Contexto técnico
No me he enganchado a otro debate sobre aplicaciones de notas, sino a una brecha de ingeniería muy real en el mercado. Si construyo automatización con IA sobre una base de conocimiento interna, no me basta con un grafo bonito y markdown. Necesito copias de seguridad, un formato de datos transparente y un cifrado que no se base en "simplemente envuelve la carpeta en VeraCrypt".
He revisado las opciones habituales. Obsidian es práctico porque guarda todo en .md, lo que facilita hacer copias de seguridad, usar git y migrarlo a cualquier parte. Pero no tiene cifrado integrado, lo que significa que el modelo de seguridad se construye con parches y plugins externos, y ahí es donde empiezo a desconfiar.
Anytype lo aborda desde otro ángulo: tiene cifrado, el enfoque local-first es bueno y la idea es atractiva. Pero el formato de almacenamiento de datos es propietario, y eso rompe de inmediato algunos de mis escenarios donde necesito una base de conocimiento de grafos adecuada para proyectos, sin ataduras a la magia interna de un producto concreto.
Logseq y TiddlyWiki tampoco resuelven el problema por completo. El primero es ideal para desarrolladores, especialmente si te gusta el enfoque de consultas y el texto plano, pero con el cifrado pasa lo mismo: hay que usar herramientas externas. El segundo se puede cifrar, pero supone un compromiso en escala y comodidad, sobre todo si la base de conocimiento empieza a funcionar como infraestructura y no como un archivo personal.
Y aquí viene lo más interesante: tenemos bases de datos de grafos como Neo4j o Memgraph, pero eso es otro nivel de abstracción. No ofrecen una capa PKM lista para usar para alguien que quiere pensar en conocimiento, no en montar una interfaz, sincronización, editor, búsqueda y permisos de acceso por separado.
Impacto en el negocio y la automatización
Para una empresa, esto no es un detalle académico. Si tu conocimiento sobre proyectos, clientes, I+D y procesos internos reside en un sistema sin un modelo de propiedad de datos adecuado, la implementación de IA se vuelve frágil rápidamente.
Pierden los equipos que necesitan control sobre una base de conocimiento privada y una integración de IA adecuada sin depender de un único proveedor. Ganarán aquellos que monten un stack abierto y cuidado en torno a texto plano y cifrado externo, o los primeros que lancen un producto sensato en la intersección de PKM, grafos y seguridad.
En Nahornyi AI Lab nos encontramos regularmente con estas encrucijadas de arquitectura con los clientes: qué guardar en markdown, qué llevar a un grafo, dónde cifrar, cómo hacer copias de seguridad sin sacrificar la usabilidad. Si tu conocimiento ya se acumula más rápido de lo que puedes protegerlo y usarlo, vamos a desglosarlo por capas y a construir una arquitectura de soluciones de IA sin magia innecesaria y sin el riesgo de perder tu activo más valioso.