Pide a una IA que te recomiende un portátil y luego dile que necesitas algo más ligero. Si el sistema lee ese segundo mensaje como una solicitud independiente, es posible que recibas una lista de ultrabooks. O puede que recibas otro montón de estaciones de trabajo para gaming porque nunca registró que rechazaste el primer lote por ser demasiado pesado. Esto sucede porque muchos sistemas de IA todavía clasifican las respuestas analizando un único prompt de forma aislada. Tratan cada mensaje como el inicio de una nueva búsqueda, ignorando la historia continua de la conversación.

Este enfoque pierde los matices de un chat prolongado. El diálogo humano construye significado turno tras turno. Asumimos que la memoria, la intención y las preferencias se mantienen. Cuando la IA no hace lo mismo, se siente menos como hablar con un asistente y más como lanzar consultas en un cuadro de búsqueda que se reinicia tras cada clic. Solucionar esto significa cambiar la forma en que clasificamos las posibles respuestas. En lugar de preguntar qué respuesta encaja con esta frase, debemos preguntar qué respuesta encaja con esta persona, ahora mismo, teniendo en cuenta todo lo que hemos discutido.

Dos cosas hacen que eso sea posible: la personalización y el historial.

Por qué el ranking de un solo turno falla

El ranking tradicional de respuestas surgió de conjuntos de datos de preguntas y respuestas. Un modelo ve un prompt, genera un conjunto de respuestas candidatas y un clasificador (ranker) puntúa cada una basándose únicamente en ese prompt. El candidato con la puntuación más alta gana. Eso funciona para hechos aislados. Falla en trabajos continuos.

Imagina a un usuario planeando un viaje. En el primer turno, pregunta por hoteles económicos en Bangkok. El modelo sugiere una lista cerca de Khao San Road. El usuario responde: "Esos parecen ruidosos. Tengo niños, así que necesito una piscina y fácil acceso al Skytrain". Un clasificador de un solo turno solo ve la segunda frase. Podría devolver una lista genérica de complejos familiares repartidos por toda Tailandia, ignorando las restricciones específicas ya establecidas: Bangkok, presupuesto ajustado, tranquilidad, piscina, cerca del transporte.

El resultado es técnicamente pertinente pero prácticamente inútil. El usuario tiene que repetir el contexto. Se genera fricción. La confianza disminuye.

Personalización: Quién pregunta

La personalización significa adaptar las respuestas a las preferencias y datos específicos del usuario. Responde a la pregunta: ¿quién es esta persona?

Esto va más allá de insertar un nombre en un saludo. Significa que el sistema sabe, a través de perfiles explícitos o patrones aprendidos, cómo le gusta al usuario que se le entregue la información. Un desarrollador que pide constantemente ejemplos en Python debería ver muestras de código en Python incluso cuando su consulta mencione una tarea de programación general, a menos que especifique lo contrario. Un vegetariano que pidió recetas la semana pasada no debería tener que recordarle al sistema que excluya la carne. Alguien que prefiere puntos clave concisos en lugar de prosa debería recibir puntos clave.

Las señales concretas pueden incluir preferencias comunicadas por el propio usuario, el comportamiento pasado en distintas sesiones o metadatos como la ubicación y el tipo de dispositivo. La clave es que estas señales alimenten la etapa de clasificación, no solo la etapa de generación. Cuando se puntúan las respuestas candidatas, el clasificador debería potenciar las respuestas que se alineen con el perfil conocido.

Por ejemplo, si dos respuestas candidatas responden correctamente a "¿Cómo hago una copia de seguridad de mis fotos?", pero una sugiere almacenamiento en la nube y la otra sugiere una unidad NAS local, el clasificador debería saber que este usuario en particular ha expresado previamente interés en la propiedad offline y la privacidad. La opción de la NAS debería obtener una puntuación más alta. Sin personalización, el modelo se la juega al azar.

Historial: Qué se ha dicho ya

El historial significa utilizar los turnos pasados de una conversación para guiar la siguiente respuesta. Responde a la pregunta: ¿qué hemos establecido ya?

Incluso los pronombres simples requieren historial. Cuando un usuario dice: "Hazlo azul", el modelo debe saber a qué se refiere ese "lo". Esa referencia reside en un turno anterior. En conversaciones más largas, las dependencias se vuelven complejas. Las restricciones se acumulan. El usuario podría rechazar una opción, matizar una solicitud o introducir un nuevo objetivo que