Memory on KnightLi Blog

Actualización de ChatGPT Release Notes: fuentes de memoria, GPT-5.5 Instant y complementos para hojas de cálculo

Thu, 07 May 2026 14:30:15 +0800

La página ChatGPT Release Notes de OpenAI se actualizó a principios de mayo de 2026. El último grupo de cambios se concentra en tres cosas: memory sources y una personalización más fuerte en ChatGPT, GPT-5.5 Instant como nuevo modelo predeterminado, y el lanzamiento global de ChatGPT para Excel y Google Sheets.

En conjunto, estas actualizaciones apuntan a una dirección clara: ChatGPT sigue moviéndose desde una entrada de chat hacia un asistente de trabajo más continuo, más personalizado y más nativo de las herramientas de oficina.

Memory sources hacen más transparente la personalización

La actualización más importante es memory sources.

OpenAI dice que los usuarios de ChatGPT Plus y Pro están empezando a recibir mejoras de memoria más fuertes. ChatGPT puede extraer mejor contexto relevante de chats anteriores, memorias guardadas, archivos disponibles y apps de Gmail conectadas para ofrecer ideas, recomendaciones y próximos pasos más adaptados.

Esto significa que los usuarios no tienen que explicar una y otra vez el contexto del proyecto, preferencias, hábitos o materiales existentes en cada conversación nueva. Para escritura de largo plazo, planificación de proyectos, organización de investigación, aprendizaje y trabajo en equipo, la continuidad mejora.

Pero cuanto más fuerte se vuelve la personalización, más importante se vuelve la transparencia. Por eso OpenAI introduce memory sources, para que los usuarios puedan ver qué información ayudó a personalizar una respuesta. Los usuarios pueden hacer clic en el icono Sources bajo una respuesta para ver memorias guardadas relevantes, chats anteriores e instrucciones personalizadas. Los usuarios Plus y Pro también pueden ver archivos de su biblioteca y correos referenciados de Gmail conectado.

Si alguna información está desactualizada, no es relevante o es incorrecta, los usuarios pueden corregirla, eliminarla o marcarla como no relevante.

El control de memoria sigue siendo la clave

OpenAI también señala que memory sources puede no mostrar todos los factores que dieron forma a una respuesta, y que seguirá mejorando la vista.

Eso importa. Memory sources no es un “registro completo del pensamiento del modelo”. Es una interfaz de producto para entender el contexto personalizado. Mejora la visibilidad, pero no puede exponer por completo cada factor que influyó en una respuesta.

Para privacidad y control, OpenAI dice que memory sources solo aparece dentro de la experiencia de la propia cuenta del usuario. Si un usuario comparte un chat, las fuentes no aparecen en el chat compartido. Los usuarios también pueden borrar chats, usar chats temporales que no usan ni actualizan memoria y no aparecen en el historial, desactivar la memoria, desconectar apps en cualquier momento y gestionar si su contenido se usa para mejorar modelos.

Esto muestra que la personalización de ChatGPT sigue un camino más claro: hacer que el asistente conozca mejor al usuario, pero también darle formas de ver y gestionar por qué respondió de cierta manera.

GPT-5.5 Instant se convierte en el modelo predeterminado

Las release notes también confirman que GPT-5.5 Instant se está desplegando como nuevo modelo predeterminado de ChatGPT, reemplazando GPT-5.3 Instant para todos los usuarios.

La actualización del modelo predeterminado mejora varias áreas:

Precisión.
Claridad y concisión.
Comprensión de imágenes.
Respuestas STEM.
Decidir cuándo usar búsqueda web.

OpenAI enfatiza que GPT-5.5 Instant es más fiable factualmente, especialmente para prompts donde la precisión importa. También da respuestas más compactas y directas, reduce preguntas de seguimiento innecesarias y baja el ruido de exceso de formato y contenido decorativo.

Para los usuarios, esto puede no ser tan visible como un nuevo botón, pero cambia la sensación de abrir ChatGPT cada día: menos desvíos, menos verbosidad y menos formato apilado sobre preguntas simples.

La personalización y el modelo predeterminado ahora trabajan juntos

Para usuarios Plus y Pro en la web, GPT-5.5 Instant también puede usar con más eficacia contexto de chats anteriores, archivos y Gmail conectado.

Esto forma parte de la misma dirección de producto que memory sources. El modelo no solo es “más inteligente”. También debería saber, cuando corresponde, en qué trabajaste antes, qué te importa y qué materiales ya proporcionaste. Al continuar un proyecto, escribir un plan, organizar información de correo o hacer sugerencias basadas en preferencias pasadas, ChatGPT puede hacer menos preguntas repetidas.

Los usuarios de pago pueden seguir usando GPT-5.3 Instant durante tres meses mediante la configuración de modelos antes de que se retire.

ChatGPT para Excel y Google Sheets

Otra actualización importante es el lanzamiento global de ChatGPT para Excel y Google Sheets.

Lleva ChatGPT a una barra lateral dentro de Microsoft Excel y Google Sheets, para que los usuarios puedan crear, actualizar y entender datos en el lugar. OpenAI menciona casos de uso como:

Trackers.
Presupuestos.
Fórmulas.
Archivos con varias pestañas.
Trabajo de escenarios.
Limpieza de hojas de cálculo.

Donde esté disponible, también soporta Skills y apps.

El significado es directo: muchos datos de oficina no viven en un sistema BI especializado. Viven en Excel y Google Sheets. Colocar ChatGPT en la barra lateral de la hoja es más natural que pedir a los usuarios copiar y pegar en una ventana de chat, y facilita entrar en flujos de trabajo reales.

Límites de uso e instalación

Las release notes dicen que los planes Free y Go incluyen uso limitado, mientras que Plus y Pro usan los mismos límites de uso agentic que Codex. Los usuarios pueden comprar créditos adicionales si necesitan superar los límites del plan.

La instalación también es directa: instalar ChatGPT para Excel desde Microsoft Marketplace o ChatGPT desde Google Workspace Marketplace, y luego iniciar sesión con una cuenta de ChatGPT elegible.

OpenAI también recuerda a los usuarios que revisen los resultados antes de confiar en fórmulas o análisis. Ese punto es importante. La IA puede acelerar el trabajo con hojas de cálculo, pero fórmulas, presupuestos, trabajo financiero y análisis de negocio aún necesitan revisión humana.

Patrón reciente de actualizaciones

Mirando las release notes desde finales de abril hasta principios de mayo, la dirección de ChatGPT se vuelve más clara.

El 30 de abril, OpenAI introdujo Advanced Account Security para cuentas personales de ChatGPT, añadiendo requisitos de inicio de sesión más fuertes y protecciones de cuenta, incluyendo passkeys, llaves de seguridad, claves de recuperación, sesiones más cortas y notificaciones de inicio de sesión.

El 28 de abril, la selección de modelos se acercó al compositor, facilitando elegir un modelo antes de enviar un mensaje. Los controles de thinking effort para modelos Thinking y Pro también se movieron al selector de modelos.

El 22 de abril, ChatGPT introdujo Fast answers para consultas comunes de información que no requieren personalización y donde el modelo tiene una respuesta de alta confianza. Fast answers no referencia chats anteriores ni memoria, y los usuarios pueden desactivarlas en la configuración de personalización.

Todas estas actualizaciones sirven al mismo objetivo: hacer que ChatGPT funcione mejor para el uso frecuente de todos los días. Debe ser rápido cuando importa la velocidad, personalizado cuando importa el contexto, y ofrecer controles de seguridad y visibilidad cuando se necesitan.

Resumen

El punto de esta actualización de ChatGPT Release Notes no es una sola función. Es la forma continua que va tomando el producto.

GPT-5.5 Instant mejora la calidad de la respuesta predeterminada. Memory sources hace más visible la personalización. Los complementos de Excel y Google Sheets colocan ChatGPT dentro de hojas de cálculo de oficina. Advanced Account Security y los cambios del selector de modelos fortalecen la protección de cuenta y el diseño de interacción.

ChatGPT se está convirtiendo en una capa de trabajo de más largo plazo. Recuerda más contexto, entra en más herramientas y maneja más tareas diarias. Las siguientes preguntas son si la transparencia de personalización es lo bastante clara, si los complementos de oficina se mantienen estables en hojas complejas reales y si los usuarios pueden conservar un equilibrio sano entre comodidad y control.

Enlaces

ChatGPT Release Notes: https://help.openai.com/en/articles/6825453-chatgpt-release-notes

La configuración de entorno en cuatro partes de Claude Code: CLAUDE.md, Rules, Memory y Hooks

Thu, 23 Apr 2026 10:43:40 +0800

Si usas Claude Code durante un tiempo, pronto notas algo: el modelo importa, pero el entorno que le das, los límites que defines y las reglas que configuras importan igual.

Al principio, mucha gente se centra en “cómo escribo este prompt”. Pero cuando empiezas a usar Claude Code en serio, te importa más otra cosa:

¿Sabe quién eres?
¿Sabe cómo trabajas?
¿Sabe qué reglas no puede romper?
¿Sabe qué acciones requieren confirmación primero?
¿Puede recordar esos límites con el tiempo?

Lo que vuelve maduro a Claude Code no es solo la capacidad del modelo. Es que hay un sistema completo para convertir tu estilo de trabajo en estructura persistente. A alto nivel, ese sistema puede dividirse en cuatro capas:

CLAUDE.md
Rules
Memory
Hooks

Este artículo explica las cuatro.

Por qué la configuración de entorno importa más que prompts únicos

Puedes pensar en Claude Code como un asistente que contrataste.

El primer día no le dirías solo “ayúdame a hacer cosas”. Le darías un manual y explicarías:

quién eres
qué estilo de comunicación prefieres
qué acciones siempre requieren confirmación
qué errores ya ocurrieron y no deben repetirse
dónde están los documentos importantes del proyecto

Por eso, a largo plazo, la configuración de entorno suele importar más que un prompt aislado.

Un prompt resuelve “qué hacemos esta vez”. La configuración de entorno resuelve “cómo trabajamos cada vez desde ahora”.

Capa 1: `CLAUDE.md`

Empieza por la pieza básica. CLAUDE.md es esencialmente un archivo de texto.

Puedes escribir instrucciones para Claude, como:

quién eres
en qué trabajas
tus preferencias de comunicación
reglas obligatorias
contexto especial del proyecto actual
dónde están documentos o directorios importantes

Cada vez que Claude Code arranca, este documento se inyecta automáticamente en el contexto, así que el modelo lo leerá.

Suelo pensarlo como un “archivo de entendimiento compartido”, porque eso es: el acuerdo permanente entre tú y el modelo.

Qué poner en `CLAUDE.md`

Lo mejor para CLAUDE.md suele ser:

identidad y contexto de trabajo
preferencias de tono y salida
reglas globales de comportamiento
contexto de proyecto que aparece a menudo
errores comunes y cómo evitarlos

Por ejemplo:

tu zona horaria
si permites que el modelo envíe emails o mensajes directamente
qué acciones son irreversibles
tus hábitos con documentos y archivos
prácticas de seguridad y límites sobre información sensible

Un principio muy importante: mantenerlo conciso

Un principio clave para CLAUDE.md: mantenlo lo más conciso posible.

La razón es simple: se inyecta en contexto cada vez.

Si crece demasiado, ocupa demasiado espacio de contexto y diluye la información importante. El modelo no lo ignora, pero su atención se dispersa, así que es más probable que pase por alto reglas críticas.

La recomendación oficial suele ser mantenerlo por debajo de 400 líneas.

Mi hábito es aún más conservador: intento mantenerlo por debajo de 200 líneas.

Alcances comunes de `CLAUDE.md`

En la práctica, CLAUDE.md puede existir en distintos niveles, y esos niveles determinan su alcance.

1. Nivel de usuario

Es el nivel global.

Vive en tu entorno de máquina y aplica a todos los proyectos locales.

Es buen lugar para:

información de identidad
preferencias generales de comunicación
hábitos que aplican a todos los proyectos
reglas globales de seguridad

2. Nivel de proyecto

Es el nivel del proyecto.

Está dentro de un directorio de proyecto concreto y solo aplica a ese proyecto.

Es buen lugar para:

contexto específico del proyecto
reglas que solo tienen sentido ahí
explicación de la estructura de directorios
entradas a documentos clave del proyecto

Cómo decidir qué nivel usar

La regla es simple:

Si lo escrito seguiría siendo verdad en otro proyecto, ponlo en el user level.

Si deja de ser verdad al cambiar de proyecto, ponlo en el project level.

Cómo escribir la primera versión

Hay dos formas comunes de empezar:

1. Usar `/init`

Puedes ejecutar /init directamente en la terminal y dejar que Claude escanee el proyecto para generar un CLAUDE.md básico.

2. Dejar que Claude te ayude a organizarlo

También puedes pedirle que busque cómo otras personas estructuran CLAUDE.md, que te haga preguntas según tu situación y organice una versión que encaje contigo.

Un hábito práctico

Al colaborar con Claude, cuando notes algo que debe recordarse o que no debe fallar otra vez, puedes pedirle que lo escriba en CLAUDE.md.

Antes de hacerlo, decide:

¿es una regla global?
¿o solo del proyecto actual?

No lo metas todo en un único archivo.

Capa 2: `Rules`

La siguiente capa es Rules.

La diferencia principal con CLAUDE.md no es el formato, sino cómo se carga.

CLAUDE.md se lee sin importar qué haces.

La ventaja de Rules es que pueden cargarse condicionalmente.

Una regla puede cargarse solo para ciertas rutas, archivos, herramientas o escenarios.

Por qué importa la carga condicional

Porque el espacio de contexto siempre es escaso.

Si todas las reglas entran al contexto todo el tiempo:

el modelo carga más overhead
las reglas realmente importantes se entierran

El valor de cargar reglas bajo demanda es que el modelo ve la información correcta en el momento correcto.

Cuándo mover reglas desde `CLAUDE.md` a `Rules`

Suelen darse dos situaciones:

1. `CLAUDE.md` se volvió demasiado largo

Si empieza a pasar de 200 líneas, sigue creciendo y lo importante se diluye, toca separar reglas.

2. Algunas reglas solo aplican a rutas concretas

Si sabes que ciertas reglas solo tienen sentido para ciertos archivos, por ejemplo:

reglas solo para scripts Python
reglas solo para un directorio de hooks
reglas solo para un subproyecto

entonces pertenecen más naturalmente a Rules.

Dónde encajan mejor `Rules`

El caso típico es “situación específica, ruta específica, tipo de archivo específico”.

Por ejemplo:

convenciones al manejar hooks
reglas de código para cierto tipo de scripts
formas de trabajo que solo aplican bajo un directorio

Mantener ese contenido en CLAUDE.md suele no ser rentable.

Capa 3: `Memory`

La tercera capa es Memory.

Como CLAUDE.md y Rules, también entra al contexto del modelo, pero su diferencia central es:

CLAUDE.md es algo que defines deliberadamente.

Memory se parece más a notas que Claude escribe para sí mismo durante la colaboración.

Qué entra en `Memory`

Cuando Claude juzga que algo vale la pena recordar o conservar por un tiempo, escribe esa información en Memory.

Ejemplos comunes:

una forma de trabajar que corregiste
una preferencia nueva
estado temporal del proyecto actual
algo que no terminaste hoy y debes continuar mañana
con quién colaboraste recientemente
contexto personal aparecido hace poco

Es conocimiento dinámico más que política de largo plazo.

Diferencia con las dos primeras capas

Una distinción simple:

CLAUDE.md / Rules: reglas explícitas, de largo plazo y tipo política
Memory: contexto temporal, dinámico y recién aprendido

Si algo solo importa unos días o cambia con frecuencia, suele pertenecer a Memory, no a una regla permanente.

`Memory` también puede escribirse manualmente

Aunque Memory puede mantenerse automáticamente, también puedes decirle explícitamente:

recuerda lo que debo hacer mañana
recuerda a quién debo hacer seguimiento
recuerda el hito clave de este proyecto este mes

También puedes usar /memory para ver, editar o borrar memorias.

Capa 4: `Hooks`

La última y más avanzada capa es Hooks.

Todo lo anterior, incluido CLAUDE.md, Rules y Memory, sigue siendo guía en lenguaje natural.

Escribes reglas y el modelo normalmente las sigue, pero primero debe interpretarlas.

Mientras la regla viva en lenguaje natural, quedan problemas:

el modelo puede pasarla por alto
demasiadas reglas diluyen atención
puede decidir que no es suficientemente importante

Qué son realmente `Hooks`

Hooks ya no son instrucciones en lenguaje natural. Son scripts.

Son lógica de enforcement a nivel programa, disparada por eventos.

Cuando ocurre cierto evento, esa lógica corre. No se salta porque el modelo la ignore.

Ese es su valor:

convierten “debería seguir esto” en “debe ejecutarse esto”.

Cuándo subir algo a `Hooks`

Si una regla ya está escrita en CLAUDE.md o Rules, pero Claude todavía falla ocasionalmente, y el coste de fallar es real, probablemente debería ser un Hook.

En simple:

comportamiento de bajo riesgo: reglas
comportamiento de alto riesgo: Hooks

Escenarios típicos

Ejemplos obvios:

exigir confirmación antes de enviar un email
exigir confirmación antes de enviar mensajes Slack, Outlook o Gmail
interceptar borrados peligrosos de archivos
bloquear fugas de contraseñas o API keys

Si solo están escritas como reglas, el modelo puede equivocarse algún día. Si son Hooks, el evento se intercepta cada vez.

Puntos de disparo comunes

Hooks pueden engancharse en distintas etapas:

inyectar recordatorios al inicio de una conversación
revisar condiciones antes de ejecutar una herramienta
validar resultados después de ejecutar una herramienta

No necesitas conocer toda la terminología formal. A menudo basta con describir claramente el requisito y preguntar a Claude si debería convertirse en hook.

También puedes usar /hook para inspeccionar hooks configurados.

Una forma práctica de empezar

Recomiendo este orden:

Paso 1: usa `/init` para generar un `CLAUDE.md` básico

No intentes escribir un enorme documento completo desde el inicio.

Deja que Claude escanee el proyecto y genere un punto de partida, luego itera.

Paso 2: añade cosas mientras trabajas

Cuando notes:

esto debe recordarse
este error no debe repetirse
esta preferencia aplicará siempre

pide a Claude que lo añada a CLAUDE.md.

Paso 3: mueve cosas a `Rules` cuando `CLAUDE.md` crezca

Cuando CLAUDE.md se alarga y el modelo no sigue todo con fiabilidad:

¿qué reglas son globales?
¿cuáles solo aplican a ciertas rutas?

Mueve las segundas a Rules para carga condicional.

Paso 4: convierte reglas de alto riesgo en `Hooks`

Si una regla sigue fallando y el coste de fallar es alto, no te quedes en lenguaje natural. Conviértela en Hooks.

Ahí el “recordatorio” se vuelve “enforcement”.

Paso 5: deja que `Memory` maneje estado temporal

Para cosas que expiran, cambian a menudo o no son política permanente, no lo metas todo en CLAUDE.md.

Es más limpio dejar que Memory guarde:

progreso actual del proyecto
colaboradores recientes
preferencias recién añadidas
planes y to-dos de corto plazo

Qué debería guardar cada capa

Modelo mental rápido:

CLAUDE.md: entendimiento compartido de largo plazo, instrucciones globales, contexto base del proyecto
Rules: reglas especializadas cargadas por ruta o escenario
Memory: conocimiento dinámico, estado temporal, cosas aprendidas recientemente
Hooks: enforcement programático para acciones de alto riesgo

Cierre

Mucha gente trata Claude Code como “una interfaz de chat que escribe código”. Pero al usarlo a fondo, se siente más como una estación de trabajo inteligente de largo plazo.

La clave no es solo cómo formulas cada instrucción. Es si le diste un entorno estable, claro y acumulativo.

Cuando construyes estas cuatro capas:

CLAUDE.md
Rules
Memory
Hooks

la calidad de colaboración suele mejorar mucho.

Porque ya no reexplicas desde cero quién eres, cómo trabajas y qué no debe pasar en cada sesión. Convertiste esas cosas en parte del entorno.

Ese es el paso clave para convertir un modelo fuerte en una herramienta madura.