Más allá del historial de chat: Cómo Honcho está resolviendo el desafío de la personalización para las aplicaciones LLM

Imagina que explicas la física cuántica a tu abuela, a tu profesor y a tu adolescente. No usarías las mismas palabras, ejemplos o ritmo para cada uno. Instintivamente ajustarías tu comunicación según con quién estás hablando. Esto es exactamente lo que falta en las aplicaciones actuales de modelos de lenguaje grande—y es el problema central que la plataforma recién lanzada de Plastic Labs, Honcho, está diseñada para solucionar.

El 11 de abril, la startup de IA Plastic Labs anunció la finalización de una ronda de financiación Pre-Seed de 5,35 millones de dólares liderada por Variant, con participación de White Star Capital, Betaworks, Mozilla Ventures, Seed Club Ventures, Greycroft y Differential Ventures. Inversores ángeles como Scott Moore, NiMA Asghari y Thomas Howell también se unieron a la ronda. La empresa, además, abrió el acceso anticipado a Honcho, su plataforma de identidad AI personalizada, señalando un hito importante en cómo las aplicaciones de LLM podrían finalmente entender a sus usuarios.

La creciente necesidad de una verdadera personalización en las aplicaciones de LLM

El crecimiento explosivo de software impulsado por LLM ha creado un problema inesperado: estas aplicaciones son potentes pero fundamentalmente impersonales. Un asistente terapéutico necesita comprender tu estado emocional y estilo de comunicación. Un tutor educativo debe reconocer cómo aprendes mejor. Un compañero de compras debería entender tus preferencias y patrones de navegación. Sin embargo, la mayoría de los desarrolladores que construyen estas aplicaciones enfrentan un panorama fragmentado sin una solución estándar.

Actualmente, los equipos arman sistemas improvisados para almacenar datos de usuario—generalmente enterrados en registros de conversación—y recuperarlos cuando es necesario. Cada organización, en esencia, empieza desde cero, construyendo su propia infraestructura de gestión del estado del usuario. El resultado es un esfuerzo de ingeniería desperdiciado en toda la industria, con innumerables equipos reinventando la rueda. Peor aún, incluso cuando los desarrolladores emplean métodos sofisticados como bases de datos vectoriales y generación aumentada por recuperación (RAG), solo pueden mostrar conversaciones pasadas. No pueden capturar verdaderamente características más profundas del usuario: preferencias de comunicación, patrones de aprendizaje, desencadenantes emocionales o matices de personalidad.

Las apps terapéuticas, asistentes educativos, plataformas de lectura y herramientas de comercio electrónico ya esperan en la cola de la beta cerrada de Honcho—cientos de aplicaciones en múltiples escenarios, todas reconociendo el mismo cuello de botella.

Por qué el enfoque de ciencia cognitiva de Honcho cambia las reglas

Aquí es donde Honcho entra como un punto de inflexión. La plataforma funciona como una solución lista para usar que los desarrolladores pueden integrar directamente en sus aplicaciones de LLM sin tener que construir infraestructura de modelado de usuarios desde cero. Una vez conectados, los desarrolladores acceden a perfiles de usuario ricos y persistentes que capturan mucho más matiz que los métodos tradicionales.

La diferencia clave radica en la base de la plataforma: se apoya en técnicas avanzadas tomadas de la ciencia cognitiva. En lugar de simplemente almacenar el historial de conversaciones o incrustar interacciones de usuario en bases de datos vectoriales, Honcho construye modelos más profundos de quiénes son realmente los usuarios. Estos perfiles pueden consultarse usando lenguaje natural, permitiendo que las aplicaciones de LLM ajusten dinámicamente su comportamiento, tono y enfoque de comunicación según las características individuales del usuario.

El beneficio para la ingeniería es claro: Honcho abstrae la complejidad de gestionar el estado del usuario, liberando a los equipos de desarrollo para centrarse en la lógica principal de su aplicación en lugar de en infraestructura. Pero las implicaciones van mucho más allá de la conveniencia de una sola aplicación. Los perfiles de usuario ricos y abstractos generados por Honcho crean algo que la industria ha perseguido durante mucho tiempo pero ha tenido dificultades para lograr: un camino hacia una capa de datos compartida verdaderamente interoperable.

El problema de la capa de datos compartida: por qué fracasaron los intentos anteriores

Históricamente, los intentos de crear capas de datos de usuario compartidas han fallado por dos razones fundamentales.

Primero, la barrera de interoperabilidad. Los datos de usuario tradicionales tienden a estar estrechamente ligados a contextos específicos de aplicación y son difíciles de transferir entre plataformas. Tu red social en X—definida por a quién sigues—ofrece poco valor para tu red profesional en LinkedIn. Los datos no se traducen. Honcho captura rasgos de usuario de orden superior, más universales, que funcionan en cualquier aplicación de LLM. Por ejemplo, si una plataforma educativa descubre que aprendes mejor mediante analogías, esa percepción se vuelve valiosa para tu asistente terapéutico, que puede usar técnicas narrativas para comunicarte más eficazmente. La misma característica se aplica en casos de uso completamente diferentes.

Segundo, el problema de inicio en frío. Las capas de compartición anteriores no lograron tracción porque los primeros adoptantes no veían beneficios inmediatos. Atraer las primeras aplicaciones—que son esenciales para generar datos de usuario valiosos—requería prometer una red que aún no existía. Honcho evita esta dinámica de pollo y huevo resolviendo primero el “problema de primer orden” para aplicaciones individuales. Cuando suficientes aplicaciones se conectan, los efectos de red emergen naturalmente, y el “problema de segundo orden” comienza a resolverse por sí mismo. Las nuevas aplicaciones que se unen a la plataforma no enfrentan la fricción del inicio en frío; heredan perfiles de usuario ricos desde el principio y acceden a la capa de inteligencia en crecimiento sin tener que entrenar sus propios modelos.

Construyendo la infraestructura: la hoja de ruta estratégica de Plastic Labs

La estrategia de la empresa refleja este enfoque por fases. Inicialmente, el foco sigue siendo resolver el desafío central de gestión del estado del usuario para aplicaciones individuales. A medida que la adopción crece y más aplicaciones se conectan a Honcho, el equipo introducirá gradualmente una capa de datos compartida para las aplicaciones dispuestas a participar.

Esta capa compartida introduce una estructura de incentivos diseñada en torno a mecanismos blockchain. Las aplicaciones que accedan a participaciones iniciales en la capa, comparten su crecimiento y valor de red. Al mismo tiempo, la arquitectura descentralizada de blockchain asegura que el sistema siga siendo creíble y transparente, evitando que gatekeepers centralizados extraigan valor desproporcionado o desarrollen productos competidores que aprovechen los datos compartidos que han creado.

Este enfoque refleja las lecciones aprendidas del trabajo previo del equipo. Al desarrollar Bloom, una aplicación de tutoría personalizada basada en chat, el equipo de Plastic Labs experimentó de primera mano la frustración de construir tutoría inteligente sin entender realmente los estilos de aprendizaje y necesidades individuales de los estudiantes. Honcho surgió directamente de esta percepción—un reconocimiento de que cada desarrollador de aplicaciones de LLM enfrentaría eventualmente la misma limitación fundamental.

Qué viene después: de una sola app al efecto de red

Cientos de aplicaciones que abarcan coaching para recuperación de adicciones, tutoría educativa, asistencia en lectura y plataformas de comercio electrónico ya están en lista de espera en Honcho. Cada una representa un caso de uso y una base de usuarios diferente, pero todas comparten la misma necesidad: aplicaciones de LLM que realmente entiendan con quién están hablando.

Variant, como inversor principal y la firma representada por el Asesor General Daniel Barabander, quien ayudó a articular la visión de Honcho, reconoce lo que Plastic Labs ha logrado: un equipo con experiencia demostrada en modelado de usuarios para software impulsado por IA, que ahora lanza infraestructura que podría transformar cómo todo el ecosistema de aplicaciones de LLM maneja la personalización.

El desafío de la personalización en las aplicaciones de LLM ya no es teórico—se ha convertido en el cuello de botella central que limita la creación de experiencias de IA verdaderamente útiles y contextuales. Honcho representa la primera solución ampliamente disponible que aborda este problema a escala, potencialmente abriendo una nueva era de aplicaciones de LLM hiperpersonalizadas que realmente entienden a sus usuarios.