Un trabajo reciente propone la Gestión de Contexto Agéntico (ACM, por sus siglas en inglés) como disciplina para abordar los problemas de memoria y coste que aquejan a los agentes de IA en producción. Los autores sostienen que los fallos de estos sistemas rara vez se deben a una capacidad de razonamiento insuficiente y sí, en cambio, a una mala gestión del contexto de razonamiento: historiales de conversación, prompts extensos, definiciones de herramientas y salidas cada vez más voluminosas. El texto argumenta que tratar la memoria como un mero problema de almacenamiento y recuperación es un encuadre demasiado estrecho y que la gestión activa de lo que un agente retiene es, en realidad, un ciclo de vida completo.
Dicho ciclo abarca decidir qué recordar, extraer y estructurar la información, elegir el almacén adecuado para cada tipo de dato, consolidar y olvidar preservando la procedencia, determinar qué es relevante en cada momento, anticipar lo que se necesitará después y compactar el contexto dentro de un presupuesto de tokens sin perder lo importante. En sistemas de producción, esta gestión opera además a escala organizativa, no solo por usuario.
El artículo descompone ACM en cinco primitivas: arquitecturar, ingerir, acotar, anticipar y compactar/consolidar. En el plano económico, los autores demuestran que la acumulación ingenua de contexto crece de forma cuadrática con la longitud de la conversación, que el resumen crudo ofrece un coste lineal a costa de una caída brusca de precisión, y que solo la compactación validada consigue coste lineal sin sacrificar fidelidad. Como implementación de referencia presentan Maximem Synem, un servicio multiinquilino que materializa las cinco primitivas y alcanza el 92% en LongMemEval y el 93,2% en LoCoMo. El trabajo cierra señalando métricas que los benchmarks actuales no capturan —latencia, eficiencia de tokens y resistencia al context-rot— y la frontera que se abre hacia una gestión de contexto a nivel de decisión y de organización.