El modelo conoce una versión vieja de ti
La estructura y el marcado se actualizaron para los motores de respuesta actuales; el análisis original se conserva.
Este mes OpenAI lanzó modelos más nuevos —function calling, más contexto, precios más bajos— con un corte de conocimiento todavía clavado en septiembre de 2021. La lección se esconde en esa brecha: un modelo más nuevo no es conocimiento más nuevo. Lo que un modelo memorizó de tu empresa puede tener casi dos años de antigüedad, entregado con plena seguridad, y deberías vigilar qué dice.
la respuesta corta
Un modelo responde desde una memoria congelada en su corte de entrenamiento —ahora mismo, septiembre de 2021. Así que todo lo posterior (un cambio de marca, un giro, un nuevo producto, tus precios actuales) no está ahí, y el modelo describirá al tú viejo con la misma seguridad que al actual. Los modelos nuevos de este mes añadieron capacidad pero no movieron el corte: un modelo más nuevo no es conocimiento más nuevo. La navegación en vivo ayuda pero es temprana y a veces está apagada. No puedes editar la memoria; así que mide qué dice, mantén tu registro exacto, y espera que las correcciones aterricen en la próxima foto, no en esta.
claves
- Los modelos nuevos de este mes añadieron function calling y más contexto, pero mantuvieron un corte de conocimiento de septiembre de 2021. Un modelo más nuevo no es conocimiento más nuevo.
- Lo que un modelo memorizó de tu empresa puede tener años: un cambio de marca, un giro, un nuevo producto, los precios actuales; todo lo posterior al corte simplemente no está en su memoria.
- Describirá al tú viejo con la misma seguridad que al actual. El riesgo no son errores obvios; es una foto vieja entregada con plena seguridad.
- La navegación web en vivo es el arreglo correcto a largo plazo pero, por ahora, es temprana y a veces está apagada, así que no puedes suponer que una respuesta vino de una consulta fresca y no de la memoria vieja.
- No puedes editar la memoria del modelo, pero sí moldearla: vigila qué dice, mantén tu registro actual exacto y bien marcado, y trata la corroboración como algo que rinde en la próxima foto, no en esta.
lo que el modelo sabe, y cuándo se detiene
La banda sombreada es de lo que el modelo puede responder de memoria; termina en el corte. Todo lo que está en la brecha posterior —tu cambio de marca, tu producto más nuevo, tus precios reales— es invisible para una respuesta de memoria, incluso de un modelo lanzado este mes. Esa brecha es el tema de esta nota.
Por qué una respuesta segura puede estar igual de vieja
La razón por la que esto se le escapa a la gente es que la obsolescencia no se anuncia. Un dato falso lo puedes cazar; un dato viejo entregado con fluidez a menudo no, porque nada en la respuesta señala su edad. Cuando un modelo le dice a un prospecto qué hace tu empresa, en prosa limpia y segura, el prospecto no tiene forma de saber si esa descripción te refleja hoy o te refleja en el corte de hace dos años, y tampoco la tiene el modelo, que simplemente lee de memoria. Si has cambiado de cualquier forma que importe desde septiembre de 2021, la descripción segura puede estar describiendo en silencio a una empresa que ya no existe, y cuanto más pulida la prosa, más creíble suena la versión vieja.
Vale la pena ser justos sobre lo que esto es y no es. No es el modelo fallando; una foto congelada es cómo funciona la memoria paramétrica, y reportarla con fidelidad es el modelo haciendo su trabajo. Tampoco es permanente: el próximo entrenamiento moverá el corte hacia delante, y la recuperación en vivo, donde funciona, puede tirar de información actual al momento de preguntar. El punto es más estrecho y práctico: en cualquier momento dado, la imagen basada en memoria que un modelo tiene de tu empresa lleva una fecha encima, esa fecha puede estar bien en el pasado, y una actualización de capacidad como la de este mes no hace nada por refrescarla. Saberlo convierte un riesgo oculto en algo que puedes vigilar y gestionar.
La forma del asunto, en tres partes
La memoria de un modelo está congelada en una fecha del pasado; la capacidad se movió este mes mientras la actualidad no; así que mide la foto y mantén el registro derecho. Abre cada parte para dónde cambia el trabajo.
01 La memoria de un modelo está congelada en una fecha del pasado
El conocimiento del que un modelo responde, cuando no está consultando algo en vivo, viene de su entrenamiento, y el entrenamiento termina en un corte. Ahora mismo ese corte es septiembre de 2021, casi dos años antes de que esto se escriba. Todo lo que un modelo «sabe» de memoria sobre tu empresa es por tanto una foto tomada en ese momento o antes, y las fotos envejecen. Si cambiaste de marca el año pasado, lanzaste un nuevo producto estrella desde entonces, te reposicionaste en torno a otro problema, cambiaste tus precios o te adquirieron, nada de eso está en la memoria congelada. Pregúntale al modelo quién eres y, respondiendo desde esa memoria, describirá la empresa que eras en el corte con la misma fluidez con que describiría la que eres hoy. Esa fluidez es la trampa: no hay un sello de fecha visible en una respuesta segura, nada que diga «a fecha de septiembre de 2021», así que una descripción vieja se lee exactamente como una actual a menos que ya lo sepas, y la mayoría de los prospectos no lo saben.
02 La capacidad se movió este mes; la actualidad no
Sería fácil suponer que los modelos más nuevos lanzados este mes saben cosas más recientes, y esa suposición es justo la que hay que soltar. La actualización es real y útil —los modelos ahora pueden llamar funciones y devolver salida estructurada, manejar mucho más texto a la vez y cuestan menos— pero el corte de conocimiento no se movió: las versiones nuevas conocen el mundo hasta el mismo septiembre de 2021 que las de antes. Capacidad y actualidad son perillas separadas, y solo una giró. Esto importa porque mata una intuición cómoda: que a medida que los modelos visiblemente mejoran, su imagen de tu empresa se refresca en silencio también. No lo hace. Una subida de versión puede volver a un modelo mejor razonador y mejor herramienta dejando su memoria de ti exactamente igual de vieja que estaba. Lo único que de verdad adelanta el conocimiento es un entrenamiento nuevo con datos más frescos o una consulta en vivo al momento de preguntar, ninguno de los cuales implica un lanzamiento de capacidad. Las notas de la versión te dirán que el modelo es más listo; no te dirán que ha conocido la versión actual de ti.
03 Así que mide la foto y mantén el registro derecho
Como no puedes meter la mano y editar la memoria del modelo, el trabajo es medición y mantenimiento, no un arreglo de una vez. Empieza por leer la foto: hazles a los modelos, como lo haría un cliente, quién eres y qué ofreces, y registra dónde la respuesta es actual, dónde está vieja y dónde está mal. Trata eso como una línea base que vuelves a comprobar en un calendario, la misma disciplina que aplicarías a cualquier métrica que deriva. Luego mantén el registro derecho donde puedas alcanzarlo: tu propia información actual, claramente publicada y bien marcada, y reflejos exactos del tú presente en las fuentes independientes de las que un modelo aprende, para que el próximo entrenamiento y cualquier consulta en vivo encuentren el material correcto. Y fija la expectativa interna con honestidad: esto es un desfase, no un interruptor, así que las correcciones de hoy aterrizan sobre todo en la próxima foto del modelo. Esa paciencia, junto con un monitoreo constante, es el hábito del AC Group aplicado a una superficie nueva a lo largo de 27 años: vigila lo que se dice de ti, y mantén verdadero el registro de fondo.
Un cambio de marca del que el modelo nunca se enteró
Una empresa pasó el último año en un reposicionamiento serio: un nombre nuevo para su producto estrella, un foco más afilado en otro comprador, precios actualizados y una ronda fresca de mensajería por todo su sitio. Internamente el cambio está completo y todos han pasado página. Entonces un prospecto, haciendo investigación temprana, le pregunta a un chatbot por qué es conocida la empresa, y recibe de vuelta la historia vieja: el nombre anterior del producto, el posicionamiento anterior, una descripción que era exacta en 2021 y ahora tiene un año de retraso. El prospecto, sin razón para dudar de una respuesta segura, se forma una impresión de una empresa que ya no existe, y lleva esa impresión vieja a la siguiente conversación.
Nada de esto es un fallo. El modelo respondió desde una memoria que precede al cambio de marca, con fidelidad, y las propias páginas nuevas y excelentes de la empresa no tenían forma de meterse en esa foto congelada. Lo que la empresa sí puede hacer es el trabajo del que trata esta nota: notar la brecha preguntándoles a los modelos qué dicen, asegurarse de que la historia actual esté publicada con claridad y corroborada por fuentes independientes para que el próximo entrenamiento y cualquier consulta en vivo encuentren la nueva realidad, y aceptar que el arreglo es un desfase y no un interruptor. El equipo que comprueba qué dice el modelo caza la historia vieja mientras es solo un inconveniente; el equipo que supone que el modelo se mantiene al día se entera de la brecha por un prospecto que ya se fue con la imagen equivocada. Mismo cambio de marca, resultado muy distinto, y la diferencia es si alguien estaba midiendo.
Qué hacer con esto
Haz visible la foto, luego mantén el registro verdadero. Hazles a los modelos las preguntas que un cliente haría sobre ti —quién eres, qué vendes, cómo estás posicionado, cuánto cuesta— y anota, con claridad, dónde la respuesta es actual, dónde está vieja y dónde simplemente está mal. Vuelve a comprobar en una cadencia constante, porque la foto se moverá a medida que aterricen entrenamientos nuevos y mejore la recuperación, y quieres ver esos movimientos en vez de que te sorprendan. Esto es solo monitorear una métrica que deriva, aplicado a la memoria que el modelo tiene de ti.
Luego trabaja las dos palancas que de verdad tienes. Mantén tu propia información actual claramente publicada y bien marcada, para que un modelo que te consulte en vivo encuentre al tú presente, y para que el próximo entrenamiento ingiera los hechos correctos. Asegúrate de que las fuentes independientes reflejen la empresa que eres ahora, no la que eras, porque un modelo confía en la corroboración y la corroboración es donde las fotos viejas se corrigen de raíz. Y sostén la expectativa paciente internamente: lo que arreglas hoy mejora sobre todo la próxima foto del modelo, no la que responde ahora mismo, así que la disciplina es mantener el registro exacto de forma continua en vez de perseguir una corrección instantánea. Ese hábito constante y poco vistoso —medir lo que se dice, mantener la verdad alcanzable, esperar a que la foto se ponga al día— es exactamente cómo el AC Group ha gestionado la reputación a través de cada cambio en cómo viaja por ' + years + ' años.
Qué cambios duelen más con la brecha
No toda diferencia entre el tú viejo y el actual cuesta lo mismo, así que ayuda saber cuáles muerden. Los más dañinos son los cambios de identidad y de categoría: un cambio de marca o de nombre, porque el modelo puede no conectar el nombre viejo con el nuevo en absoluto y simplemente responde sobre una empresa que el prospecto no puede encontrar; y un reposicionamiento hacia otra categoría, porque el modelo te archiva bajo la vieja y nunca te saca para las consultas que ahora importan. Justo detrás van un nuevo producto estrella del que el modelo nunca oyó, así que describe tu catálogo como si tu mejor producto actual no existiera, y un cambio de precios o de empaquetado, donde el modelo cita cifras que no solo son viejas sino erróneas de un modo que erosiona la confianza en cuanto un prospecto las comprueba.
Las fusiones, adquisiciones y cambios de propiedad pertenecen a la misma lista, porque alteran la entidad misma que el modelo intenta describir, y una respuesta segura sobre la empresa anterior a la fusión puede confundir de formas difíciles de deshacer después. El hilo común es que las brechas más caras son las que cambian quién eres o dónde te sitúas, no las que solo añaden detalle. Un modelo con un año de retraso sobre una función menor es un problema pequeño; un modelo con un año de retraso sobre tu nombre, tu categoría, tu producto estrella o tu precio está describiendo una empresa distinta a la gente que decide si considerarte. Saber cuáles de tus propios cambios caen en ese cubo más pesado te dice dónde mirar primero cuando lees la foto.
Cuándo una foto vieja no importa
Sería deshonesto dar a entender que esto es una crisis para todos, porque para muchas empresas la brecha es inofensiva. Si no has cambiado de ninguna forma consecuente desde el corte —mismo nombre, misma categoría, misma oferta central, posicionamiento estable— entonces una memoria congelada hace dos años te describe casi tan bien como lo haría una fresca, y la obsolescencia es un no-problema. La estabilidad es su propia protección aquí: cuanto menos te hayas movido, menos hay sobre lo que el modelo pueda equivocarse. Muchos negocios sólidos están exactamente en esta posición, y la respuesta correcta para ellos es confirmarlo con una comprobación rápida y luego gastar su atención en otra parte en vez de fabricar una alarma.
El punto de esta nota no es que toda respuesta del modelo sea peligrosamente vieja; es que no puedes saber si la tuya lo es sin mirar, y que el acto de mirar es barato comparado con el coste de que te sorprendan. Así que el encuadre honesto es condicional: si has cambiado en algo que importa, la brecha trabaja en tu contra ahora mismo y en silencio; si no, probablemente estás bien y puedes probarlo en minutos. En cualquier caso el movimiento es el mismo —comprueba qué dice la foto— y a las únicas empresas que esto pilla de verdad es a las que supusieron, sin comprobar, que el modelo se había puesto al día con un cambio que no tenía forma de conocer.
El problema de la foto vieja: respuestas rápidas
¿Por qué conocería un modelo una versión obsoleta de mi empresa?
Porque el conocimiento que un modelo lleva en sus pesos se congeló en un corte de entrenamiento, y ese corte suele estar bien en el pasado. Los modelos que OpenAI lanzó este mes son más nuevos y más capaces —pueden llamar funciones y leer más texto a la vez— pero su conocimiento del mundo sigue parándose en septiembre de 2021, hace casi dos años. Cualquier cosa que le pasó a tu empresa después de ese punto simplemente no está ahí: un cambio de marca, un giro, un nuevo producto estrella, un cambio de posicionamiento, una fusión, incluso tus precios actuales. Cuando alguien le pregunta al modelo por ti y responde de memoria en vez de hacer una consulta en vivo, responde como la empresa que eras en el corte, no la que eres ahora. No miente ni está roto; reporta con fidelidad una foto que ha envejecido. El peligro es que suena igual de seguro describiendo al tú viejo que al actual.
¿No significa un modelo más nuevo información más nueva?
No, y este mes es una ilustración limpia de por qué. La actualización que llegó añadió capacidades reales —function calling, una ventana de contexto mayor, precios más bajos— sin mover el corte de conocimiento en absoluto; las versiones nuevas conocen el mundo hasta el mismo septiembre de 2021 que las que reemplazan. Capacidad y actualidad son dos perillas distintas. Un modelo puede volverse mejor razonando, mejor siguiendo instrucciones y más útil como herramienta y seguir congelado en el mismo momento del tiempo para lo que de verdad sabe del mundo. Así que «lanzaron un modelo nuevo» no te dice nada sobre si se ha puesto al día con tu empresa. Lo único que mueve el conocimiento hacia delante es un entrenamiento nuevo que incluya datos más recientes, o un paso de recuperación en vivo que deje al modelo consultar algo en el momento en que preguntas, y ninguno de los dos lo implica una subida de versión.
¿No puede la navegación web en vivo arreglar la obsolescencia?
Puede ayudar, pero al momento de escribir esto no es un respaldo fiable. La recuperación —dejar que el modelo consulte algo en vivo en vez de responder de memoria— es la respuesta correcta a largo plazo a la obsolescencia, porque tira de la web actual en vez de una foto congelada. Pero hoy las funciones de navegación son tempranas, desiguales y a veces están apagadas por completo, así que no puedes suponer que una respuesta dada sobre tu empresa vino de una consulta en vivo y no de la memoria vieja. Cuando la recuperación sí se dispara, la actualidad depende de qué encuentra y cuán fresco sea; cuando no, vuelves al corte. La postura práctica es tratar la recuperación en vivo como una mitigación parcial y en mejora, no como un problema resuelto, y seguir vigilando qué dice el modelo de ti en ambos modos, porque la respuesta basada en memoria es la que más probablemente esté callada-desactualizada.
¿Qué puedo hacer de verdad con una foto vieja?
Tres cosas, en orden. Primero, averigua qué dice la foto: hazles a los modelos las preguntas que haría un cliente, sobre quién eres, qué ofreces y cómo estás posicionado, y anota dónde la respuesta es actual, dónde está vieja y dónde simplemente está mal. Segundo, corrige el registro donde sea alcanzable: asegúrate de que tu propia información actual esté claramente publicada y bien marcada, y de que las fuentes independientes reflejen al tú presente, para que el próximo entrenamiento y cualquier consulta en vivo tengan material exacto del que tirar. Tercero, fija internamente la expectativa de que esto es un desfase, no un interruptor: la corroboración que construyes hoy rinde sobre todo en la próxima foto del modelo, no en esta, así que el trabajo es mantener el registro exacto de forma continua en vez de esperar una corrección instantánea. No puedes editar la memoria del modelo directamente, pero sí puedes moldear lo que aprende después y lo que recupera ahora.
Una nota sobre fuentes y momento
Esto se escribe en junio de 2023, justo después de que OpenAI lanzara modelos actualizados con function calling y una ventana de contexto mayor mientras dejaba el corte de conocimiento en septiembre de 2021: capacidad hacia delante, actualidad sin cambiar. Hemos descrito solo lo que era público al momento de escribir esto, y hemos tenido cuidado de no exagerar: la recuperación en vivo, donde funciona, sí reduce la obsolescencia, y el corte se mueve hacia delante con futuros entrenamientos. El punto durable no depende de ninguna fecha concreta: en cualquier momento, la memoria de la que un modelo responde tiene una edad, esa edad puede estar bien en el pasado, y una actualización de capacidad no la refresca; así que lo que un modelo «sabe» de tu empresa es algo a monitorear, no a suponer. Mantener el registro verdadero y vigilar lo que se dice es el estándar que el AC Group ha sostenido por 27 años, ahora apuntado a una superficie cuya memoria de ti es más vieja de lo que suena.