos ni recalcular soluciones ya validadas.

Uno de los elementos más llamativos es el aprendizaje nocturno. Según Perplexity, Brain revisa durante la noche la información acumulada y consolida patrones útiles para futuras ejecuciones. No se trata necesariamente de reentrenar el modelo desde cero, sino de crear una capa de memoria operativa que puede alimentar mejor el razonamiento del agente cuando recibe nuevas instrucciones.

La propuesta apunta a uno de los grandes cuellos de botella de los agentes autónomos: la gestión del contexto. Los modelos actuales pueden perder información cuando una tarea se alarga, usar demasiados tokens para reconstruir antecedentes o repetir errores porque no conservan una memoria fiable de intentos anteriores. Brain intenta convertir ese historial en un activo estructurado, consultable y aprovechable.

El enfoque también tiene implicaciones para los costes. Si el agente puede recuperar una solución previa, evitar una ruta equivocada o reutilizar un procedimiento ya corregido, debería reducir el número de llamadas, búsquedas y pasos necesarios. Perplexity asegura haber observado mejoras tempranas en corrección, capacidad de recuerdo y eficiencia económica, aunque todavía falta validación independiente para medir el impacto real en entornos profesionales.

La diferencia con otros sistemas de memoria es importante. Muchas herramientas de IA recuerdan datos del usuario: nombre, preferencias, historial de conversación o instrucciones personalizadas. Brain, en cambio, se centra en la memoria del trabajo. Ese matiz puede ser clave para empresas, porque reduce la sensibilidad de los datos personales y se aproxima más a una base de conocimiento operativa sobre procesos, tareas y resultados.

Para profesionales tech, el anuncio toca una tendencia de fondo: los agentes de IA están dejando de ser asistentes conversacionales para convertirse en sistemas que ejecutan flujos complejos. En ese escenario, la memoria ya no es un detalle de producto, sino infraestructura. Un agente sin memoria persistente puede ser útil para una pregunta puntual, pero difícilmente será fiable para automatizar tareas recurrentes.

También aparece una cuestión de gobernanza. Un grafo de contexto trazable puede ayudar a auditar por qué un agente tomó una decisión, qué fuentes usó y qué correcciones aplicó. Sin embargo, también plantea retos: cómo se depura la memoria, cómo se evita que errores antiguos se consoliden, cómo se gestionan permisos y cómo se garantiza que el agente no recupere información inapropiada en otro contexto.

Brain representa una apuesta por agentes más persistentes, observables y eficientes. Si funciona como promete, podría marcar un cambio importante en la forma en que las empresas adoptan IA autónoma: no solo pidiendo respuestas, sino delegando procesos con una memoria capaz de mejorar con la práctica. El siguiente paso será ver si esta arquitectura escala con seguridad y si los resultados reportados se mantienen fuera del laboratorio.