Rippletide, una startup integrada en el ecosistema de Neo4j, ha desarrollado una arquitectura llamada *decision context graph* para atacar uno de los problemas más persistentes de los agentes de inteligencia artificial empresarial: la amnesia operativa. Los sistemas actuales repiten los mismos errores porque, técnicamente, no recuerdan haber cometido ninguno.
El problema que nadie quiere admitir
Imaginemos un chatbot de atención al cliente que cada mañana comienza desde cero. No recuerda qué tipo de consultas resolvió mal la semana anterior, ni qué respuestas generaron escaladas al servicio humano, ni qué clientes ya explicaron su problema tres veces sin obtener solución. Cada interacción es, para el sistema, la primera. El coste no es solo operativo: es de credibilidad.
Este escenario no es una exageración ni un caso extremo. Es el funcionamiento habitual de la mayoría de agentes de enterprise AI desplegados hoy en grandes organizaciones. La arquitectura dominante, conocida como RAG (*Retrieval-Augmented Generation*), está diseñada para recuperar documentos semánticamente relevantes en el momento de la consulta. Hace bien esa tarea. Pero ahí termina su capacidad: no acumula aprendizaje validado, no registra qué decisiones funcionaron en el pasado y no distingue entre información fresca y obsoleta.
El resultado es un sistema que puede parecer inteligente en una demostración aislada y resultar frustrante en producción continuada.
Cómo funciona el decision context graph
La propuesta de Rippletide introduce tres capacidades que RAG no ofrece por diseño. La primera es memoria estructurada: en lugar de recuperar documentos sueltos, el agente opera sobre un grafo de contexto que organiza el conocimiento con relaciones explícitas entre conceptos, decisiones y resultados previos.
La segunda es el razonamiento temporal: el sistema sabe cuándo se generó cada pieza de información y puede ponderar su relevancia según su antigüedad o vigencia. No es lo mismo una política de precios de hace dos años que una actualizada el mes pasado.
La tercera, y quizás la más relevante para entornos empresariales, es la no regresión: los agentes pueden congelar conocimiento validado, es decir, preservar decisiones que ya demostraron ser correctas sin que una actualización posterior las sobreescriba o degrade. Es un mecanismo de protección contra el deterioro silencioso que afecta a muchos sistemas de IA cuando se reentrenan o actualizan.
El contexto del sector
El enterprise AI representa ya más del 40% de los ingresos de OpenAI, y la compañía estima que ese segmento está en camino de alcanzar paridad con su negocio de consumo. Ese volumen de adopción corporativa hace que los fallos de memoria de los agentes dejen de ser un problema técnico menor para convertirse en un riesgo de negocio medible.
La arquitectura RAG fue concebida como solución al problema de los modelos de lenguaje que no acceden a información actualizada. Cumplió ese objetivo. Pero la siguiente capa del problema —que los agentes aprendan de su propio historial operativo y no solo de documentos externos— requiere una solución diferente. El *decision context graph* de Rippletide es, hasta ahora, una de las pocas propuestas con nombre y especificación técnica concreta para ese hueco.
La fecha de disponibilidad general del sistema y las condiciones de acceso para empresas no han sido confirmadas oficialmente por la compañía.
