Cognify — Investigación e inteligencia compartida / Research and shared intelligence
Cognify
Cognify es un laboratorio de I+D aplicada en AI, Data & Analytics. Trabajamos con empresas tecnológicas y organizaciones intensivas en información para investigar problemas, desarrollar nuevas capacidades y producir tecnología, datos y análisis.
Nuestro trabajo se organiza en cuatro áreas de I+D:
Líneas de investigación
01 — Entrenamiento de modelos de IA
Modelos de inteligencia artificial para problemas específicos.
Desarrollamos y entrenamos modelos de inteligencia artificial para crear nuevas capacidades sobre datos e información.
Trabajamos con datos científicos, industriales y organizacionales para desarrollar modelos capaces de analizar, clasificar, predecir, extraer y conectar información, y convertirla en capacidades útiles para sistemas y productos de IA.
Abordamos el ciclo completo: desde la construcción y curación de datasets hasta el entrenamiento, la evaluación y el despliegue de modelos mediante APIs, herramientas y productos.
02 — Inteligencia de frontera distribuida
La capacidad de un sistema puede ser mayor que la de un solo modelo.
Es posible obtener capacidades de frontera o conducta inteligente de frontera en tareas delimitadas mediante modelos relativamente pequeños combinados con memoria, herramientas, búsqueda, verificación y mecanismos de control.
No toda capacidad relevante tiene que estar concentrada en los parámetros de un único modelo de gran escala.
Investigamos nuevas arquitecturas de sistemas distribuidos y desarrollamos prototipos funcionales, agentes y APIs de capacidades (skills) para poner esta hipótesis a prueba.
Cognify Agent Studio
Una plataforma para diseñar, ejecutar y evaluar agentes verificables, combinando modelos, herramientas, memoria y control explícito.
Agentes verificables
Trazabilidad
Ejecución local e híbrida
Cognify Agent Studio concreta esta línea de trabajo: una plataforma para diseñar, ejecutar y evaluar agentes verificables sobre documentos, web y procesos internos. Combina modelos locales o remotos con skills deterministas, memoria, permisos explícitos y mecanismos de verificación, en lugar de delegar todo a un único modelo.
El resultado no es solo una respuesta, sino una ejecución trazable: qué fuentes se consultaron, qué herramientas se utilizaron, qué cálculos o reglas se aplicaron y qué evidencia respalda cada conclusión, incluyendo sus límites e incertidumbres.
La plataforma se apoya en tres principios: capacidad compuesta, al combinar modelos, memoria, herramientas y verificación; control y trazabilidad, al explicitar permisos y fuentes; y aprendizaje en uso, al evaluar y comparar ejecuciones para medir exactitud, fallos, costo y patrones de comportamiento.
Agent Studio es la primera expresión de una plataforma más amplia: Cognify Agent Studio para diseñar y operar agentes verificables, Cognify Runtime para ejecutarlos en entornos locales o híbridos y Cognify Eval para medir su desempeño, trazabilidad y comportamiento en uso. Buscamos una IA útil, adaptable y auditable, con libertad para elegir modelos y proveedores según costo, privacidad, capacidad e infraestructura, sin depender de una única API.
Evaluación de capacidad y eficiencia
Un estudio con políticas diminutas para tres en raya que explora la complejidad mínima necesaria para alcanzar competencia verificable en una tarea delimitada.
Capacidad y eficiencia
Tres en raya
Cognify Eval
Investigamos qué nivel mínimo de complejidad necesita un sistema para alcanzar competencia verificable en una tarea delimitada. Como primer caso, entrenamos políticas diminutas para jugar tres en raya y realizamos un barrido de capacidad: variamos el número de parámetros, manteniendo comparable el entorno de entrenamiento, para evaluar en qué punto aparece una competencia consistente.
Tres en raya ofrece reglas deterministas, un espacio de estados finito y una política óptima contra la que verificar el desempeño. Esto permite preguntar cuántos parámetros necesita realmente una capacidad específica cuando el entorno, la memoria, la representación y la evaluación están bien diseñados.
Medimos el número de parámetros; las tasas de victorias, empates y derrotas; la robustez frente a posiciones no vistas; los tiempos de entrenamiento e inferencia; la estabilidad entre semillas; y la distancia respecto de una política óptima.
Este trabajo es un primer paso hacia Cognify Eval: una infraestructura para medir cuándo un sistema alcanza una capacidad verificable, cuánto cuesta obtenerla y qué componentes de su arquitectura explican la mejora. No buscamos negar el valor de los modelos grandes, sino poner a prueba experimentalmente si, en tareas delimitadas, la competencia puede depender más de la arquitectura total del sistema que de acumular parámetros.
03 — Confiabilidad de IA
Evaluar y mejorar la confiabilidad de los sistemas de IA que analizan datos, recuperan información y generan conocimiento.
Investigamos cómo evaluar y mejorar la confiabilidad de los sistemas de IA utilizados para analizar datos, recuperar información y generar conocimiento.
Estudiamos errores, alucinaciones, sobreconfianza y pérdida de trazabilidad, y desarrollamos métodos para evaluar resultados, verificar afirmaciones, representar incertidumbre y preservar la relación entre respuestas y evidencia.
04 — Productos AI-native
Nuevas formas de diseñar productos donde la IA forma parte de la arquitectura central.
Investigamos y experimentamos con nuevas formas de diseñar productos en los que la inteligencia artificial forma parte de la arquitectura central.
Exploramos interfaces inteligentes, experiencias conversacionales y agénticas, sistemas adaptativos y nuevas formas de interacción con datos e información.
Diseñamos y evaluamos prototipos para entender cómo los modelos pueden actuar como interfaz entre personas, información, herramientas y sistemas.
undefined — Interfaces inteligentes
Interfaces que se adaptan y reconfiguran en base a la historia de interacciones del usuario.
Investigamos interfaces que se modifican en base al uso, optimizando la experiencia del usuario a partir de su historia de interacciones.
Las interfaces tradicionales son estáticas: presentan las mismas opciones, el mismo orden y la misma estructura a todos los usuarios, sin importar su contexto, sus preferencias o las tareas que hayan realizado. Proponemos un enfoque distinto: interfaces capaces de aprender de la interacción sostenida y reconfigurarse para anticipar necesidades, reducir fricción y adaptarse a diferentes formas de uso.
Esto implica desarrollar modelos y mecanismos capaces de inferir patrones de comportamiento a partir de la historia de interacciones, predecir qué acciones o información serán relevantes en cada momento, y ajustar dinámicamente la estructura, el orden y la presentación de la interfaz sin sacrificar control, previsibilidad ni agencia del usuario.
undefined — Transcripción y análisis de audio
La sobreinterpretación en sistemas de IA, con la transcripción y el análisis de audio como caso principal.
Investigamos la sobreinterpretación en sistemas de IA: la tendencia a completar, inferir o fabricar contenido que no puede justificarse con la evidencia disponible. Tomamos la transcripción y el análisis de audio como caso principal, donde el problema se manifiesta con particular severidad.
Los sistemas de transcripción tienden a sobreinterpretar: rellenan silencios, atribuyen hablantes que no se identificaron, parafrasean en lugar de transcribir literalmente, o extraen conclusiones del tono o el contexto que los datos no respaldan. El problema es especialmente grave en audio, donde la evidencia — la señal acústica — no es directamente inspeccionable por el usuario, lo que dificulta verificar la trazabilidad de cada afirmación.
Desarrollamos métodos y prototipos para preservar la trazabilidad de la evidencia sonora, distinguir lo transcrito de lo inferido, representar la incertidumbre sobre segmentos inaudibles o ambiguos, y verificar cada afirmación contra la señal original. Nuestro objetivo es construir sistemas de transcripción y análisis que permitan entender qué se dijo, cómo se sabe, y qué permanece incierto — y, a partir de ese caso, métodos generales contra la sobreinterpretación en otros modos.
Desafíos de la IA actual
Los sistemas de IA son cada vez más capaces, pero todavía existen problemas abiertos sobre cómo construir nuevas capacidades, entrenar y adaptar modelos, evaluar su comportamiento y convertirlos en sistemas útiles y confiables.
La próxima generación de inteligencia artificial no dependerá únicamente de modelos más grandes. También requerirá mejores formas de aprender de datos y experimentos, optimizar modelos para problemas específicos, controlar su comportamiento y diseñar mejores formas de colaboración entre personas e IA.
Cognify nace para trabajar sobre estos problemas.
Misión
Desarrollamos nuevas formas de construir inteligencia, comprender y alinear su comportamiento y ampliar las posibilidades de colaboración entre personas y sistemas de IA.
Desarrollo de modelos de IA
Nos interesa desarrollar modelos de inteligencia artificial que contribuyan a nuevas capacidades en tres áreas:
Data Agents
: Modelos para la búsqueda, extracción e integración de información de múltiples fuentes; razonamiento sobre datos, generación de insights y apoyo a la toma de decisiones.
AI for Science
: Modelos para aprender de datos científicos y experimentales, predecir resultados, explorar espacios de diseño y orientar la experimentación y el descubrimiento.
Socioeconomic Intelligence
: Modelos para analizar dinámicas sociales, económicas, productivas y territoriales; identificar patrones y relaciones, construir escenarios y generar inteligencia para la toma de decisiones.
Del dato al modelo
Nuestro proceso abarca la preparación y estructuración de datos, experimentación con diferentes enfoques, entrenamiento, evaluación, optimización y validación.
Cuando el modelo debe utilizarse fuera del entorno de desarrollo, lo implementamos como API, herramienta o componente de un producto de IA.
Infraestructura de cómputo
Cognify combina infraestructura local para desarrollo, experimentación y prototipado con capacidad de cómputo en la nube bajo demanda para cargas de mayor escala.
Nuestro entorno local incluye GPU NVIDIA RTX, y escalamos a infraestructura GPU especializada cuando los requerimientos de entrenamiento, evaluación o inferencia lo demandan.
Tecnologías
Machine Learning
Deep Learning
Computer Vision
Anomaly Detection
Clustering
Forecasting
Optimization
Neural Networks
Sobre Cognify
Cognify es un laboratorio de IA fundado por Claudio Alessio que desarrolla modelos, tecnologías y métodos para crear sistemas inteligentes más accesibles, capaces, controlables, alineados y colaborativos.
Nuestro trabajo combina investigación y desarrollo para explorar nuevas formas de abordar las capacidades, las arquitecturas y la alineación de la IA.
Qué investigamos y desarrollamos
Nuestro trabajo se organiza en tres áreas de I+D: entrenamiento de modelos de IA, inteligencia de frontera distribuida y alineación de IA. Estas áreas conectan el diseño técnico de los sistemas con la observación de su comportamiento y de sus efectos en la colaboración con las personas.
Uno de nuestros intereses centrales es obtener comportamiento inteligente de frontera en tareas delimitadas a partir de modelos pequeños. Exploramos si, al combinarlos con memoria, herramientas, búsqueda, verificación y mecanismos de control, podemos alcanzar desempeños comparables a los de sistemas de referencia sin concentrar toda la capacidad en los parámetros de un único modelo de gran escala.
Nuestra hipótesis es que la capacidad inteligente depende de la arquitectura completa: cómo se distribuyen las tareas, qué información se recupera, qué operaciones se delegan a herramientas especializadas y cómo se verifican los resultados. Desde esta perspectiva, un modelo pequeño puede formar parte de un sistema con capacidades que no alcanzaría por sí solo.
Construimos prototipos y comparamos su desempeño, costo y robustez en condiciones definidas. Buscamos identificar cuándo esta organización permite acercarse a la frontera con menos recursos y cuáles son sus límites. No suponemos que los modelos pequeños sustituyan a los grandes en cualquier tarea: investigamos dónde y bajo qué condiciones una arquitectura bien diseñada puede marcar la diferencia.
Cómo entendemos la alineación y la agencia
Para Cognify, estudiar la alineación implica observar cómo se comporta un sistema en un contexto concreto y a lo largo de interacciones sostenidas. Los benchmarks aportan información, pero no reemplazan el análisis de las interfaces, las herramientas, las políticas y las decisiones de delegación que intervienen durante el uso real.
La agencia humana ocupa un lugar central en este enfoque: buscamos preservar la comprensión, el juicio, la capacidad de cuestionar y la responsabilidad sobre las decisiones. Evaluamos cómo un asistente puede ayudar a explorar alternativas y actuar sin fomentar una aceptación acrítica de sus respuestas.
Trabajá con nosotros
Cognify desarrolla investigación, prototipos y productos en inteligencia artificial.
Trabajamos con organizaciones que buscan aplicar IA a problemas reales: desde el desarrollo de modelos y productos hasta la evaluación de sistemas y la implementación de pilotos. Si tenés un desafío donde la IA puede marcar la diferencia, conversemos.
Bitácora
Registro abierto de experimentos, notas e intercambios con modelos de IA.
Cognify
Cognify is an R&D lab in artificial intelligence and data that works with technology companies and information-intensive organizations to research, develop, and evaluate new AI capabilities.
Our work is organized around four R&D areas:
Research areas
01 — AI model training
We develop and train artificial intelligence models to create new capabilities over data and information.
We work with scientific, industrial, and organizational data to develop models capable of analyzing, classifying, predicting, extracting, and connecting information, and turning it into useful capabilities for AI systems and products.
We address the full cycle: from building and curating datasets to training, evaluating, and deploying models through APIs, tools, and products.
02 — Distributed frontier intelligence
It is possible to achieve frontier capabilities or frontier intelligent behavior in well-defined tasks through relatively small models combined with memory, tools, search, verification, and control mechanisms.
Not every relevant capability needs to be concentrated in the parameters of a single large-scale model.
We investigate new distributed system architectures and develop functional prototypes, agents, and capability APIs (skills) to test this hypothesis.
Cognify Agent Studio
A platform for designing, running, and evaluating verifiable agents by combining models, tools, memory, and explicit control.
Verifiable agents
Traceability
Local and hybrid execution
Cognify Agent Studio puts this research into practice: a platform for designing, running, and evaluating verifiable agents that work with documents, the web, and internal processes. It combines local or remote models with deterministic skills, memory, explicit permissions, and verification mechanisms, rather than delegating everything to a single model.
The result is not just an answer, but a traceable execution: which sources were consulted, which tools were used, which calculations or rules were applied, and what evidence supports each conclusion, including its limitations and uncertainties.
The platform rests on three principles: composed capability, combining models, memory, tools, and verification; control and traceability, making permissions and sources explicit; and learning through use, evaluating and comparing executions to measure accuracy, failures, cost, and behavioral patterns.
Agent Studio is the first expression of a broader platform: Cognify Agent Studio for designing and operating verifiable agents, Cognify Runtime for running them in local or hybrid environments, and Cognify Eval for measuring their performance, traceability, and behavior in use. Our goal is useful, adaptable, and auditable AI, with the freedom to choose models and providers based on cost, privacy, capability, and infrastructure, without depending on a single API.
Capability and efficiency evaluation
A study using tiny tic-tac-toe policies to explore the minimum complexity needed to achieve verifiable competence in a well-defined task.
Capability and efficiency
Tic-tac-toe
Cognify Eval
We investigate the minimum level of complexity a system needs to achieve verifiable competence in a well-defined task. As an initial case, we trained tiny policies to play tic-tac-toe and conducted a capacity sweep: varying parameter counts while keeping the training environment comparable to evaluate when consistent competence emerges.
Tic-tac-toe offers deterministic rules, a finite state space, and an optimal policy against which performance can be verified. This lets us ask how many parameters a specific capability really requires when the environment, memory, representation, and evaluation are well designed.
We measure parameter counts; win, draw, and loss rates; robustness on unseen positions; training and inference times; stability across random seeds; and distance from an optimal policy.
This work is a first step toward Cognify Eval: infrastructure for measuring when a system achieves a verifiable capability, how much it costs to obtain, and which architectural components explain the improvement. Rather than dismissing the value of large models, we aim to experimentally test whether, for well-defined tasks, competence can depend more on the overall system architecture than on accumulating parameters.
03 — AI Reliability
Evaluating and improving the reliability of AI systems that analyze data, retrieve information, and generate knowledge.
We investigate how to evaluate and improve the reliability of AI systems used to analyze data, retrieve information, and generate knowledge.
We study errors, hallucinations, overconfidence, and loss of traceability, and develop methods to evaluate results, verify claims, represent uncertainty, and preserve the relationship between responses and evidence.
04 — AI-Native Products
New ways of designing products where AI is part of the core architecture.
We investigate and experiment with new ways of designing products in which artificial intelligence is part of the core architecture.
We explore intelligent interfaces, conversational and agentic experiences, adaptive systems, and new forms of interaction with data and information.
We design and evaluate prototypes to understand how models can act as an interface between people, information, tools, and systems.
undefined — Intelligent Interfaces
Interfaces that adapt and reconfigure themselves based on the user’s interaction history.
We investigate interfaces that modify themselves based on use, optimizing the user experience from their interaction history.
Traditional interfaces are static: they present the same options, the same order, and the same structure to all users, regardless of their context, preferences, or the tasks they have performed. We propose a different approach: interfaces capable of learning from sustained interaction and reconfiguring themselves to anticipate needs, reduce friction, and adapt to different patterns of use.
This involves developing models and mechanisms capable of inferring behavior patterns from interaction history, predicting which actions or information will be relevant at each moment, and dynamically adjusting the structure, order, and presentation of the interface without sacrificing user control, predictability, or agency.
undefined — Audio transcription and analysis
Overinterpretation in AI systems, with transcription and audio analysis as the primary case.
We investigate overinterpretation in AI systems: the tendency to complete, infer, or fabricate content that cannot be justified with the available evidence. We take transcription and audio analysis as the primary case, where the problem manifests with particular severity.
Transcription systems tend to overinterpret: they fill silences, attribute speakers that were not identified, paraphrase instead of transcribing literally, or draw conclusions from tone or context that the data does not support. The problem is especially severe in audio, where the evidence — the acoustic signal — is not directly inspectable by the user, making it difficult to verify the traceability of each claim.
We develop methods and prototypes to preserve the traceability of sonic evidence, distinguish what was transcribed from what was inferred, represent uncertainty over inaudible or ambiguous segments, and verify each claim against the original signal. Our goal is to build transcription and analysis systems that allow understanding what was said, how it is known, and what remains uncertain — and, from that case, general methods against overinterpretation in other modalities.
Current Challenges in AI
AI systems are becoming increasingly capable, but open problems remain about how to build new capabilities, train and adapt models, evaluate their behavior, and turn them into useful and trustworthy systems.
The next generation of artificial intelligence will depend not only on larger models. It will also require better ways to learn from data and experiments, optimize models for specific problems, control their behavior, and design better forms of collaboration between people and AI.
Cognify was founded to work on these problems.
Mission
We develop new ways to build intelligence, understand and align its behavior, and expand the possibilities for collaboration between people and AI systems.
AI model development
We are interested in developing artificial intelligence models that contribute to new capabilities in three areas:
Data Agents
: Models for searching, extracting, and integrating information from multiple sources; reasoning over data, generating insights, and supporting decision-making.
AI for Science
: Models for learning from scientific and experimental data, predicting outcomes, exploring design spaces, and guiding experimentation and discovery.
Socioeconomic Intelligence
: Models for analyzing social, economic, productive, and territorial dynamics; identifying patterns and relationships, building scenarios, and generating intelligence for decision-making.
From data to model
Our process covers data preparation and structuring, experimentation with different approaches, training, evaluation, optimization, and validation.
When the model must be used outside the development environment, we implement it as an API, tool, or component of an AI product.
Compute infrastructure
Cognify combines local infrastructure for development, experimentation, and prototyping with on-demand cloud compute capacity for larger-scale workloads.
Our local environment includes NVIDIA RTX GPUs, and we scale to specialized GPU infrastructure when training, evaluation, or inference requirements demand it.
Technologies
Machine Learning
Deep Learning
Computer Vision
Anomaly Detection
Clustering
Forecasting
Optimization
Neural Networks
About Cognify
Cognify is an AI lab founded by Claudio Alessio that develops models, technologies, and methods to build intelligent systems that are more accessible, capable, controllable, aligned, and collaborative.
Our work combines research and development to explore new approaches to AI capabilities, architectures, and alignment.
What we research and develop
Our work is organized around three R&D areas: AI model training, distributed frontier intelligence, and AI alignment. These areas connect the technical design of systems with observations of their behavior and their effects on collaboration with people.
One of our central interests is achieving frontier-level intelligent behavior on well-defined tasks using small models. We explore whether combining them with memory, tools, search, verification, and control mechanisms can deliver performance comparable to reference systems without concentrating all capability in the parameters of a single large-scale model.
Our hypothesis is that intelligent capability depends on the entire architecture: how tasks are distributed, what information is retrieved, which operations are delegated to specialized tools, and how results are verified. From this perspective, a small model can be part of a system with capabilities it could not achieve on its own.
We build prototypes and compare their performance, cost, and robustness under defined conditions. We aim to identify when this organization can approach the frontier with fewer resources and where its limits lie. We do not assume that small models can replace large ones in every task: we investigate where and under what conditions a well-designed architecture can make the difference.
How we understand alignment and agency
For Cognify, studying alignment means observing how a system behaves in a specific context and over sustained interactions. Benchmarks provide information, but they do not replace the analysis of interfaces, tools, policies, and delegation decisions involved in real-world use.
Human agency is central to this approach: we seek to preserve understanding, judgment, the ability to question, and responsibility for decisions. We evaluate how an assistant can help people explore alternatives and act without encouraging uncritical acceptance of its responses.
Work with us
Cognify develops research, prototypes, and products in artificial intelligence.
We work with organizations looking to apply AI to real problems: from model and product development to system evaluation and pilot implementation. If you have a challenge where AI can make a difference, let’s talk.
Logbook
Open record of experiments, notes, and exchanges with IA models.
