Cognify es un laboratorio de IA que desarrolla modelos, tecnologías y métodos para crear sistemas inteligentes más accesibles, capaces, controlables, alineados y colaborativos.
Nuestro trabajo se organiza en tres áreas de I+D:
Modelos de inteligencia artificial para problemas específicos.
Desarrollamos modelos de inteligencia artificial para problemas específicos, a partir de datos científicos, industriales y organizacionales.
Trabajamos con distintas familias de modelos y métodos de aprendizaje para predecir, clasificar, detectar anomalías, descubrir patrones, optimizar procesos y asistir decisiones.
Diseñamos el proceso completo, desde la preparación de datos, selección y entrenamiento de modelos, evaluación y optimización, hasta su implementación como APIs, herramientas y productos de IA.
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.
Una plataforma para diseñar, ejecutar y evaluar agentes verificables, combinando modelos, herramientas, memoria y control explícito.
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.
Un estudio con políticas diminutas para tres en raya que explora la complejidad mínima necesaria para alcanzar competencia verificable en una tarea delimitada.
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.
Comprender, medir y alinear el comportamiento de la IA, y preservar y ampliar la agencia humana.
Investigamos cómo entender, medir y alinear el comportamiento de los sistemas de inteligencia artificial cuando operan en contextos reales, y cómo diseñar sistemas que preserven y amplíen la agencia humana.
Nuestro trabajo se organiza en tres líneas: evaluación ecológica de la alineación, alineación epistémica y agencia humana.
Comprender el comportamiento de la IA allí donde realmente opera.
La alineación de un sistema no se agota en benchmarks ni en evaluaciones previas al despliegue.
Estudiamos cómo se comportan los sistemas de IA dentro de productos reales, mediados por usuarios, interfaces, memoria, herramientas, políticas y contextos específicos. Analizamos trayectorias de interacción sostenidas para identificar patrones de comportamiento, variaciones y condiciones bajo las cuales emergen desajustes.
Como parte de este trabajo desarrollamos perfiles de alineación, i.e. caracterizaciones empíricas de qué comportamientos permanecen estables, cuáles varían y bajo qué condiciones aparecen, se intensifican o desaparecen.
A partir de esta evidencia desarrollamos métodos, métricas y herramientas para evaluar y auditar continuamente sistemas de IA desplegados.
Evidencia, incertidumbre y trazabilidad del conocimiento que comunica un sistema.
Investigamos el desajuste entre lo que un sistema de IA comunica como conocimiento y aquello que puede justificar mediante evidencia, inferencia o procedimientos verificables.
Estudiamos cómo fenómenos como la sobreconfianza, las alucinaciones, la falsa certeza y el pseudoanálisis interactúan con el uso humano y pueden producir decisiones pseudo-informadas, i.e. decisiones que aparentan estar respaldadas por análisis o evidencia que el sistema no puede sostener adecuadamente.
Desarrollamos métodos y prototipos para representar incertidumbre, preservar la trazabilidad de la evidencia, distinguir datos de inferencias y recomendaciones, verificar afirmaciones y cuestionar supuestos mediante mecanismos de crítica basados en evidencia.
Nuestro objetivo es construir sistemas que permitan comprender qué sabemos, cómo lo sabemos, qué estamos infiriendo y qué permanece incierto.
Sistemas que aumentan la capacidad de comprender, decidir y actuar.
Un sistema de IA puede ampliar o contraer la agencia de una persona.
Estudiamos cómo la interacción sostenida con sistemas de IA afecta el juicio, el cuestionamiento, la autonomía y la delegación cognitiva, y cómo fenómenos como la complacencia, la dependencia o la aceptación acrítica pueden emerger a lo largo del tiempo.
Investigamos mecanismos capaces de detectar estas dinámicas e introducir fricción cognitiva útil cuando sea necesario, promoviendo la exploración de alternativas, el cuestionamiento de supuestos y la deliberación humana sin deteriorar innecesariamente la utilidad del sistema.
Desarrollamos patrones, componentes y prototipos para asistentes y agentes que no sustituyan el juicio humano, sino que aumenten la capacidad de las personas para comprender, decidir y actuar junto con sistemas inteligentes.
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.
Combinamos investigación y desarrollo, formulamos hipótesis, estudiamos, desarrollamos y entrenamos modelos, construimos prototipos, los evaluamos y convertimos lo que aprendemos en métodos, tecnologías y productos de inteligencia artificial.
Desarrollamos nuevas formas de construir inteligencia, comprender y alinear su comportamiento y ampliar las posibilidades de colaboración entre personas y sistemas de IA.
Desarrollamos modelos de inteligencia artificial para problemas específicos de ciencia, industria y organizaciones.
Diseñamos, entrenamos y evaluamos modelos a partir de datos experimentales, operacionales o propios, seleccionando los métodos y arquitecturas adecuados para cada problema.
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.
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.
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.
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.
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.
Cognify desarrolla investigación, prototipos y productos en inteligencia artificial.
Buscamos organizaciones, investigadores y partners interesados en financiar investigación, desarrollar proyectos conjuntos, probar nuevas tecnologías o desplegar pilotos en contextos reales.
Registro abierto de experimentos, notas e intercambios con modelos de lenguaje.
Cognify is an AI lab that develops models, technologies, and methods to build intelligent systems that are more accessible, capable, controllable, aligned, and collaborative.
Our work is organized around three R&D areas:
We develop artificial intelligence models for specific problems, using scientific, industrial, and organizational data.
We work with different families of models and learning methods to predict, classify, detect anomalies, discover patterns, optimize processes, and assist decisions.
We design the complete process, from data preparation, model selection and training, evaluation and optimization, to their implementation as APIs, tools, and AI products.
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.
A platform for designing, running, and evaluating verifiable agents by combining models, tools, memory, and explicit control.
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.
A study using tiny tic-tac-toe policies to explore the minimum complexity needed to achieve verifiable competence in a well-defined task.
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.
Understanding, measuring, and aligning AI behavior, and preserving and expanding human agency.
We investigate how to understand, measure, and align the behavior of artificial intelligence systems when they operate in real-world contexts, and how to design systems that preserve and expand human agency.
Our work is organized into three lines: ecological evaluation of alignment, epistemic alignment, and human agency.
Understanding AI behavior where it actually operates.
A system’s alignment cannot be fully captured by benchmarks or pre-deployment evaluations.
We study how AI systems behave within real products, mediated by users, interfaces, memory, tools, policies, and specific contexts. We analyze sustained interaction trajectories to identify behavior patterns, variations, and conditions under which misalignments emerge.
As part of this work, we develop alignment profiles, i.e. empirical characterizations of which behaviors remain stable, which vary, and under what conditions they appear, intensify, or disappear.
Based on this evidence, we develop methods, metrics, and tools to continuously evaluate and audit deployed AI systems.
Evidence, uncertainty, and traceability of the knowledge a system communicates.
We investigate the mismatch between what an AI system communicates as knowledge and what it can justify through evidence, inference, or verifiable procedures.
We study how phenomena such as overconfidence, hallucinations, false certainty, and pseudo-analysis interact with human use and can produce pseudo-informed decisions, i.e. decisions that appear to be backed by analysis or evidence that the system cannot adequately support.
We develop methods and prototypes to represent uncertainty, preserve the traceability of evidence, distinguish data from inferences and recommendations, verify claims, and question assumptions through evidence-based critique mechanisms.
Our goal is to build systems that allow us to understand what we know, how we know it, what we are inferring, and what remains uncertain.
Systems that increase the capacity to understand, decide, and act.
An AI system can expand or contract a person’s agency.
We study how sustained interaction with AI systems affects judgment, questioning, autonomy, and cognitive delegation, and how phenomena such as complacency, dependence, or uncritical acceptance can emerge over time.
We investigate mechanisms capable of detecting these dynamics and introducing useful cognitive friction when necessary, promoting the exploration of alternatives, the questioning of assumptions, and human deliberation without unnecessarily degrading the usefulness of the system.
We develop patterns, components, and prototypes for assistants and agents that do not replace human judgment, but instead increase people’s ability to understand, decide, and act alongside intelligent systems.
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.
We combine research and development: we formulate hypotheses, study, develop and train models, build prototypes, evaluate them, and turn what we learn into methods, technologies, and artificial intelligence products.
We develop new ways to build intelligence, understand and align its behavior, and expand the possibilities for collaboration between people and AI systems.
We develop artificial intelligence models for specific problems in science, industry, and organizations.
We design, train, and evaluate models from experimental, operational, or proprietary data, selecting the methods and architectures best suited to each problem.
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.
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.
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.
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.
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.
Cognify develops research, prototypes, and products in artificial intelligence.
We are looking for organizations, researchers, and partners interested in funding research, developing joint projects, testing new technologies, or deploying pilots in real-world contexts.
Open record of experiments, notes, and exchanges with language models.
Southern hemisphere · 31°32′15″ S · 68°32′11″ W