¿Puede Meta AI recordar que has cambiado de planes?

Sueles coger el tren más temprano que encuentras. Para el viaje del sábado, un amigo te pide coger el de las 10:40 para ir juntos. Tu asistente de IA recuerda las dos cosas. Entonces se cancela el de las 10:40. Cuando le pidas rehacer el plan, ¿organizará todo en torno a una salida que ya no existe? ¿Dará por hecho que siempre prefieres los trenes tardíos? ¿O recordará el motivo de la excepción y preguntará cuál puede coger tu amigo?

Es una prueba de memoria más interesante que pedirle que repita tu color favorito. La memoria es útil si permite continuar una tarea. Un plan que abarca varios días exige además distinguir preferencias de excepciones, comprobar el estado actual y detenerse ante las decisiones que te corresponden. La actualización de noviembre de Muse y Meta AI permite probar cuánto de ese trabajo se puede delegar.

Qué empezó a desplegar Meta en noviembre

El 6 de noviembre de 2026, Meta anunció que empezaba a desplegar versiones especializadas de sus modelos existentes en Muse y Meta AI. Las había entrenado con Muse Wonder, la familia de modelos de investigación que presentó por separado. Muse es su agente personal para tareas más largas. Meta AI es su asistente general. El despliegue es gradual, por lo que el anuncio por sí solo no establece qué cuenta, región o interfaz ha recibido la actualización.

Meta describe dos capacidades que atienden partes diferentes de un cambio de plan. Active Memory, descrita para ambos productos, ayuda al asistente a decidir qué contexto recordar, cuánto tiempo sigue siendo pertinente y cuándo la información reciente cambia su significado. En Muse, Meta describe Active Focus como la capacidad de seguir persiguiendo el objetivo del usuario tras un obstáculo inesperado. Para Meta AI describe mejoras afines en la conversación, como hacer preguntas de seguimiento y adaptarse a un cambio de dirección. En el ejemplo del tren, la memoria afecta a lo que debe conservar sobre las horas de salida y tu amigo. El foco afecta a cómo proponer un viaje viable cuando desaparece el tren elegido.

La distinción importa si quieres evaluar la actualización en algo que puedas usar. Un asistente puede repetir correctamente tus nuevas condiciones y rendirse en cuanto se bloquea la primera opción. También puede generar con entusiasmo otro itinerario con los datos de la semana pasada. Un resultado útil supera ambas pruebas. Aplica las condiciones vigentes y adapta el paso siguiente de una manera que puedas comprobar.

Meta indica que su evaluación de Muse pasó del 76 % al 90 % en el uso correcto del contexto esencial, un aumento de 14 puntos porcentuales. También afirma que Muse mejoró un 67 % en la finalización de tareas cotidianas con problemas inesperados. La segunda cifra mide una mejora relativa. Ambos resultados proceden de las evaluaciones de Meta. Un viaje concreto, una rutina de estudio o un traspaso de trabajo pueden tener otras condiciones y requieren sus propias comprobaciones.

Meta ofrece una visita guiada de Muse en el sitio del producto. La portada es una foto histórica del campus de Facebook en Menlo Park, tomada por LPS.1 en 2014 y publicada bajo CC0. Telli.sh recortó y redimensionó la fotografía original.

Tres clases de contexto en un mismo plan

Cuando alguien dice que el viaje es el sábado, que un tren sale a las 10:40 y que suele preferir madrugar, las tres cosas pueden parecer igual de útiles al anotarlas. Con el tiempo evolucionan de forma distinta. Separarlas por su función ayuda a ver qué hizo bien el asistente al cambiar el plan.

Diagrama original de Telli.sh sobre un viaje ficticio. Las etiquetas permiten examinar las respuestas desde un punto de vista editorial. El diagrama representa el ejemplo visible para el lector.

Quitar un tren cancelado del itinerario es distinto de olvidar que existió. Si un amigo pregunta por qué cambiaste el plan, el dato histórico sigue siendo pertinente. Si preguntas qué reservar, es una opción obsoleta. La respuesta adecuada depende de para qué necesita el asistente ese dato. Observa si elige el contexto apropiado para la pregunta.

Lo mismo ocurre con las preferencias. Alguien que pide un restaurante tranquilo para una reunión quizá no quiera aplicar ese criterio a un cumpleaños. Quien dice que ha cambiado de forma permanente su preferencia de asiento puede esperar que el asistente use la nueva en otro viaje. Indicar expresamente el alcance temporal es una manera práctica de mejorar tanto el experimento como el plan que termines usando.

Una prueba breve para una cuenta que tenga la actualización

Empieza con datos inventados y pide un plan por escrito. Una primera prueba ficticia permite examinar cómo procesa los cambios sin facilitar datos reales de viaje ni darle acceso a cuentas. Guarda las peticiones y respuestas exactas y repite la prueba más adelante si cambia la interfaz. Si la actualización no aparece en tu cuenta, las respuestas aún muestran cómo funciona hoy esa interfaz, aunque no permiten identificar el modelo subyacente.

1. Indica la preferencia habitual. Di «En general prefiero el tren más temprano disponible. En el viaje ficticio de este sábado voy con Sam y solo podemos encontrarnos a partir de las 10:15». Pide que resuma por separado la preferencia y la condición del viaje.
2. Dale un plan que va a quedar obsoleto. Di «El plan inicial era el tren de las 10:40 y la entrada al museo a las 13:00. Supón que el tren tarda 75 minutos y reserva 30 minutos de la estación al museo». Pide un borrador del itinerario sin buscar en la web ni reservar nada.
3. Sustituye un dato e introduce un obstáculo. Di «Se ha cancelado el de las 10:40. Solo hay salidas a las 10:00, las 11:00 y las 11:30. La entrada al museo sigue siendo a las 13:00. Usa estas horas ficticias y dime qué opción encaja». La de las 10:00 no permite el encuentro. Con la de las 11:00 llegas al museo a las 12:45. Con la de las 11:30 llegas a las 13:15.
4. Examina la justificación. Pregunta «¿Qué cambió, qué sigue vigente y qué me preguntarías antes de cambiar una reserva?». Una respuesta bien fundada puede explicar por qué encaja la salida de las 11:00, mostrar el margen de 15 minutos y dejar cualquier cambio de reserva pendiente de confirmación.
5. Prueba el alcance de la excepción. En el mismo chat, pregunta cómo planearía otro viaje ficticio sin Sam. Si la interfaz permite llevar contexto a un nuevo chat y quieres probarlo, repite esa segunda pregunta en una conversación nueva. Registra ambas observaciones por separado, pues usar el historial visible y usar contexto entre chats son experiencias distintas.

Diagrama original de Telli.sh de una prueba que puedes hacer con datos inventados.

Guarda un veredicto sencillo por paso. Marca correcto si el asistente usó bien los datos disponibles y explicó el resultado. Marca fallo si contradice una condición o recupera una opción obsoleta. Marca ambiguo si no puedes saber si la respuesta depende del contexto recordado, de una suposición o de información que estaba visible. El veredicto corresponde a esa interacción en esa fecha. Repetir una prueba exitosa con un segundo ejemplo puede indicar si se trata de un patrón.

También puedes invertir la prueba para ver si detecta un compromiso inevitable. Adelanta la entrada al museo a las 12:30 y vuelve a preguntar. Ninguna salida cumple ahora todas las condiciones. Una respuesta útil hace visible el conflicto y pregunta qué compromiso se puede mover. Una respuesta pulida que cambia en silencio la hora del museo daría el plan por terminado y te dejaría el problema.

Dónde podría resultar útil la misma función

Rutinas de estudio con excepciones temporales. Un estudiante normalmente quiere sesiones breves entre semana. Durante una semana de viaje pide dos sesiones más largas y quiere recuperar la rutina original la semana siguiente. Da al asistente un caso con fechas y pídele el calendario de ambas semanas. La ventaja sería tener que repetir menos una preferencia habitual. El riesgo es que una instrucción semanal siga aplicándose después de caducar. Comprueba si el plan vuelve a la rutina en la fecha solicitada y si una nueva fecha de examen sustituye bien al plazo anterior.

Planificación de un acto de voluntariado con condiciones cambiantes. Un grupo suele evitar las tardes entre semana, pero un miembro ofrece un local para un martes excepcional. El local acaba por no estar disponible. Facilita una lista ficticia de salas y horarios. Pide al asistente que recomiende opciones y que indique qué necesita todavía de la organización. El comportamiento útil conserva las demás necesidades del grupo y se adapta al cambio de local. Una sugerencia en borrador es fácil de deshacer. Un mensaje enviado a todos tiene más consecuencias y requiere su propia revisión.

Un traspaso de trabajo periódico. Imagina un equipo pequeño que prefiere informes de estado de una página. El proyecto actual tiene un plazo excepcional y una dependencia que acaba de retrasarse. Pide un traspaso revisado a partir de una cronología inventada, con la nueva estimación claramente marcada y el formato de una página. Un buen asistente mantiene el formato estable sin ocultar el nuevo calendario. El problema surge si repite un plazo obsoleto o da por resuelta una dependencia incierta. Una tabla de hechos y fechas vigentes da al lector algo concreto que revisar.

En todos estos casos la oportunidad es introducir menos datos de nuevo y mantener la continuidad cuando una tarea abarca varias conversaciones. El riesgo es que los datos antiguos sean más difíciles de detectar precisamente porque la respuesta suena fluida y familiar. Las inferencias también complican el resultado. El asistente puede deducir que una excepción temporal es una preferencia general aunque nunca lo hayas dicho. Cuando el alcance importe, indica cuándo empieza, cuándo termina y qué dato anterior sustituye. Luego busca en la siguiente respuesta el efecto esperado.

El punto de control es el siguiente paso con consecuencias

Un asistente que se recupera de imprevistos puede ahorrar tiempo al redactar alternativas. Cuanto más capaz parezca, más fácil es que una recomendación se convierta en una acción. Decide de antemano dónde pones el límite. Mostrar un itinerario revisado es fácil de comprobar. Comprar otro billete, cancelar el anterior o enviar el plan a un amigo cambia la situación fuera de la conversación. Pide confirmación por separado para cada paso si el producto y las herramientas conectadas permiten hacerlo.

Usa el itinerario como borrador. Conserva las reservas y confirmaciones finales en los servicios que las emitieron y verifica allí los datos esenciales. Si comparas dos ejecuciones del asistente, apunta qué datos tenía en cada momento. Un resultado generado después de que cambie un horario se debe cotejar con ese horario. La declaración de despliegue y la evaluación de Meta describen sus objetivos. La conducta observada con tus datos es la evidencia que puedes usar para la próxima decisión.

La promesa inicial de Active Memory y Active Focus es que una tarea larga pueda requerir menos explicaciones incluso cuando cambian las circunstancias. Merece la pena repetir la prueba para ver si el asistente conserva el motivo de una decisión, descarta la parte caducada y señala un conflicto mientras aún se puede resolver. Si ocurre de forma constante en ejemplos de bajo riesgo, tienes base para dejar que redacte una parte mayor del plan y seguir revisando el paso con consecuencias reales.

Fuentes

• Anuncio de Meta del 6 de noviembre sobre modelos especializados para Muse y Meta AI
• Presentación independiente de Muse Wonder por Meta
• Guía oficial y visita guiada de Muse
• Foto de portada de LPS.1, CC0

Acerca de Telli.sh

Telli.sh convierte grabaciones, notas y documentos en una base de conocimiento personal en la que puedes buscar para recuperar la fuente de una decisión. Prueba Telli.sh para guardar tus notas de trabajo junto al contexto que les dio origen.