Tu IA no es incoherente, está amnésica: cómo MCP le da memoria de marca a Claude, Gemini y GPT

El problema no es el modelo

Le pides a ChatGPT 10 posts para tu marca. Lees el primero y el décimo y parecen escritos por dos empresas distintas. Mañana abres otra conversación y la IA ya no recuerda tu paleta, tu tono ni la campaña actual. La semana entrante “cita” un post que jamás publicaste.

El reflejo natural es echarle la culpa al modelo: “ChatGPT alucina”, “Gemini se contradice”, “Claude pierde el hilo”. Pero los modelos actuales ya son buenos suficientes para escribir copy de marca. Lo que les falta no es capacidad, es estado persistente entre sesiones.

La conversación termina, el contexto se pierde. La próxima vez es tabula rasa. Y “hacer un prompt más largo” — pegar tu brand guide en PDF al inicio de cada conversación — es como tratar de operar Excel pegando tus hojas en un email. Consume tokens, queda obsoleto, no escala.

La solución correcta es darle a la IA herramientas con memoria y permisos. Eso es exactamente lo que MCP (Model Context Protocol) permite. Aquí te cuento el patrón que usamos en LexGuard sin exponer detalles internos de implementación.

MCP en 90 segundos

Model Context Protocol es un estándar para que cualquier LLM hable con herramientas externas. En vez de “te paso 50,000 tokens de PDF como prompt”, le dices al modelo: “puedes consultar estas fuentes de verdad cuando las necesites”.

La IA decide cuándo pedir contexto. No carga todo, carga lo relevante. Resultado: prompts cortos, contexto siempre fresco, sin desbordar la ventana de contexto.

Lo importante: MCP es agnóstico al modelo. Puedes cambiar de proveedor sin perder la memoria, porque la memoria vive en tus sistemas, no dentro de una conversación.

Las 6 capas de memoria de marca

Cuando construimos LexGuard nos dimos cuenta de que la coherencia no se logra con una sola “memoria” — se logra con varias capas, cada una con su propio modelo de actualización. Las organizamos así:

Capa	Para qué sirve	Qué permite consultar o actualizar
Sistema visual	Colores, tipografías, espaciado, componentes	Reglas visuales vivas
Hechos verificados	Datos de producto/empresa con verificación auditable	Información aprobada para usar
Ideas	Backlog estratégico con priorización	Temas planeados y descartados
Notas del equipo	Reuniones, decisiones, contexto de la semana	Cambios tácticos recientes
Campañas	Tono, reglas y enfoque por iniciativa	Instrucciones comerciales vigentes
Posts publicados	Lo que ya salió y lo que está en revisión	Historial para no repetir mensajes

Cada capa tiene un propósito claro. La IA no necesita ver todo siempre; necesita poder pedir lo correcto en el momento correcto.

El flujo: leer → escribir → guardar → leer (otra vez)

La parte más bonita de este diseño es el ciclo. Cuando un agente IA recibe “crea 5 posts para Instagram sobre el lanzamiento de la feature X”, no empieza desde cero. Sigue una secuencia parecida a esta:

[1] Identifica la marca y la audiencia.
[2] Lee la campaña activa y sus reglas de tono.
[3] Consulta el sistema visual.
[4] Revisa hechos aprobados sobre la feature.
[5] Lee notas recientes del equipo.
[6] Revisa ideas relacionadas.
[7] Consulta posts anteriores para no repetir hooks.
[8] Redacta variantes con ese contexto.
[9] Guarda el resultado para que el siguiente ciclo lo pueda leer.

El paso 9 es el que cierra el ciclo. Lo que la IA escribió hoy es lo que la IA leerá mañana. La memoria se construye por operación normal, no por alguien pegando contexto manualmente antes de cada prompt.

Tu sistema de diseño como herramienta

Una de las capas que más cambio operativo trajo fue tratar el sistema de diseño como una fuente viva, no como un PDF olvidado en una carpeta.

La IA puede consultar colores, tono visual, reglas de composición y restricciones de marca antes de sugerir imágenes o estructuras visuales. Cuando el diseñador cambia una regla, el siguiente contenido lo refleja sin que alguien tenga que editar el prompt base.

El detalle importante: la fuente de verdad es única. No hay una “versión para humanos” y otra “versión para máquinas”.

Facts verificados: append-only, auditables, sin alucinaciones

Esta es la capa que ataca el problema de las alucinaciones, y donde más decisiones de diseño tomamos.

El modelo operativo es así:

• Los datos comerciales importantes viven como hechos aprobados.
• Cada verificación queda registrada como historial.
• La IA solo debe usar hechos marcados como confiables.
• Si propone un dato nuevo, ese dato pasa por revisión humana antes de usarse como verdad.

Resultado: cuando la IA escribe “el plan PRO incluye 10,000 mensajes/mes”, sabes que ese dato existe en una tabla auditable — no es una alucinación. Y puedes mostrarle al cliente el log de verificación si te lo pide. Auditoría sin esfuerzo extra.

Ideas Board y Team Notes: lo que el equipo discutió esta semana

Las otras dos capas que sostienen la coherencia táctica son las ideas planeadas y las notas del equipo.

• Ideas Board (Kanban con 6 columnas: backlog → evaluating → planned → in_progress → done / rejected). La IA puede leer “qué ideas están planeadas” y armar posts que las introduzcan progresivamente sin spoilers.
• Team Notes: notas del equipo (reuniones, decisiones, contexto semanal). La IA lee la nota del lunes “no enfatizar precio esta semana, enfatizar ROI” y respeta ese giro táctico sin que nadie le edite el prompt.

Lo poderoso es que el equipo edita Kanban y notas en la UI normal, y eso es la fuente de verdad que la IA consulta. No hay versión separada para humanos vs para máquinas. Sin sincronizaciones manuales, sin duplicación de información.

Posts como artefactos vivos

Los posts no son strings sueltos. Para que la IA no se repita, cada post debe guardar contexto suficiente:

• Plataforma.
• Campaña.
• Estado editorial.
• Variante de copy.
• Motivo o enfoque.
• Si fue creado por una persona o por IA.

Esto importa para la coherencia: cuando un agente revisa el historial, ve qué se publicó, en qué plataforma y con qué intención. Así evita repetir hooks o reciclar el mismo ángulo dos veces.

Agentes autónomos, pero con límites

El siguiente paso natural es que un agente pueda hacer tareas multi-paso sin que una persona lo guíe turno por turno. Pero autonomía no significa acceso libre.

El patrón sano sigue 4 reglas:

1. Planear antes de actuar: primero explica qué va a hacer.
2. Leer antes de escribir: consultar contexto es menos riesgoso que modificarlo.
3. Aprobar cambios sensibles: crear, publicar o borrar debe tener control humano cuando importa.
4. Guardar investigación útil: los resultados largos deben quedar disponibles para futuras sesiones.

Ejemplo concreto: un agente semanal de contenido:

• Lunes 7am: lee notas recientes y entiende prioridades.
• Consulta reglas de marca y hechos aprobados.
• Genera 12 variantes en una matriz (pain × tono).
• Guarda borradores con contexto suficiente para revisión.
• Te entrega un Kanban listo para revisar el martes.

Por qué funciona

Si tuviera que resumir en una sola tabla el diagnóstico vs la solución:

Síntoma sin MCP	Causa raíz	Cómo lo resuelve
Posts incoherentes entre sesiones	Sin memoria persistente	Cada post se guarda y se consulta después
Tono cambia entre campañas	Brand guide pegado en cada prompt, fácil de olvidar	La campaña activa define el tono
Datos inventados	LLM sin acceso a hechos verificables	Solo usa información aprobada
Posts repetidos / hooks reciclados	Sin memoria de qué ya se publicó	Revisa historial antes de redactar
Colores incorrectos en sugerencias visuales	Brand guide en PDF estático	Consulta reglas visuales vivas
“La IA no sabe lo que pasó esta semana”	Aislada del equipo	Lee notas e ideas recientes

La idea grande

La coherencia no se compra con un modelo más grande. Se construye con estado persistente, fuentes de verdad únicas y un protocolo abierto para que el modelo consulte ese estado cuando lo necesita.

MCP es ese protocolo. Y la inversión real no es en prompts más largos — es en montar las herramientas correctas y mantenerlas vivas. Una vez que las tienes, da igual qué modelo uses esta semana: la memoria es tuya.

En Aztecknology llevamos años haciendo marketing automatizado. Cuando llegó MCP entendimos que la pieza que faltaba no era un modelo más grande, era darle a la IA herramientas con memoria de marca. Si estás peleando con la incoherencia de tu IA — y crees que ya probaste todo — hablemos. Es probable que el problema no esté donde lo estás buscando.