El nuevo sistema revisa periódicamente la actividad del agente para recordar qué procedimientos funcionaron y cuáles fracasaron. Inicialmente estará disponible para suscriptores Max y Enterprise Max.
Perplexity presentó Brain, un sistema de memoria diseñado para que su agente Computer aprenda de las tareas que realiza y utilice esa experiencia para mejorar trabajos posteriores. La tecnología fue anunciada por el equipo de Perplexity el 18 de junio de 2026. La compañía la describe como un enfoque de memoria autoajustable que registra no solo información acerca del usuario, sino también las acciones ejecutadas por el agente, los resultados obtenidos y las correcciones realizadas.
La propuesta parte de la idea de que un agente de inteligencia artificial debería desarrollar sus capacidades mediante la experiencia, de manera similar a una persona que aprende mientras trabaja. Brain construye un grafo de contexto a partir de la actividad de Computer. En intervalos establecidos, por ejemplo durante la noche, el sistema revisa esa información y actualiza el conocimiento que empleará en futuras tareas.
Según Perplexity, este proceso permite que el agente recuerde qué métodos funcionaron, cuáles fallaron y qué cambios introdujo el usuario. El objetivo es reducir la repetición de errores y mejorar progresivamente la manera en que Computer aborda cada trabajo.
Una memoria centrada en el trabajo
La memoria incorporada tradicionalmente a los asistentes de IA suele almacenar preferencias, contactos, funciones profesionales y estilos de trabajo del usuario. Brain amplía ese enfoque al registrar lo que hizo el propio agente. Esto incluye los proyectos consultados, las fuentes utilizadas, los conectores relevantes, los documentos producidos y los caminos que no condujeron a resultados útiles.
Perplexity sostiene que esta información proporciona a Computer un punto de partida más completo para cada nueva tarea. El agente podría localizar antes las fuentes adecuadas, evitar procedimientos que anteriormente fracasaron y requerir menos intercambios con el usuario. La empresa también plantea que el consumo actual de unidades de procesamiento —los denominados tokens— funciona como una inversión destinada a reducir el trabajo necesario en futuras sesiones.
Un grafo de contexto actualizado periódicamente
Brain organiza la memoria mediante un grafo de contexto que representa los proyectos, personas, ideas y otros elementos asociados al entorno de trabajo del usuario. La capa de contexto adopta la forma de una wiki para modelos de lenguaje que se carga automáticamente en el entorno aislado del agente. Computer puede recorrer estas páginas para comprender las relaciones existentes entre los distintos componentes de una tarea.
La wiki se actualiza incrementalmente durante la noche. Para ello, Brain sintetiza las sesiones del usuario, los resultados obtenidos mediante conectores, las modificaciones introducidas en documentos y las correcciones efectuadas durante el trabajo. Cada entrada de memoria conserva además un vínculo con la sesión, archivo o fuente de la que procede. Esta trazabilidad permitiría revisar el origen de la información empleada por el agente.
Según mediciones preliminares presentadas por la compañía, Brain aumentó en un 25% la precisión de las respuestas correspondientes a tareas que Computer ya había realizado anteriormente. La capacidad de recuperación de información habría mejorado un 16%. Perplexity también afirma que el sistema redujo un 13% el costo de las tareas que requieren contexto histórico. Los resultados mejorarían entre quienes utilizan Brain durante períodos más prolongados, debido a la acumulación de información sobre su entorno de trabajo.
Se trata de cifras proporcionadas por la propia empresa. La publicación incluye resultados comparativos de un estudio de ablación, pero no detalla aspectos como el tamaño de la evaluación, las tareas utilizadas o una posible verificación independiente.
Hacia agentes más proactivos
Perplexity considera que el aprendizaje continuo es necesario para desarrollar agentes capaces de anticiparse a las solicitudes de los usuarios.
Al conservar y analizar el trabajo anterior, estos sistemas podrían identificar oportunidades no solicitadas o advertir problemas antes de que sean detectados por una persona. La empresa plantea que cada organización podría construir así un sistema de IA adaptado a sus propios procesos y conocimientos.
📬 Newsletter gratuito
Lo más relevante de tecnología y negocios digitales en español — cada día, en cinco minutos.
