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
