Voy a ser directo: no uso una IA. Uso varias, y cada una tiene un rol específico dentro de un sistema que diseñé para que trabaje mientras yo consulto, analizo y decido.
Este es el primer post de una serie donde voy a abrir ese sistema por completo — herramienta por herramienta, flujo por flujo. Hoy el mapa — y la razón por la que construí una memoria para que ese sistema no olvide.
Y si quieres aprender a construir algo similar para tu operación logística, pronto abrimos nuestra comunidad en Skool donde exploraremos cada herramienta al detalle, con casos reales del sector.
El ecosistema, de un vistazo
Cinco capas funcionales, y una sexta que lo conecta todo. Cada herramienta tiene un rol — ninguna reemplaza a las demás:
Imagen 1 · Ecosistema de IAsInsertar: ecosistema_ias_eldatologistico.svg exportado como PNG
Seis capas, una memoria. Openclaw · Codex · Claude · Grok · Infraestructura · Obsidian como base.
Lo que no se ve en el diagrama — pero es lo más importante — es la capa que está debajo de todo: la memoria. Sin ella, cada herramienta empieza de cero en cada sesión. Con ella, el sistema recuerda, conecta y crece.
El problema que nadie nombra: la IA olvida
Me tardé un tiempo en nombrar el problema. No era que las IAs fueran malas — era que olvidaban. Cada sesión, de cero.
Cuando subes un archivo a una IA y le haces preguntas, ocurre algo que se llama RAG — la IA busca fragmentos relevantes en el momento y genera una respuesta. Funciona. Pero tiene un defecto de fondo: no acumula. La IA vuelve a descubrir lo mismo que ya "sabía" la sesión anterior. No hay memoria. No hay síntesis que crezca con el tiempo.
Para un consultor que maneja normatividad de transporte, proyectos activos en doce países, análisis de rutas y bases de datos de costos — eso no es suficiente. Lo que necesito es un sistema que recuerde, conecte y crezca.
La respuesta: Markdown como idioma del conocimiento
Markdown es texto plano con una sintaxis mínima. Un # es un título. Un **texto** es negrilla. Un [[enlace]] conecta un documento con otro. Eso es todo.
¿Por qué importa? Porque los modelos de lenguaje leen Markdown de forma directa, sin esfuerzo extra. No tienen que "adivinar" la estructura del documento como sí ocurre con un PDF.
Cuando la IA lee un PDF tiene que interpretar su estructura: ¿dónde termina el encabezado y dónde empieza el contenido? ¿Esta tabla tiene datos reales o es decorativa? Esa ambigüedad genera errores y pérdida de contexto. Cuando trabajas en Markdown, ese problema desaparece.
PDF vs Markdown
Lo que sigue — cómo construí la memoria, cómo se ve por dentro y las tres referencias clave — es exclusivo para la comunidad El Dato Logístico.
Únete en Skool para acceder a este post y a todos los anteriores.
Por qué construí una memoria — y cómo funciona
Obsidian es una aplicación para gestionar conocimiento personal, sin distracciones y altamente personalizable. Pero lo que lo hace relevante para este ecosistema no es la interfaz — es lo que representa.
Piensa en el vault de Obsidian como una carpeta inteligente: el archivador central de tu operación, en digital, con búsqueda instantánea y conexiones entre documentos. Todo vive en archivos de texto plano en tu propio computador — no en ninguna nube propietaria. Eso significa que tus agentes de IA pueden leer y escribir directamente ahí, y que el conocimiento es tuyo, portátil, sin dependencias.
En mi caso, esa carpeta contiene: las notas de proyectos activos, la normatividad de transporte que usamos frecuentemente, las instrucciones que le damos a los agentes para que sepan cómo comportarse, los prompts que reutilizamos, y el contexto acumulado de cada cliente. Todo conectado — como un manual de operaciones que se actualiza solo y que cualquier herramienta del ecosistema puede consultar en cualquier momento.
Andrej Karpathy — uno de los investigadores de IA más reconocidos del mundo — describió exactamente este patrón hace unos días: en lugar de subir documentos cada vez que necesitas una respuesta, el sistema construye y mantiene una base de conocimiento que crece con cada fuente nueva. No redescubre. Acumula. Su imagen: el agente de IA abierto en una pantalla, Obsidian en la otra. El agente escribe y actualiza; tú navegas el resultado. El agente es el redactor; Obsidian es la biblioteca; tú eres el director.
— Andrej Karpathy, LLM Wiki (abril 2026)
Esto es lo que se ve cuando una memoria lleva meses aprendiendo:
Imagen 2 · Mi vault de ObsidianInsertar: screenshot del grafo del vault
El Vault de mis ideas
Cada punto es un archivo Markdown. Cada línea es una conexión entre ideas. Los nodos grandes en el centro son los hubs — los temas que más conectan el resto del conocimiento.
Cada punto es un archivo. Cada línea es un enlace entre documentos. Esta es la diferencia entre tener información y tener conocimiento organizado que tus IAs pueden usar.
Lo que viene en esta serie
En los próximos posts voy a abrir cada herramienta del ecosistema — cómo funciona, cómo se conecta con la memoria, y qué hace concretamente por la operación logística.
Estamos preparando la comunidad El Dato Logístico en Skool — donde trabajaremos cada herramienta al detalle, con casos reales y ejercicios prácticos del sector.
Próximamente.
Tres referencias para profundizar
1
El concepto en boca de Karpathy: El hilo en X donde plantea por primera vez la wiki mantenida por LLMs. El origen del debate técnico más interesante de las últimas semanas en IA.
2: LLM Wiki — la especificación completa: Cómo estructurar las fuentes, cómo funciona la wiki, por qué es diferente a RAG. Más de 5.000 estrellas en GitHub en menos de una semana.
3: Obsidian Minimal — el tema que uso: Sin distracciones, altamente personalizable. Ganador del premio oficial Best Theme de Obsidian. El punto de entrada más limpio para empezar un vault serio.
eldatologistico.com · ATIEMPPO S.A.S.
