Javi Ursua

Mi sistema de inteligencia híbrida

Por qué trabajo con Claude Code sobre una bóveda de Obsidian organizada con GTD, PARA y el segundo cerebro: el límite del chat, las otras opciones que había y lo que esta combinación pide a cambio.

Mi forma de trabajar con inteligencia artificial es una elección entre opciones que ya existían: Claude Code trabajando sobre una bóveda de Obsidian, organizada con GTD, el método PARA, el segundo cerebro y algo de Zettelkasten. Ninguna de esas piezas es mía, y la combinación tampoco. La usa mucha gente, tiene detrás una comunidad amplia que comparte convenciones, plantillas y experiencia, y me sumé a ella siguiendo esas convenciones.

Este artículo cierra una serie de tres. Los dos anteriores explican las herramientas por separado: Obsidian: qué es y por qué merece la pena y Claude Code: qué es y qué lo distingue de un chat . Aquí se trata de por qué juntarlas, qué otras opciones había y qué pide el resultado. Por inteligencia híbrida se entiende aquí una forma concreta de colaboración entre una persona y una IA: las dos trabajan sobre la misma información, y cada una hace lo que hace mejor.

El límite del chat

El punto de partida es el chat en el navegador: la ventana de conversación de Claude, ChatGPT, Gemini o cualquier otro asistente. Para una pregunta concreta funciona bien. Para un trabajo que dura meses y cruza varios temas —un proyecto, sus clientes, sus documentos, las decisiones que ya se tomaron— se queda corto por dos motivos.

El contexto hay que construirlo cada vez. Un modelo de lenguaje solo tiene presente lo que cabe en su ventana de contexto, la cantidad de información que puede atender a la vez. En el chat, esa información llega pegándola: el documento, los antecedentes, lo que se decidió la semana anterior. Cruzar dos temas exige juntarlos a mano en la misma conversación, y cuando la conversación se alarga, lo que se dijo al principio se atiende peor o sale de la ventana. Por qué ese espacio es limitado y caro está en El contexto es el recurso escaso .

Las reglas de trabajo cuesta sostenerlas. Cómo quieres que se escriba, qué no debe tocar, qué criterio aplicar: en el chat hay que repetirlo o confiarlo a las funciones de instrucciones y memoria de la plataforma. Los asistentes de chat han añadido proyectos, instrucciones permanentes y memoria, y ayudan. Aun así, el contexto sigue repartido entre conversaciones, y lo que el asistente sabe de tu trabajo vive dentro de la plataforma, en su formato.

Lo que buscaba era un contexto amplio y estable, independiente de cada conversación: escrito en documentos que yo pudiera leer y corregir, y que la IA consultara cuando una tarea lo necesitara.

Tres formas de darle memoria a una IA

Para eso había tres caminos, y los tres tienen quien los usa con buenos resultados.

Una herramienta de notas con la IA integrada. Es el caso de Notion, un espacio de trabajo en la nube basado en páginas y bases de datos, que incluye su propio asistente de IA. El asistente trabaja dentro de las páginas, sin copiar ni pegar, y en los planes Business y Enterprise permite elegir entre modelos de varios proveedores, entre ellos los de Anthropic, OpenAI y Google (a septiembre de 2026). Para un equipo que ya trabaja en Notion es el camino con menos fricción.

Un chat conectado a la herramienta de notas. Un conector es una pieza que permite a un asistente leer y escribir en otra aplicación a través de su API, la puerta que una aplicación abre para que otros programas le pidan datos o se los envíen. Claude tiene un conector para Notion, y durante una temporada trabajé así: la conversación en el navegador, las notas en Notion y el conector entre las dos.

Un asistente que trabaja sobre ficheros locales. Es la combinación de este artículo: las notas son ficheros de texto en una carpeta del ordenador, y la IA los abre directamente.

Elegí la tercera por dos razones, y las dos se pueden comprobar.

Dónde vive la información. En Notion, las notas están en los servidores del proveedor y en su formato. En Obsidian son ficheros Markdown —texto normal con unas pocas marcas de formato— en tu propio disco. Qué implica eso para la duración, la privacidad y la libertad de cambiar de herramienta está en Obsidian , y la comparación de las dos herramientas por su mecanismo, en Notas, tareas y archivo: elegir por el mecanismo .

Cuánta cuota se va en transporte. Los planes de Claude tienen límites de uso, una cuota que se consume sobre todo según la cantidad de texto que el modelo procesa, aunque también cuentan el modelo elegido y las funciones que se usan. Con el conector, cada lectura y cada escritura es un viaje de ida y vuelta a Notion: el modelo pide la página, la recibe con su marcado y devuelve los cambios del mismo modo, y todo ese tráfico ocupa contexto. Notion ha ido abaratando ese transporte —a septiembre de 2026, su conector entrega las páginas en una variante de Markdown y no en el formato estructurado de su API—, pero el viaje sigue ahí. En mi uso, buena parte de la cuota se iba en ese transporte, y las sesiones largas que cruzaban temas llegaban al límite. Con Claude Code sobre ficheros locales, el modelo lee el texto tal como está en el disco, y la cuota se dedica a razonar sobre él.

Esta segunda razón depende del volumen. Con pocas notas y consultas puntuales, la diferencia apenas se nota; crece con el número de notas y con la duración de las sesiones.

Y hay una tercera ventaja: el formato es abierto. Claude Code tiene equivalentes de otros fabricantes —OpenAI, Google, Mistral— que trabajan del mismo modo sobre una carpeta, como se explica en Claude Code . Una bóveda de ficheros Markdown sirve a cualquiera de ellos. Si mañana cambio de asistente, las notas se quedan donde están.

Los métodos ya estaban inventados

Una IA con acceso a una carpeta desordenada rinde poco: tiene que leer mucho para encontrar poco, y cada lectura consume contexto y cuota. Lo que le permite encontrar lo que necesita es la estructura, y para la estructura no hizo falta inventar nada. Los métodos de gestión personal del conocimiento llevan años resolviendo ese problema para las personas, y lo que ayuda a una persona a orientarse ayuda igual a la máquina.

Aplicar estos métodos en Obsidian es una práctica muy extendida, y la comunidad que la sostiene ha resuelto ya casi todas las dudas del principio: cómo nombrar las notas, qué va en cada carpeta, cómo se relacionan las tareas con las notas. Seguir esas convenciones ahorra decisiones y deja un sistema legible para cualquiera, también para una IA que lo abre por primera vez.

Dos inteligencias sobre un mismo segundo cerebro

Con las herramientas y los métodos en su sitio, el reparto queda claro. La bóveda es la memoria compartida, y la persona y la IA son las dos inteligencias que trabajan sobre ella.

La IA lee y escribe en la bóveda. Busca en las notas lo que una tarea necesita, cruza temas que en el chat habría que juntar a mano, redacta, ordena, resume y deja el resultado escrito en la nota que le corresponde. Al empezar cada sesión carga un fichero de instrucciones que vive en la propia carpeta, de modo que las reglas de trabajo se escriben una vez y se corrigen en un solo sitio.

La persona decide y valida. Qué se hace, con qué criterio y qué se da por bueno. Todo lo que sale con su nombre pasa por su lectura, y lo que no se puede deshacer —enviar, publicar, borrar— se queda en sus manos.

Lo que ninguna de las dos retiene se queda en las notas. La IA empieza cada sesión sin la conversación de la anterior, y la persona olvida detalles con el tiempo. Por eso las decisiones, los avances y lo pendiente se escriben en la bóveda en el momento, y la sesión siguiente los encuentra ahí. Es la regla de GTD de sacar las cosas de la cabeza, aplicada también a la máquina.

El efecto más visible está en el contexto. Una nota escrita hoy es contexto para cualquier tarea de mañana, y el conocimiento se acumula en lugar de perderse al cerrar una conversación. Cómo se reparte el trabajo entre las dos partes, tarea a tarea, está en Cómo se reparte el trabajo entre una persona y una IA .

Lo que pide

Nada de esto funciona solo, y conviene decirlo con la misma claridad que lo anterior.

Tiempo. Montar la estructura, escribir las instrucciones y ajustarlas hasta que el resultado sea bueno lleva meses. Lo que sale bien tiene detrás muchas vueltas de instrucciones, pruebas y corrección.

Criterio. La IA propone, redacta y ejecuta, y se equivoca con el mismo aplomo con que acierta → Por qué un modelo alucina, y qué hacer con eso . Revisar lo que hace forma parte del trabajo, y la validación de la persona es el cuello de botella del sistema: si no lee, el trabajo espera.

Mantenimiento. Las instrucciones envejecen, las herramientas cambian y la estructura crece. Y la tentación de pulir el sistema en lugar de usarlo aparece pronto → El coste de mantener un sistema .

Cuota y datos. Trabajar sobre ficheros locales ahorra cuota, sin eliminarla: una sesión que lee mucho consume mucho. Y lo que la IA lee viaja a los servidores de su fabricante para que el modelo lo procese; tener las notas en local permite decidir qué carpetas se le abren y cuáles se quedan fuera.

Una barrera de entrada. La terminal —la ventana de texto desde la que se dan órdenes al ordenador— y Markdown se aprenden, y las primeras semanas se notan.

Para quién tiene sentido

Esta combinación tiene sentido para quien trabaja con mucho conocimiento propio —proyectos, clientes, lecturas, decisiones— y quiere que una IA trabaje sobre él sin tener que explicárselo en cada conversación. Para un equipo que ya comparte todo en una herramienta en la nube, la IA integrada en esa herramienta suele ser el camino más corto.

Lo que se gana es un contexto que crece con el trabajo, guardado en ficheros propios y legibles, sobre el que una persona y una IA piensan juntas, y es la razón por la que elegí esta combinación.

Fuentes