Cada noche, mientras Garry Tan duerme, un agente de IA lee sus reuniones, correos y tuits, los archiva en una base de conocimiento y vuelve a conectar los enlaces entre ellos. Se despierta con un cerebro que se ha vuelto un poco más listo durante la noche. Tan es el CEO de Y Combinator y el sistema se llama GBrain.
Lo publicó como código abierto en abril de 2026, pocos días después de que el investigador de IA Andrej Karpathy sembrara públicamente la idea.
GBrain se convirtió en el diseño de referencia de todo el movimiento del company brain. Superó las 5.000 estrellas en GitHub en un día y hoy ronda las 24.000.
Pasamos varios días leyendo cada línea. La ingeniería es realmente buena, aunque se salta una parte importante:
El mantenimiento nocturno de GBrain mantiene el cerebro organizado. Para que siga siendo cierto no hace casi nada.
Esa brecha, entre lo ordenado y lo fiable, es lo más interesante de GBrain. También es el problema en el que pensamos cada día en Slite.
Puntos clave:
- GBrain es un sistema de memoria de IA de código abierto: una base de conocimiento en markdown que se mantiene sola, con un grafo de conocimiento tipado por encima.
- Sus verdaderos puntos fuertes son la ingesta continua y un dream cycle (ciclo de sueño) nocturno que mantiene las páginas frescas y bien enlazadas.
- Construye su grafo de conocimiento sin ninguna llamada a un modelo, así que la ingesta y el mantenimiento nocturno son baratos. El coste real está en consultar el cerebro.
- Está pensado para una sola persona: no tiene un modelo de permisos real y lee sobre todo datos locales en lugar de herramientas de todo el equipo.
- Mantiene un cerebro organizado, pero no verifica que sea correcto o completo. Ese es el problema abierto de la categoría.
¿Qué es GBrain?
GBrain es un sistema de memoria de IA de código abierto creado por Garry Tan, CEO de Y Combinator. Es una base de conocimiento en markdown respaldada por Postgres que ingiere señales como reuniones, correos y mensajes, las almacena como páginas y mantiene un grafo de conocimiento tipado de personas, empresas y proyectos. Se actualiza solo cada noche, de forma programada. Como está construido en torno a los datos de una persona en una sola máquina, GBrain se suele comparar con herramientas de company brain orientadas a equipos y con capas de memoria para agentes.
Tan creó GBrain en unos doce días y lo publicó con licencia MIT en GitHub. Es la capa de conocimiento que hay detrás de sus propias configuraciones de agentes.
Según sus propias cifras, su cerebro en producción contiene 146.646 páginas, 24.585 personas y 5.339 empresas, y lo mantienen 66 tareas programadas. Son datos suyos, así que tómalos como una señal de escala más que como un benchmark.
La razón por la que caló es la promesa que Tan resume en una frase: "Me despierto más listo que cuando me acosté, y a ti te pasará lo mismo." Para cualquiera que haya visto pudrirse una wiki, es un argumento potente.
La idea de fondo, un LLM que construye y mantiene su propia base de conocimiento, es anterior a GBrain. GBrain es su implementación más copiada. Otros equipos han lanzado su propia versión, como la forma en que Cerebras construyó su base de conocimiento interna.
¿Cómo funciona GBrain en realidad?
Por debajo del markdown, GBrain son cuatro capas apiladas: un almacén de archivos, un motor de búsqueda, un grafo de conocimiento y un conjunto de skills que hacen el trabajo.
El repositorio: archivos markdown sin más
En esencia, GBrain es una carpeta de archivos markdown, uno por entidad o tema. En lugar de documentos que escribes tú, los archivos contienen lo que el sistema sabe sobre una persona, una empresa, un acuerdo comercial o una reunión. Los escribe el agente. Tú, sobre todo, los lees.
Recuperación: búsqueda híbrida
La búsqueda combina coincidencia por palabras clave y semántica, de modo que los resultados funcionan bien tanto con términos exactos como con preguntas difusas. GBrain ejecuta similitud vectorial, coincidencia de palabras clave con BM25 y un paso de reordenación por encima. Se parece mucho al enfoque que usamos en nuestra propia búsqueda, y es el primer paso correcto.
El grafo de conocimiento: tipado, fijo y construido sin un modelo
GBrain vincula las entidades con un conjunto fijo de relaciones tipadas, y lo hace sin llamar a un modelo de lenguaje. Relaciones como works-at, founded, invested-in y attended se extraen con simple coincidencia de patrones. Así, las escrituras son rápidas y casi gratuitas.
La contrapartida es la rigidez. El vocabulario está fijado en el código, así que el grafo solo reconoce los tipos de relación que le han enseñado. En el propio benchmark de Tan, un corpus de 240 páginas, activar el grafo elevó precision@5 de alrededor del 18 % al 49 %, una mejora de 31 puntos. Es su prueba con sus propios datos, lo que lo hace prometedor más que demostrado.
Skills: el detector siempre activo y el equipo de noche
La verdadera inteligencia reside en las skills, pequeños flujos de trabajo en markdown que el sistema ejecuta mediante disparadores. Una skill vigila cada señal entrante y decide, con un modelo barato, si algo del cerebro debe cambiar.
Un enrutador que GBrain llama resolver envía después cada cambio a la skill especialista adecuada, por ejemplo para corregir una cita. Otras skills se ejecutan por la noche de forma programada.
¿Qué ocurre por la noche? El dream cycle
Una vez al día, GBrain ejecuta una pasada de mantenimiento que llama dream cycle, que limpia, enlaza y vuelve a sintetizar todo el cerebro.
Consta de unas ocho o nueve fases, según la versión:
- lint y corrección,
- reparar los backlinks,
- sincronizar,
- sintetizar páginas nuevas a partir de transcripciones en bruto,
- extraer entidades,
- encontrar patrones entre sesiones,
- volver a generar los embeddings del contenido obsoleto,
- e informar de las páginas huérfanas.
Dicho de forma sencilla, elimina páginas obsoletas, arregla enlaces rotos, vuelve a archivar cosas y escribe resúmenes nuevos.
Durante la síntesis sigue reglas estrictas: citar las fuentes literalmente, establecer referencias cruzadas de todo y no sobrescribir nunca una página en silencio.
¿Comprueba el dream cycle si tu cerebro dice la verdad?
No. El mantenimiento nocturno de GBrain organiza y actualiza una base de conocimiento. Elimina páginas obsoletas y huérfanas, repara enlaces y vuelve a sintetizar resúmenes, pero no verifica los hechos del contenido ni confirma que el conocimiento sea preciso o completo.
Un cerebro ordenado parece un cerebro fiable, y por eso es tan fácil pasar por alto esta brecha.
El dream cycle te da un índice limpio, backlinks en buen estado y ninguna página muerta.
Nada de eso te dice si lo que afirma una página sigue siendo correcto, que es exactamente donde la documentación obsoleta hace su daño silencioso. Incluso la eliminación de páginas huérfanas se deja como un informe para que lo valore una persona.
Hemos vivido esta tensión de primera mano. Por primera vez, el trabajo de organizar una base de conocimiento se puede automatizar. Eso sigue sin garantizar que el resultado sea completo o correcto.
Quienes construyen estos sistemas también lo notan.
Un fundador que ejecuta siete agentes internos de IA en un único Mac Mini nos contó que su capa de memoria empezó a toparse con límites de escala en cuestión de semanas. Un ingeniero que reconstruyó el conocimiento de su equipo como una wiki local lo dijo de forma más directa: GBrain, a él, le parecía "demasiado centrado en el single player".
¿Cuánto cuesta una capa de memoria de IA para agentes como GBrain?
Ejecutar una capa de memoria al estilo de GBrain cuesta aproximadamente 4 $ por usuario al mes en un equipo pequeño y de 8 a 15 $ por usuario al mes con un uso más intensivo. La ingesta y el mantenimiento nocturno son casi gratuitos, porque el sistema apenas vuelve a procesar los datos que almacena. El coste principal es consultar el cerebro.
El coste depende mucho menos de lo que le das al cerebro que de la frecuencia con la que lo consultas.
La ingesta y el mantenimiento son las partes baratas.
Como el grafo se construye sin llamadas a modelos, escribir y reorganizar páginas no cuesta casi nada. Los embeddings cuestan entre 0,10 $ y 0,13 $ por millón de tokens, y volver a indexar un corpus de 100 millones de tokens cuesta unos 13 $.
El mantenimiento nocturno mantiene el índice ordenado sin volver a procesar los datos subyacentes, así que añade muy poco.
Lo que sí se acumula son las consultas.
GBrain responde primero desde el cerebro y después llama a un modelo para ampliar y ejecutar cada búsqueda, así que la factura depende de la frecuencia con la que la gente le hace preguntas.
Esas cifras dan por hecho embeddings de OpenAI más un modelo de la categoría de Claude que se encarga de la ampliación de consultas y de la reordenación en cada pregunta.
El extremo de 4 $ corresponde a unas pocas búsquedas por usuario al día; el de 8 a 15 $, a un uso intensivo con consultas durante todo el día. Si cambias el modelo o el volumen de consultas, la cifra cambia con ellos.
La mayoría de la gente usa GBrain a través de una suscripción a Claude o Codex que ya paga, así que esas llamadas por consulta parecen gratuitas aunque no lo son.
Esa es parte de la razón por la que GBrain encaja tan bien en un uso individual y personal, donde una sola persona motivada asume tanto el coste como la configuración.
| Perfil de uso | Coste aproximado | Qué lo determina |
|---|---|---|
| Ligero (ingesta y búsquedas ocasionales) | ~4 $ / usuario / mes | embeddings, almacenamiento |
| Intensivo (consultas frecuentes) | ~8 a 15 $ / usuario / mes | consultas (una llamada al modelo por búsqueda) |
Un company brain como este es barato de construir y de mantener al día. Lo que pagas es consultarlo.
Alternativas a GBrain
GBrain es un cerebro personal: los archivos markdown de una persona, en la máquina de esa persona, mantenidos durante la noche. No tiene almacén compartido, ni modelo de permisos, ni memoria de las conversaciones que un agente mantiene por el camino.
Para cada una de esas carencias hay una herramienta construida precisamente para cubrirla.
Comparamos diez soluciones de company brain, GBrain incluido, por si quieres ver el panorama completo antes de elegir una.
| Herramienta | Ideal para | Forma de almacenamiento | Cómo se mantiene actualizado | Código abierto | Se ejecuta en tu propia máquina |
|---|---|---|---|---|---|
| GBrain | El cerebro propio de una persona | Páginas markdown más un grafo tipado en Postgres | El dream cycle nocturno reorganiza y vuelve a enlazar las páginas | Sí, MIT | Sí |
| Slite Agent | Equipos que quieren que se lo mantengan | Base de conocimiento gobernada a través de las herramientas conectadas | Verifica los documentos con la actividad en tiempo real y las personas aprueban los diffs | No | No, gestionado |
| Sylph | Un repositorio compartido del equipo | Archivos markdown en el árbol de git | Los agentes abren borradores y las personas los fusionan | Sí | Sí |
| mem0 | Memoria bajo tus propios agentes | Almacén vectorial de hechos extraídos | Solo añade, con decaimiento aplicado en el momento de la búsqueda | Open-core | Sí, o alojado |
| Zep | Preguntas en las que interviene el historial | Grafo de conocimiento temporal con hechos con marca de tiempo | Los hechos nuevos hacen caducar a los que contradicen, no se borra nada | Sí, Graphiti | Sí, o alojado |
| Letta | Agentes que gestionan su propia memoria | Bloques de memoria, archivo e historial de mensajes en Postgres | Un agente sleep-time reescribe la memoria en segundo plano | Open-core | Sí, o alojado |
| Cognee | Una plataforma autoalojada de grafo y vectores | Grafo más vectores sobre fuentes conectadas | Vuelve a ingerir las fuentes conectadas y las respuestas incluyen citas | Sí | Sí |
Slite
GBrain le pide a una persona motivada que monte el sistema y lo mantenga en marcha. En una empresa, un company brain gestionado cambia ese control por un mantenimiento del que no tienes que ocuparte.
El dream cycle de GBrain mantiene el cerebro ordenado y bien enlazado, pero nunca se pregunta si una página sigue siendo cierta.
Slite Agent verifica los documentos con la actividad en tiempo real de más de 100 fuentes conectadas y después envía cada actualización sugerida a una cola de triaje humana como un diff lado a lado, con un estado de verificación y un responsable designado en cada documento.
Ideal para
Cuando quieres que se encarguen por ti del mantenimiento y de los permisos.
Sylph
Sylph, de nao Labs, pone el company brain en el árbol de git. Un CONTEXT.md central está en la raíz, las carpetas de dominio contienen el contexto de cada equipo y todos los archivos son Markdown que los agentes leen directamente.
Los agentes escriben las mejoras propuestas en una carpeta de borradores y las personas deciden qué se incorpora.
Después de publicar un cambio, el agente compara su propio borrador con la edición humana y actualiza sus reglas a partir de la diferencia. Nada más está automatizado, así que el cerebro avanza a la velocidad de la revisión. Es de código abierto y tiene unas 196 estrellas.
Ideal para
Un repositorio compartido del equipo que puedes leer en una pull request.
mem0
mem0 es una capa de memoria más que una base de conocimiento. Tu código llama a add(), un LLM extrae del texto los hechos duraderos y esos hechos acaban en un almacén vectorial limitado a un usuario, un agente, una sesión o una organización. La versión 3 solo añade: en lugar de borrar los hechos obsoletos, aplica decaimiento de memoria en el momento de la búsqueda, de modo que los hechos más antiguos aparecen menos. Open-core, con una Serie A de 24 millones de dólares detrás y unas 62.000 estrellas.
Ideal para
Memoria bajo agentes que construyes tú mismo.
Zep
Zep se basa en Graphiti, su propio motor de código abierto, que almacena el conocimiento como un grafo de conocimiento temporal, es decir, un grafo de hechos en el que cada uno lleva asociado el momento en que fue cierto. Los episodios entran y salen como tres capas: los eventos en bruto, las entidades extraídas de ellos con conexiones tipadas y las comunidades que agrupan entidades relacionadas. Cuando una información nueva contradice un hecho anterior, un LLM hace caducar la relación antigua en lugar de borrarla, así que todavía puedes preguntar qué creía el equipo en marzo. La recuperación no necesita ninguna llamada a un LLM, y por eso las respuestas llegan en menos de un segundo. Graphiti tiene unas 24.000 estrellas.
Ideal para
Preguntas en las que el historial importa tanto como la respuesta actual.
Letta
Letta procede de la línea de investigación de MemGPT y mantiene tres niveles de memoria en Postgres: pequeños bloques de memoria etiquetados que permanecen fijos en la ventana de contexto, un archivo donde se puede buscar y el historial completo de mensajes. Un agente sleep-time reescribe los bloques de memoria compartidos en segundo plano mientras nada espera por él, y la compactación de contexto resume alrededor del 30 % de los mensajes cuando la ventana se llena. Un Agent Development Environment permite a una persona abrir esa memoria y corregirla a mano. Open-core, ronda semilla de 10 millones de dólares.
Ideal para
Cuando el agente debe ser dueño de su propia memoria y editarla.
Cognee
Cognee, con sede en Berlín, se describe como un company brain compartido para agentes. Se conecta a fuentes como Slack, GitHub y Linear, construye una representación tanto de grafo como vectorial de lo que encuentra y devuelve respuestas con citas que remiten a la fuente. Esas citas permiten al lector comprobar una respuesta en lugar de fiarse de ella. Unas 30.000 estrellas y una ronda semilla de 7,5 millones de dólares.
Ideal para
Una plataforma de código abierto de grafo y vectores que alojas tú mismo.
Hacia dónde va esto y dónde encaja Slite
GBrain demostró que el company brain autónomo se puede construir. La próxima carrera va de una autonomía en la que se pueda confiar.
La autonomía total queda genial en una demo. Se complica en cuanto llega un cambio ambiguo sin ninguna persona que opine, y más aún cuando todo un equipo escribe en el mismo cerebro.
Desde entonces, GBrain ha añadido acceso multiusuario con ámbitos definidos, pero empezó siendo, y en gran medida sigue siendo, una herramienta single player.
Y el multiplayer es solo la mitad del asunto. La brecha más profunda es la gobernanza y el alcance.
GBrain da por hecho que hay una persona motivada capaz de montar el sistema, mantenerlo en marcha y apuntarlo a datos que están sobre todo en su propia máquina.
Pero para un equipo, los inconvenientes evidentes son:
- No tiene un modelo de permisos real, así que quién puede ver qué nunca es una cuestión de primer nivel.
- Lee archivos locales y un conjunto fijo de señales; no se conecta de forma nativa a los sistemas de todo el equipo donde realmente vive el conocimiento de la empresa, como CRM, help desks o bases de datos SQL.
Para una persona, esta configuración está bien. Para un equipo, los permisos y las fuentes conectadas son la mayor parte del trabajo.
Estamos construyendo Slite Agent en torno al planteamiento por defecto opuesto: una base de conocimiento que se mantiene sola con una persona en el proceso. Slite Agent es la capa de mantenimiento que va por encima. Vigila el contenido desactualizado, redacta la corrección y pide a alguien que apruebe los cambios ambiguos antes de que se apliquen.
El objetivo es alrededor de un 95 % de autonomía, con personas en el proceso para el 5 % que realmente requiere criterio. Y dirigimos el mantenimiento a lo que GBrain deja de lado: si el conocimiento sigue siendo preciso y completo.
Los dos enfoques tiran en direcciones distintas.
| GBrain | Slite Agent | |
|---|---|---|
| Ideal para | Particulares y usuarios avanzados | Equipos |
| Configuración y mantenimiento | Lo construyes y lo mantienes tú | Gestionado y mantenido en tu lugar |
| Grafo de conocimiento | Persistente, tipado, con relaciones fijadas en el código | Sin grafo persistente; deduce el contexto en el momento de la consulta |
| Fuentes de datos | Archivos locales y un conjunto fijo de señales | Se conecta a las herramientas del equipo donde vive el conocimiento |
| Permisos | Acceso con ámbitos añadido a posteriori | Gobernados y de primer nivel |
| Objetivo del mantenimiento | Mantiene el cerebro organizado | Se centra en el contenido desactualizado, la precisión y la exhaustividad |
| Persona en el proceso | Informe opcional de páginas huérfanas | Integrada para los cambios ambiguos |
Si tu equipo está conectando agentes al conocimiento de tu empresa y quieres que siga siendo fiable a medida que crece, ese es el problema en el que estamos trabajando.
Reserva una demo y te enseñaremos cómo gestiona Slite Agent el contenido desactualizado y la revisión.
La necesidad de una capa de memoria de IA es real, y GBrain mostró una forma sólida de construirla.
La pregunta abierta que deja sobre la mesa es la que más importa a medida que estos sistemas asumen más parte de nuestro trabajo: un cerebro bien organizado todavía no es un cerebro en el que puedas confiar.
Cerrar esa brecha es el trabajo que tenemos por delante, y es la parte que más nos ilusiona.