Apuntes clave de la serie de Nate B Jones sobre segundo cerebro con IA — desde los 8 bloques de construcción originales hasta Open Brain (Postgres + MCP), el principio de las dos puertas, y la brecha de implementación.
Notas sobre el framework de Nate B Jones para construir un segundo cerebro potenciado por IA en 2026. La tesis central: el segundo cerebro ya no es un sistema pasivo de almacenamiento — es un sistema activo y automatizado que trabaja mientras duermes.
El segundo cerebro tradicional (Tiago Forte, PARA, Zettelkasten) requiere esfuerzo manual constante: capturar, organizar, destilar, expresar. En 2026, la IA permite automatizar la mayor parte de ese trabajo. El usuario solo necesita hacer una cosa: capturar el pensamiento. El sistema se encarga del resto.
Un solo lugar de entrada sin fricción. En el ejemplo de Jones, un canal privado de Slack. La clave: cero fricción. Si capturar requiere más de un paso, no lo harás consistentemente.
Un agente de IA que clasifica automáticamente cada pensamiento sin intervención del usuario. Recibe texto crudo y decide: ¿es una persona, un proyecto, una idea, o una tarea administrativa?
Cada tipo de entrada tiene un esquema fijo: nombre, estado, siguiente acción. La consistencia del esquema es lo que permite que la automatización funcione de forma confiable.
Almacenamiento organizado por categorías. En el ejemplo: bases de datos de Notion para personas, proyectos, ideas, administración y un log de inbox.
Un «Inbox Log» que registra todo lo que el sistema hizo. Cada clasificación queda documentada: qué entró, cómo se clasificó, dónde se archivó. Esto es fundamental para mantener la confianza en el sistema.
El mecanismo más importante para la calidad del sistema. Cuando la IA clasifica un pensamiento, asigna un score de confianza entre 0 y 1. Si el score está por debajo del umbral (ej: 0.6), el «bouncer» impide que el ítem entre al almacenamiento principal. En su lugar, lo registra en el Inbox Log con estado «needs review» y envía un mensaje pidiendo clarificación.
Principio clave: ante la duda, no archivar mal — pedir revisión. Esto previene que el sistema se llene de basura.
El sistema no espera a que busques información — te la trae. Digests diarios y semanales enviados automáticamente con información relevante: reuniones próximas, proyectos estancados, ideas olvidadas.
Un mecanismo para corregir errores de la IA mediante comandos simples en el chat. Si algo se clasificó mal, un comando lo reclasifica sin necesidad de abrir la base de datos.
El usuario solo debe hacer una cosa: capturar pensamientos en un lugar. La automatización maneja clasificación, archivado, surfacing y corrección.
Mantener distintos:
Esta separación permite cambiar cualquier componente sin afectar los demás.
Usar esquemas JSON estrictos para los prompts de IA. El objetivo es obtener datos estructurados y predecibles, no escritura creativa. Esto es esencialmente lo que en ingeniería de software llamamos «contract-first design» aplicado a prompts.
El Inbox Log y los scores de confianza no son opcionales — son la base de la confianza del usuario en el sistema. Sin auditoría, el sistema se vuelve una caja negra.
Si la IA no está segura, debe registrar el ítem para revisión en lugar de archivarlo incorrectamente. Mejor un falso negativo (ítem pendiente de revisión) que un falso positivo (ítem mal clasificado).
Jones no se detuvo en el video. Su Substack documenta la evolución del framework a través de cuatro publicaciones clave que profundizan y extienden la arquitectura original.
La publicación más importante de la serie. Jones identifica que el verdadero cuello de botella de la IA no son los prompts — es la memoria. Cada vez que abres un chat nuevo, la IA empieza desde cero. Cada cambio de herramienta cuesta minutos re-explicando contexto que ya debería estar ahí.
La solución: Open Brain — una base de datos Postgres conectada vía MCP (Model Context Protocol) que cualquier IA puede consultar. Claude, ChatGPT, Cursor — todos leen y escriben en la misma base de conocimiento a través de un protocolo abierto. Sin intermediarios SaaS, sin silos por herramienta. Costo: entre $0.10 y $0.30 al mes.
La arquitectura es deliberadamente simple:
El kit incluye cuatro prompts para arrancar: migración de memorias existentes, generación de las primeras 20 capturas personalizadas, plantillas de captura rápida, y una revisión semanal que sintetiza patrones y resurface hilos olvidados.
Después del video original, 50 personas construyeron el sistema con herramientas completamente diferentes a las recomendadas — y funcionó igual. De esa experiencia emergieron cuatro principios:
Jones también expandió de 8 a 12 principios de diseño, desde «reducir el trabajo del humano a un solo comportamiento confiable» hasta «diseñar para reinicio, no para perfección».
La publicación más reciente introduce el concepto de superficie compartida con dos puertas: el agente entra por una puerta, el humano por la otra. Ambos leen y escriben los mismos datos, cada uno haciendo lo que mejor sabe hacer.
Seis extensiones concretas sobre Open Brain:
Cuatro principios de diseño para generar casos de uso propios:
Jones distingue tres modos de interacción con la misma base de datos:
Claude, ChatGPT y otros clientes son simplemente interfaces diferentes a la misma base de datos. Entender cuándo usar cada modo cambia todo.
En una publicación anterior (julio 2025), Jones enmarcó el problema fundamental: mientras el 73% de las empresas en EE.UU. ya usan IA, solo el 8% considera sus implementaciones maduras (McKinsey). No es un problema de tecnología — es un problema de integración práctica.
Su crítica al ecosistema de productividad: el mundo se divide entre la «máquina de hype» (artículos sobre cómo la IA revolucionará todo) y el «complejo industrial de comparación de features» (Notion vs Obsidian vs Mem.ai). Lo que falta es el puente — la guía estructurada que te lleva de «tengo estas herramientas» a «estas herramientas me ahorran 5 horas por semana».
Este framework valida la dirección de jonmatum.com como segundo cerebro. Los bloques que ya tenemos (captura MDX, clasificación por tipo, knowledge graph, llms.txt) cubren los bloques 1-4. Lo que falta — y lo que Jones enfatiza como diferenciador — es el surfacing proactivo (bloque 7) y la interfaz conversacional (bloques 6 y 8). Exactamente lo que planteamos en el issue #12.
La evolución de Jones hacia Open Brain con MCP es particularmente relevante: jonmatum.com ya expone /llms.txt y /llms-full.txt como interfaces agent-friendly. El siguiente paso natural es un servidor MCP que exponga el knowledge graph y las embeddings como herramientas que cualquier agente pueda consultar — alineado con la fase 3 del issue #12.
El principio de las dos puertas también aplica directamente: el sitio web es la puerta humana, las APIs y llms.txt son la puerta del agente. Ambos acceden al mismo grafo de conocimiento.
Campo de la informática dedicado a crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, desde el razonamiento y la percepción hasta la generación de lenguaje.
Sistemas autónomos que combinan modelos de lenguaje con razonamiento, memoria y uso de herramientas para ejecutar tareas complejas de múltiples pasos con mínima intervención humana.
Disciplina de diseñar instrucciones efectivas para modelos de lenguaje, combinando claridad, estructura y ejemplos para obtener respuestas consistentes y de alta calidad.