Uso cuatro modelos de IA regularmente. Claude para código e infraestructura. ChatGPT para auditorías y comparaciones. Gemini para feedback técnico. Perplexity para búsquedas. Cada uno ha acumulado información sobre mí a lo largo de meses de conversaciones.

Quería saber qué tienen almacenado. No lo que pueden buscar en conversaciones pasadas. Lo que ya tienen en memoria, listo para usar, antes de que yo diga una palabra en un chat nuevo.

Le di el mismo prompt a las cuatro: dime todo lo que sabes sobre mí. No busques conversaciones pasadas. Solo usa lo que ya tienes en memoria. Para cada dato, dime de dónde vino y si puedes citar la conversación específica donde te lo dije.

Cuatro perfiles diferentes. Cuatro niveles de detalle. Ninguna pudo citar la fuente de un solo dato.

Una aclaración metodológica antes de los resultados: las explicaciones que cada modelo dio sobre cómo funciona su memoria provienen de las respuestas de los propios modelos. No constituyen documentación oficial de sus arquitecturas internas. Lo que describo es lo que cada modelo reportó, no necesariamente cómo funciona por dentro.

El apuntador fantasma

Las cuatro IAs saben cosas sobre mí. Pero ninguna sabe de dónde vino esa información. Claude lo explicó con más claridad que las otras: lo que almacena es un resumen sintetizado derivado de conversaciones pasadas, comprimido en hechos permanentes con los hilos de origen eliminados. No es un log de "dijiste X en la conversación Y el día Z". Es un resumen. Y un resumen pierde la trazabilidad.

Esto es lo que llamo el apuntador fantasma. La IA tiene un dato. El dato apunta a algo que dijiste. Pero el puntero al origen ya no existe. Es un dato sin procedencia verificable. Como un libro sin bibliografía: las afirmaciones están ahí, pero no puedes rastrear de dónde vinieron.

Y lo más revelador: la IA no sabe si un dato es algo que le dijiste explícitamente o algo que infirió de un patrón en tus conversaciones. Claude fue la única cuya respuesta mencionó explícitamente la posibilidad de que hechos e inferencias estuvieran mezclados: "no puedo separar de manera confiable esas dos categorías". Las otras tres no mencionaron la posibilidad de que sus memorias incluyan inferencias mezcladas con hechos.

Cuatro perfiles, cuatro problemas

Cada modelo construyó un perfil diferente. No solo en profundidad. En identidad.

Claude fue la más precisa sobre mi trabajo actual. Conoce el stack técnico de shinobis.com, los proyectos de clientes, la filosofía de contenido, las herramientas que construí. Fue también la más transparente: abrió diciendo que no puede citar conversaciones, explicó el mecanismo de memoria, reconoció la mezcla de hechos e inferencias, y ofreció buscar en chats pasados como único método de verificación real. Los datos son extensos pero centrados en trabajo, no en vida personal.

ChatGPT fue la más alarmante. Almacenó información que va mucho más allá del contexto profesional. Cifras financieras específicas. Porcentajes de facturación por cliente. Datos familiares sensibles. Información de salud. Nombres de clientes con contexto de negocio. Campañas publicitarias con detalles de targeting por país e idioma. Todo categorizado bajo una etiqueta genérica de "Memory summary" sin ninguna posibilidad de rastrear cuándo se almacenó, por qué se almacenó, o si yo pedí que se recordara. Independientemente de cómo se configuró originalmente la función de memoria, el resultado práctico fue que esa información seguía disponible meses después. El problema no es que recordó más que los otros. El problema es qué tipo de datos recordó. Hay una diferencia entre recordar que alguien usa PHP vanilla (contexto profesional útil) y recordar cifras de ingreso o datos familiares (información sensible que no mejora la calidad de ninguna respuesta técnica futura). El volumen de datos personales sensibles accesibles sin que el usuario los haya revisado es el dato más fuerte de este experimento. Dicho esto, ChatGPT también fue el modelo que recordó más detalles profesionales correctos después de Claude: nombres de proyectos, stacks técnicos, y herramientas que uso regularmente. La profundidad de su memoria es tanto su fortaleza como su riesgo.

Gemini fue la única que intentó dar fechas. Cada dato venía acompañado del mes y año aproximado en que lo aprendió. "Source: Revealed during a conversation... Date: July 2026." Ningún otro modelo hizo eso. Pero se equivocó en lo fundamental: me categorizó como "independent web developer" cuando mi rol principal es diseñador UX/UI. Al presionar a Gemini sobre cómo sabe lo que sabe, mostró lo que observé como el mecanismo subyacente. Antes de cada conversación, la plataforma le inyecta un bloque de texto estructurado que el usuario no ve en la interfaz pero que Gemini recibe como instrucción de entrada. El formato es literal:

# User Summary
Demographics Information
* The user is an independent web developer based in Colombia.
    * Evidence: The user discussed managing web platforms...
    * Conversation Date: 2026-07.

No hay memoria episódica. Gemini no recuerda el momento en que hablamos. No tiene un registro de la conversación ni una cronología guardada en su modelo. A partir de lo que Gemini describió, lo que parece funcionar es un script de inyección: el sistema de fondo procesa los chats pasados, extrae lo que considera "hechos", les pega la etiqueta Conversation Date y le pasa ese texto formateado antes de que el usuario escriba la primera palabra. Cuando Gemini dio la fecha en su respuesta, fue porque leyó la línea Conversation Date: 2026-07 dentro de ese bloque. Eso explica la precisión temporal. Pero la precisión temporal no compensa la imprecisión conceptual. Saber exactamente cuándo aprendió un dato incorrecto no hace que el dato sea correcto.

Perplexity fue la menos precisa. Me definió como "SEO specialist / digital marketer / web auditor". No soy ninguna de esas tres cosas. Mi trabajo principal es diseño UX/UI con 10 años de experiencia en fintech y banca. Perplexity construyó una identidad profesional completamente incorrecta. Además, no citó memorias de conversaciones sino un bloque técnico de perfil inyectado al inicio del chat, lo cual sugiere que su sistema de "memoria" funciona de forma estructuralmente diferente a los otros tres.

Lo que ninguna supo que sabe

Los cuatro modelos compartieron datos que yo nunca les pedí que recordaran. En mi experiencia con los cuatro modelos, ninguno me pidió aprobación antes de almacenar un dato específico. La memoria se genera automáticamente a partir de las conversaciones y el usuario se entera de lo que contiene solo cuando pregunta.

Esto crea un problema de consentimiento asimétrico. Yo decido qué le digo a la IA. La IA decide qué recuerda de lo que le dije. Y cuando le pregunto qué recuerda, no puede decirme por qué decidió recordar eso y no otra cosa.

ChatGPT almacenó información financiera personal que mencioné en el contexto de una conversación sobre facturación de clientes. No recuerdo haber pedido que la recordara. Meses después, independientemente de la configuración original de la memoria, esa información sigue accesible, disponible para influir en cualquier respuesta futura sobre mi situación financiera o profesional.

Cuatro versiones de la misma persona

Si juntaras los cuatro perfiles, no describirían a la misma persona.

Para Claude soy un consultor UX/UI senior que construye infraestructura para agentes de IA con PHP vanilla y tiene una filosofía clara sobre verificación de datos.

Para ChatGPT soy un freelancer con cifras de ingreso específicas, situación familiar documentada, historial de salud registrado, y una red de clientes con detalles de facturación.

Para Gemini soy un web developer independiente que colecciona cartas, diseña juegos móviles, y planea compras específicas para agosto.

Para Perplexity soy un especialista SEO que hace auditorías web y usa herramientas de análisis.

Cuatro compresiones diferentes de la misma persona. Cada una perdió algo. Cada una enfatizó algo diferente. Ninguna es incorrecta en todos sus datos. Ninguna es correcta en su retrato completo.

Dos problemas, no uno

Este experimento reveló dos problemas distintos que es fácil confundir.

Problema A: la IA no puede demostrar de dónde salió un dato. Ninguna de las cuatro pudo vincular una memoria con una conversación específica. La trazabilidad no existe. Ese es el apuntador fantasma.

Problema B: la IA almacenó datos que tal vez no debería haber almacenado. ChatGPT guardó información financiera y familiar sin que se lo pidiera. Ese es un problema de consentimiento y retención, diferente al de trazabilidad.

Los dos problemas están relacionados pero no son el mismo. La falta de trazabilidad hace que el problema de retención sea peor, porque si no puedes rastrear cuándo se almacenó un dato, tampoco puedes evaluar si sigue siendo válido o si debería haber sido almacenado en primer lugar.

El hallazgo real

El problema no es que las IAs tengan memoria. El problema es que tienen memoria sin procedencia verificable.

Pero hay algo más profundo que la trazabilidad. Cuatro sistemas observando exactamente las mismas conversaciones (o conversaciones similares sobre los mismos temas) terminaron construyendo cuatro identidades distintas de la misma persona. No solo difieren en profundidad. Difieren en quién soy. Para una soy diseñador UX. Para otra soy web developer. Para otra soy especialista SEO.

Eso tiene implicaciones que van más allá de la privacidad. Una vez creado, el perfil se vuelve autorreforzante. Los modelos de IA toman decisiones basadas en estos perfiles. Si Claude recuerda que uso PHP vanilla, va a resistir sugerirme un framework incluso cuando sea la solución correcta. Si ChatGPT recuerda cifras financieras, sus recomendaciones sobre pricing o inversión estarán sesgadas por datos que pueden estar desactualizados. Si Perplexity piensa que soy un especialista SEO, sus respuestas sobre diseño UX van a tener un sesgo técnico que no corresponde a mi experiencia real.

El perfil comprimido se convierte en un sesgo de confirmación automatizado. La IA no te pregunta si los datos siguen siendo válidos. Asume que lo son. Y cuanto más tiempo llevas usándola, más confianza tiene en un perfil que nunca fue verificado contra la realidad actual.

La regla que aplico ahora

Periódicamente le pregunto a cada IA qué sabe sobre mí. No para curiosidad. Para verificar que el perfil que construyó sigue siendo preciso y no contiene datos que prefiero que no almacene.

En Claude se pueden ver y editar las memorias directamente. En ChatGPT se pueden borrar items específicos. En Gemini y Perplexity el control es más limitado.

Pero el problema de fondo no se resuelve borrando memorias individuales. Se resuelve con un principio: la IA que mejor te conoce es la que más peligrosamente puede equivocarse sobre ti, porque su confianza en el perfil que construyó es proporcional al tiempo que llevas usándola. Y esa confianza no se ganó con verificación. Se ganó con repetición.

No le preguntas a una IA qué sabe. Le preguntas a cuatro. Comparas los perfiles. Y verificas que la versión de ti que cada una construyó siga siendo tú.

Definiciones

Apuntador fantasma: dato almacenado por una IA cuya procedencia original no puede ser reconstruida ni verificada. La IA tiene el dato pero no el enlace a la conversación donde se originó.

Perfil comprimido: representación resumida que una IA construye sobre un usuario a partir de múltiples conversaciones. Cada modelo produce un perfil diferente del mismo usuario porque comprime aspectos distintos de las mismas interacciones.

Consentimiento asimétrico: situación en la que el usuario decide qué le dice a la IA, pero la IA decide qué recuerda de lo que el usuario le dijo, sin consulta previa.