Por qué ChatGPT olvida tu sistema de diseño
No hay un archivo para ello
Los agentes de programación resolvieron la mitad de la disponibilidad de este problema con archivos cargados en cada solicitud. Es por eso que el hecho de que Cursor olvide tu estilo de programación se pueda solucionar generalmente escribiendo un mejor archivo de reglas, y por qué la misma queja sobre que Lovable pierda tu sistema de diseño tiene una respuesta basada en archivos de conocimiento.
ChatGPT no tiene una vía equivalente. Las instrucciones personalizadas son un bloque pequeño y global: útiles para dos o tres reglas permanentes, incorrectas para un inventario de componentes, y se aplican a todo lo que haces independientemente del producto en el que estés trabajando. Un Proyecto mantiene los archivos adjuntos limitados a ese Proyecto, lo cual ayuda hasta que haces una pregunta rápida en un chat normal. And la memoria es de una página o dos. Nada en el producto tiene la forma de un sistema de diseño.
La memoria almacena prosa sobre ti, no datos estructurados sobre tu sistema
Esta es la parte que lo hace peor que la simple ausencia. Desde la reconstrucción de la memoria en junio de 2026, lo que ChatGPT conserva es un resumen sintetizado (un relato de lo que el sistema concluyó, mantenido al día a lo largo del tiempo) en lugar de tus palabras exactas. Las estimaciones de terceros sobre su capacidad rondan las mil palabras o un par de cientos de entradas; OpenAI no publica una cifra, así que considéralas solo como un orden de magnitud.
La síntesis es el equilibrio adecuado para una memoria pequeña que guarda preferencias, y precisamente el incorrecto para un sistema de diseño. Una tabla de tokens se comprime mal. "La escala de espaciado es 4, 8, 12, 20, 32; no hay 16" se convierte en "prefiere un espaciado consistente". La excepción que te importa es exactamente el detalle que la síntesis descarta, y lo que queda es una vibra en lugar de una restricción.
Tus tokens son documentación, no restricciones
Los profesionales de sistemas de diseño que escriben sobre el trabajo asistido por IA en 2026 coinciden en un diagnóstico, y no se trata realmente del modelo: en la mayoría de las organizaciones, los tokens y los contratos de componentes existen como documentación que se espera que los humanos respeten, no como restricciones que algo verifique. Nada en una ventana de chat puede rechazar un resultado por usar un color que no está en la paleta.
Lo que significa que se le pide al modelo que haga el trabajo por memoria y buena voluntad. Incluso un recuerdo perfecto de tu paleta no sería una imposición; sería una sugerencia bien informada, hecha por algo cuyos datos de entrenamiento contienen un millón de otros sistemas de diseño que parecen plausibles.
La desviación ocurre dentro de una sola sesión, no solo entre ellas
El fallo que la gente reporta con más frecuencia es el más confuso: la consistencia se rompe entre dos prompts consecutivos en la misma conversación. El componente que generó al principio del hilo y la variante que genera ahora no coinciden, y nadie le dijo que cambiara nada.
Ese es el problema general del contexto largo que aparece en un lugar específico. La información en medio de una entrada larga se utiliza de manera menos confiable que la que está al principio o al final, el mecanismo detrás de que ChatGPT olvide lo que dijiste antes en la misma conversación. Tu lista de tokens pegada está al principio; para el mensaje cuarenta, está en la posición más débil de la entrada, y el modelo llena el vacío con algo razonable.
Los nombres de tokens inventados son el tipo de error más difícil de detectar
Una API alucinada lanza un error. Un nombre de token alucinado es una cadena de texto. var(--color-brand-600) falla silenciosamente, o recurre a un valor por defecto, o renderiza algo lo suficientemente cercano como para que la revisión lo pase por alto. Los nombres inventados a partir de tu convención de nomenclatura son más peligrosos que los aleatorios, porque se parecen a los tuyos.
Es por esto que los equipos describen la desviación del sistema de diseño como algo que se acumula en lugar de romperse: nada da error, los diffs se ven bien individualmente y, seis semanas después, el producto tiene cuatro estilos de botones.
Lo que la gente intenta
Pegar los tokens y la lista de componentes cada vez. Funciona, y se degrada. Funciona mejor en los primeros tres mensajes de un hilo, y estás pagando por pegar la información en cada tarea. También fomenta hilos más largos, que es donde reside la desviación posicional.
Poner las reglas principales en las instrucciones personalizadas. Es la decisión correcta para un puñado de restricciones fundamentales: la escala de espaciado, la regla de las dos fuentes, "nunca inventar un token". El bloque es pequeño y global, por lo que estás eligiendo qué cinco datos importan más en todo tu trabajo, y esto es real pero parcial. También es distinto de las instrucciones que se configuran pero no surten efecto, lo cual es un fallo diferente.
Un Proyecto con los documentos del sistema de diseño adjuntos. La mejor opción integrada: correctamente delimitada, contiene un documento real en lugar de una paráfrasis. Los límites son que es exclusivo de ChatGPT, que los archivos subidos quedan fuera de contexto en sesiones largas, y que no sirve de nada para la pregunta rápida que haces fuera del Proyecto.
Capturas de pantalla de Figma. Buenas para la intención del diseño, inútiles para los nombres. Una imagen de un botón no le dice la firma de tus props, y definitivamente no le dice cuál de los cuatro botones visualmente similares está obsoleto.
Un GPT personalizado con el sistema integrado. Un paso adelante, pero el mantenimiento es el problema: tu sistema de diseño cambia semanalmente y los archivos del GPT no lo hacen a menos que alguien los actualice. Un sistema desactualizado aplicado con total confianza es peor que no tener ningún sistema.
Conectar la IA a la biblioteca de componentes real. Esta es la dirección que realmente cierra el ciclo, y merece reconocimiento en lugar de una nota al pie: cuando la generación se limita a componentes que existen (a través de una biblioteca sincronizada, un mapeo de estilo code-connect o un servidor MCP de sistema de diseño), el resultado fuera de marca deja de ser una cuestión de memoria. Si tu equipo puede invertir aquí, hazlo. Es más duradero que cualquier cosa que ofrezca una ventana de chat.
El patrón en toda la lista: todo lo que funciona es aplicación de reglas o recuperación. Todo lo que falla es memoria por repetición.
La solución: dale el sistema a ChatGPT y dale la aplicación de reglas a tu pipeline
Divide el problema con honestidad, porque la mitad no es en absoluto un problema de memoria.
La mitad mecánica pertenece a tu compilación. Compila los tokens en el artefacto que consume tu código, de modo que un valor que no esté en el sistema no pueda resolverse. Agrega reglas de linter que rechacen valores hexadecimales puros, espaciados fuera de escala y nombres de tokens desconocidos, y ejecútalas en CI. Mantén la biblioteca de componentes como la única fuente de componentes. Una regla de linter no puede olvidar, no puede ser persuadida por un nombre plausible y no le importa qué tan larga haya sido tu conversación. Cualquier cosa que puedas expresar de esta manera, exprésala así, no en una memoria.
La mitad que no se puede imponer mediante reglas debe ser recuperable. Ningún linter sabe por qué existe la variante de tabla compacta, que el modal antiguo quedó obsoleto después de una auditoría de accesibilidad, que un patrón fue rechazado dos veces por alguna razón, o cuál de dos componentes de aspecto válido es el actual. Ese conocimiento es prosa, cambia y es lo que actualmente estás volviendo a explicar. Debería residir en un almacén que tus asistentes lean en cada solicitud en lugar de en el portapapeles.
MemoryLake es una capa de memoria para esa segunda mitad: los documentos de tu sistema de diseño, definiciones de tokens, obsolescencias y las decisiones detrás de ellos en un solo almacén, legible desde ChatGPT a través de la API y directamente desde herramientas compatibles con MCP como Claude y Codex. Para ser claros sobre el límite: no impone ninguna regla y no es un sistema de diseño. Tu pipeline impone las reglas; esto es lo que hace que el sistema esté disponible y actualizado.
Paso 1: Crea una clave API
Genera una clave y realiza tu primera solicitud en unos 30 segundos. Mantenla en tu entorno o en un gestor de secretos en lugar de pegarla en una ventana de chat.
Paso 2: Sube tus primeras memorias
Arrastra los documentos, imágenes y archivos que actualmente pegas: las definiciones de tokens tal como están definidas realmente, la referencia de la API de componentes, la lista de obsolescencias con fechas, las decisiones de accesibilidad, los patrones rechazados y el porqué. Sube los archivos de origen en lugar de un resumen ordenado; el resumen es donde "no hay un paso de 16px" se convierte en "prefiere un espaciado consistente".
Paso 3: Conecta tu IA y agentes
Dale acceso a la memoria a Claude, Codex, OpenClaw y otros agentes de IA a través de MCP o la API. ChatGPT no tiene un cliente MCP, así que recupera la parte relevante del sistema a través de la API e inyéctala en el prompt, en las instrucciones de un GPT personalizado o en el flujo de trabajo que llama al modelo. Las herramientas que hablan MCP leen el mismo almacén directamente, lo cual es importante porque el agente que escribe el componente necesita el mismo sistema que el asistente que lo diseña.
Qué cambia esto en la práctica
La primera diferencia es que los nombres de tokens inventados se vuelven raros, y los que se filtran son detectados. La recuperación proporciona los nombres reales al momento de la generación; el linter rechaza cualquier otra cosa al momento del commit. Ninguno de los dos por sí solo es suficiente, y juntos cierran el ciclo.
La segunda es que el hilo ya no necesita ser largo. Cuando el sistema llega con la solicitud, no estás cargando previamente tres mil tokens de paleta esperando que sobrevivan hasta el mensaje cuarenta. Los hilos cortos son donde los modelos son confiables, y no tener que volver a explicar tu contexto es lo que hace que los hilos cortos sean viables.
La tercera es que la obsolescencia finalmente funciona. En este momento, un componente que retiraste el trimestre pasado todavía existe en el mundo del modelo: se parece a tu nomenclatura, apareció en tu base de código y nada lo marca como inactivo. Un registro con una fecha y un estado es lo único que distingue lo actual de lo histórico, y es la misma razón por la que una decisión arquitectónica necesita tener su razón adjunta para seguir siendo vinculante.
Y deja de ser específico de ChatGPT. El sistema de diseño restringe al agente de programación tanto como a la ventana de chat, y un asistente que llega sin el contexto de tu proyecto es el mismo problema en cada herramienta. Un solo almacén, todos los lectores.
Buenas prácticas para la IA y los sistemas de diseño
Aplica reglas a lo mecánico, recupera lo contextual
Los valores, nombres, escalas y límites de los componentes van en los tokens y las reglas de linter. La justificación, obsolescencias, excepciones y patrones rechazados van en un registro recuperable. Equivocarse en esta división en cualquier dirección es la raíz de la mayoría de las frustraciones: los equipos intentan aplicar reglas de linter a la intención, o intentan recordar valores.
Entrega una versión del sistema legible por máquinas
Si tus tokens solo existen en un archivo de Figma y una presentación de diapositivas, cada consumidor (humano o modelo) está adivinando. Un artefacto JSON o CSS generado a partir de la fuente de verdad es lo que hace posible tanto la aplicación de reglas como la recuperación, y es lo que tiene mayor impacto en esta lista.
Marca las obsolescencias con fechas y conserva la entrada antigua
Eliminar un componente retirado de tus documentos destruye tu capacidad para explicar el código que todavía lo utiliza. Márcalo como obsoleto, con fecha y con el nombre del reemplazo. Los sistemas de diseño sin fecha que no coinciden con la base de código son peores que uno que dice honestamente "a partir de julio".
Mantén el conjunto que siempre se carga limitado a restricciones estrictas
Cualquier cosa que inyectes en cada solicitud debe consistir en las reglas que hacen que un resultado sea incorrecto, no simplemente poco idiomático: la escala de espaciado, la paleta, "nunca inventar un nombre de token". La referencia completa de componentes pertenece a la recuperación. Un muro de historial del sistema de diseño frente a cada pregunta desplaza la pregunta misma.
Pide que te devuelva los nombres antes de pedir el código
Para cualquier cosa sustancial, haz que el modelo indique qué tokens y componentes planea usar, verifica esa lista y luego déjalo generar. Es una revisión de treinta segundos de cinco nombres en lugar de una lectura atenta de noventa líneas de CSS, y detecta específicamente el fallo de nombres plausibles.
No dejes que la IA defina el sistema
El atajo tentador es pedirle al modelo que proponga los tokens y luego tratar su resultado como canon. Así es como terminas con un sistema que nadie decidió. El modelo es un consumidor de tu sistema de diseño, no un autor del mismo.
Conclusión
ChatGPT olvida tu sistema de diseño porque no hay ningún lugar en el producto para que viva un sistema de diseño. Sin archivo de reglas, instrucciones personalizadas globales limitadas, archivos con alcance de Proyecto y una memoria que almacena una página sintetizada sobre tus preferencias en lugar de una tabla de tokens. Además de eso, los tokens en la mayoría de las organizaciones son documentación en lugar de restricciones, por lo que incluso un recuerdo perfecto sería solo una sugerencia bien informada.
La solución tiene dos caras y ninguna de las dos es opcional. Compila tus tokens, aplica reglas de linter a las infracciones y limita la generación a los componentes que existen, porque una regla de linter no puede olvidar. Luego, coloca la parte que ningún linter puede expresar (las razones, las obsolescencias, las excepciones, los patrones que ya rechazaste) en un almacén que tus asistentes lean en cada solicitud. Así, la paleta deja de ser algo que pegas y comienza a ser algo que el sistema conoce.