Learning Model
La memoria que crece con cada modelo
El segundo departamento modela la misma entrada de mercancías. El mismo rol, el mismo sistema, la misma transacción – y nadie sabe que todo eso ya existe. En la mayoría de las herramientas cada modelo empieza de cero.
El problema
La duplicación no nace del descuido
Nace porque nadie ve lo que ya existe. Quien nombra un rol desconoce la grafía del departamento vecino. Quien registra un sistema no sabe cómo se llama tres modelos más allá.
¿«Jefe de almacén» o «Responsable de almacén»?
Dos grafías, dos entradas – y cada análisis las cuenta por separado.
La misma transacción, registrada tres veces
Con distintos añadidos, distintos significados, sin conexión.
Lo que TAOM hace distinto
Cada modelo alimenta la misma memoria
Al guardar, cada dato de un paso pasa a un directorio de toda la empresa: roles, sistemas, transacciones, obligaciones de revisión, riesgos, identificadores. No como copia – como evidencia de todos los lugares donde aparece ese término.
Cuatro modelos, una memoria – y el camino de vuelta es el beneficio real.
La evidencia
No afirmado – contable
La memoria no es una declaración de intenciones sino un directorio consultable. Cada cifra procede de modelos guardados.
Estas cifras proceden de nuestro entorno de demostración público – un puñado de procesos de ejemplo. En una empresa es distinto: cada proyecto añade modelos y la memoria gana precisión cada año. El número de modelos no está limitado; lo que aquí figura prueba el método – no su escala.
Leído de nuestro entorno de demostración
No mantenido, sino contado: la biblioteca surge de los modelos guardados – roles, actividades, decisiones y áreas con su frecuencia. También el estilo se mide en vez de imponerse: carriles verticales, flujo de arriba abajo.
No todos los modelos cuentan. Los diagramas generados en bruto por el agente o creados de forma anónima quedan fuera, igual que los modelos de prueba demasiado pequeños. Si no, la memoria aprendería de ensayos en vez de procesos cuidados – por eso la cifra es menor que el total, y a cambio fiable.
¿Dónde se usa esto?
Un rol, un sistema, una transacción – buscados en todos los modelos de la empresa, no en el archivo abierto.
¿Dónde falta algo?
Revisión obligatoria sin caso de prueba, riesgo sin control, generado por IA sin aprobación – trece preguntas listas.
¿Y el gemelo?
Memoria y gemelo son dos cosas
Das Learning Model es la base de conocimiento: qué términos existen, dónde aparecen, con qué significado. El Digital Twin es la imagen de la operación: qué procesos corren, quién responde, qué sistemas los sostienen, en qué punto están.
Uno alimenta al otro. Sin memoria, el gemelo sería una colección de imágenes sueltas – correctas por separado, sin conexión entre sí.
Sinceramente
Lo que funciona hoy – y lo que aún no
El directorio encuentra de forma fiable: en todos los modelos, todos los atributos, con texto libre y trece preguntas. La biblioteca está lista y el agente la usa al disponer nuevos modelos. Su tamaño depende del fondo: en nuestro entorno de demostración son 17 modelos seleccionados – en una empresa con diez años de trabajo en procesos, muchos más.
Dos búsquedas, dos tareas. En todos los modelos se busca por atributos – roles, sistemas, transacciones, estados de revisión. Dentro de un modelo abierto, el editor y el visor buscan además en el texto corrido de las descripciones. Una encuentra dónde aparece algo; la otra, qué dice allí.
En el framework TAOM: TOOL-11 – el método detrás de esta función.