La memoria paramétrica es el conocimiento que un modelo de lenguaje guarda comprimido en sus pesos (sus parámetros) tras el entrenamiento, y que usa para responder cuando no busca en la web. Es una de las dos vías por las que una marca puede aparecer en una respuesta de IA; la otra es el retrieval o grounding.
Esta memoria se congela en el knowledge cutoff y solo cambia con el siguiente reentrenamiento. Se forma a partir de grandes corpus como Common Crawl, C4, RefinedWeb, Wikipedia, Reddit, GitHub o libros. Si tu marca aparecía con frecuencia y de forma coherente en esos corpus, el modelo «sabe» de ti; si no, no, y ninguna acción de semanas lo cambia.
Confundir las dos vías es el error conceptual más caro del sector. La paramétrica se trabaja a largo plazo, con presencia sostenida en las fuentes que acaban en los corpus de entrenamiento, y su efecto llega con un modelo nuevo, en meses o años. Las herramientas de visibilidad, además, miden sobre todo la otra vía.
Ejemplos
- Prueba: con la búsqueda desactivada, preguntas «¿qué empresas españolas hacen X?». Si sales, hay señal de tu marca en los pesos.
- Dato obsoleto: el modelo sin búsqueda sigue diciendo que tu sede está en la ciudad de la que te mudaste hace un año, porque eso es lo que había en su corpus.
- Fuente de peso: Wikipedia está entre las fuentes que más cita ChatGPT y forma parte de los corpus de entrenamiento habituales.
Consejos prácticos
- Separa siempre en tus diagnósticos lo que sale sin búsqueda (pesos) de lo que sale con búsqueda (retrieval).
- Trabaja la presencia sostenida en fuentes de calidad (prensa, Wikipedia cuando proceda, comunidades): sirve hoy al retrieval y mañana al entrenamiento.
- Fija con el cliente un horizonte de meses o años para cualquier objetivo sobre la vía paramétrica.
- Si el error está en los pesos, publica contenido fechado y corrige la fuente original para que el retrieval lo contrarreste mientras tanto.
Cuidado con
- «Le enseñamos a la IA quién eres en dos semanas» es humo: los pesos no se actualizan así.
- Bloquear los bots de entrenamiento reduce tu presencia futura en esta vía; es una decisión editorial y legal legítima, pero tiene ese coste.
Evidencia fuerte. Que la memoria paramétrica solo cambia con un reentrenamiento se deriva de cómo se entrenan los modelos; no hay estudios públicos que midan cuánta presencia hace falta para entrar en los pesos.
Términos relacionados
- Knowledge cutoff: La fecha en la que se congela esta memoria.
- Grounding: La otra vía de aparición, que sí se mueve en semanas.
- Opt-out de entrenamiento (reserva TDM): La decisión que afecta a lo que entra en esta memoria.
- Wikidata: Una de las fuentes estructuradas que alimentan el conocimiento de entidades.
- Mención de marca: La presencia en terceros que acaba en los corpus.