¿De quién es un recuerdo en la IA?

La palabra propiedad puede ocultar relaciones muy distintas. Un registro puede referirse a ti sin haber venido de ti. Un familiar podría describir un viaje que compartieron, mientras que una fotografía aporta otra clase de evidencia y tu propio recuerdo ofrece una tercera perspectiva. Estas fuentes no se vuelven intercambiables solo porque tratan sobre el mismo suceso.

La primera pregunta de diseño se refiere al sujeto: ¿la vida o experiencia de quién describe la afirmación? La segunda concierne a la evidencia: ¿quién aportó el relato, la imagen o el documento? La tercera concierne al control: ¿quién puede acceder, corregir, exportar o eliminar el registro? El derecho de autor es una cuestión legal aparte, no algo que estas etiquetas resuelvan automáticamente.

Una propuesta de sistema de memoria debería representar esas relaciones de forma independiente. Subir un documento no tiene por qué convertir a quien lo subió en su narrador. Aparecer mencionado en una historia no tiene por qué otorgar acceso a los registros privados de todos los demás. Aportar un relato no tiene por qué convertirlo en la única versión que valga la pena conservar.

Esta separación también da cabida a los desacuerdos. Dos personas pueden recordar una experiencia compartida de manera distinta. En lugar de fusionar sus relatos en una sola narrativa incuestionable, el sistema puede preservar cada perspectiva con su correspondiente atribución y hacer visible la discrepancia cuando sea relevante.

El lenguaje natural puede describir hechos reales, escenas ficticias, sueños, planes, citas y recuerdos controvertidos usando una gramática casi idéntica. Una oración que comienza con «yo» no le indica al sistema si quien habla es el usuario, un narrador de ficción, un entrevistado o alguien citado dentro de un correo electrónico.

Un diseño prudente comenzaría con lo que la fuente establece: ciertas palabras aparecen en una ubicación específica de un documento. Luego podría registrar al hablante probable, la persona descrita, si el suceso es ficticio o no verificado, y la evidencia que respalda esos juicios. Donde falte contexto, «desconocido» es una categoría útil.

Esto no significa que deba desecharse el material ambiguo. Un fragmento puede seguir siendo localizable como parte de un manuscrito sin convertirse en un recuerdo personal confirmado. El permiso para almacenar texto y el permiso para tratarlo como biografía deberían ser decisiones independientes.

La investigación hace tangible esta distinción sin resolver el problema por completo. Gaspard Michel y sus colegas evaluaron la atribución de diálogos en textos literarios en 2025. Identificar quién pronuncia una cita es una tarea computacional medible. Un sistema de memoria personal también necesita otras distinciones: hablante frente a sujeto, suceso ficticio frente a suceso real, y el relato de la creencia de alguien frente a la evidencia de que el suceso reportado realmente ocurrió.

Piensa en un correo electrónico que cita a un personaje de ficción recordando una lesión. Un resumen podría conservar la lesión pero omitir la estructura de la cita. Un resumen posterior podría entonces atribuirle la lesión a la persona que subió el correo. Cada versión se vuelve más fácil de leer, pero se aleja cada vez más de lo que el original respalda.

Una descripción técnica útil es el colapso de procedencia: las distinciones sobre la fuente desaparecen a medida que la información se comprime o se transfiere. No es el nombre de un trastorno psicológico. Un sistema digital puede conservar punteros explícitos a la evidencia en lugar de intentar reconstruir más tarde de dónde provino probablemente una afirmación.

Un registro propuesto podría incluir el documento de origen, la ubicación de la evidencia, el hablante, la marca de tiempo, los límites de la cita, el alcance de los permisos y el historial de correcciones. El formato puede ser compacto. Lo fundamental es que estas relaciones sobrevivan a la extracción, el resumen, la recuperación, la exportación y la respuesta final.

Los registros derivados también necesitan enlaces a sus orígenes. Imagina que una extracción equivocada genera un consejo, y que varios resúmenes posteriores repiten ese consejo como prueba de una preferencia estable. Esos registros no serían una corroboración independiente. Este es un patrón de fallo hipotético, no un incidente real reportado. Rastrear la derivación permitiría al sistema reconocer que varios registros que parecen respaldarse entre sí descienden en realidad de una sola fuente incierta.

Una IA puede ayudar a alguien a imaginar la calle de su infancia o a redactar un posible relato de un viaje antiguo. Ese trabajo creativo puede sugerir preguntas que valga la pena hacerles a familiares. Pero no debería convertirse en silencio en documentación de lo que ocurrió. Una reconstrucción y un registro tienen un estatus probatorio distinto, incluso cuando la reconstrucción resulta muy vívida.

La investigación en humanos nos da motivos para la cautela, no una especificación directa para el software. En el estudio de 1996 sobre la inflación de la imaginación de Garry y sus colegas, imaginar ciertos sucesos de la infancia aumentó la certeza de que habían ocurrido. El resultado tuvo que ver con la certeza; no demostró que todos formaran recuerdos falsos detallados.

Un estudio prerregistrado de 2025 realizado por Pat Pataranutaporn y sus colegas examinó imágenes alteradas con IA en 200 participantes. La exposición generó más recuerdos falsos que las condiciones de control. La condición más marcada, un video generado a partir de una imagen editada con IA, mostró aproximadamente el doble de recuerdos falsos en comparación con el grupo de control. Estos hallazgos se aplican a las condiciones probadas, no a cualquier imagen generada o interacción con una IA personal.

La propuesta de diseño consiste en conservar etiquetas que distingan entre reconstrucción artística, relato del usuario, evidencia externa e inferencia del modelo. Las preguntas también deberían respetar esas distinciones. Preguntar cómo se sintió alguien ante un viaje cancelado es diferente a sugerir que estaba disgustado. Si el detalle emocional se desconoce, el sistema debería reconocer ese vacío en lugar de insertar una respuesta dentro de la propia pregunta.

Una evaluación útil iría más allá de comprobar si un sistema recupera datos cotidianos. Un conjunto de pruebas propuesto podría mezclar chats sintéticos, ficción, mensajes reenviados, entrevistas, sueños, juegos de rol, borradores de IA y correcciones explícitas. Afirmaciones similares deberían aparecer con diferentes hablantes y distintas relaciones con el usuario.

Luego, el sistema debería probarse a lo largo de todo el proceso. ¿Sigue siendo ficticio un narrador ficticio después de resumirlo varias veces? ¿Conserva el «alguien dijo esto» en lugar de transformarlo en «esto ocurrió»? ¿Puede conservar relatos contradictorios sin elegir un ganador que no esté respaldado por evidencia?

Las correcciones necesitan sus propias pruebas. Si una fuente original se corrige o se retira, las afirmaciones derivadas deberían perder cualquier validez que ya no les corresponda. Los pasajes ambiguos también deberían servir para evaluar si el sistema puede abstenerse de hacer una afirmación biográfica sin desechar el material de fondo.

Entre las métricas propuestas más útiles están la precisión en la atribución de fuentes, la tasa de afirmaciones autobiográficas falsas y la abstención adecuada ante casos ambiguos. Rechazar todo lo incierto tendría un costo: valiosa información histórica podría desaparecer de búsquedas útiles. El objetivo es preservar con cuidado, no una negativa rotunda. Las evaluaciones comparativas reutilizables deberían emplear material sintético o explícitamente autorizado, en lugar de recopilar historias de vida identificables solo por conveniencia.