Hace un tiempo que los modelos de OpenAI aparecen, de una forma u otra, en casi todo lo que emprendo.
Los usé para investigar temas que al principio me quedaban enormes. Para resolver preguntas cotidianas que antes habría dejado para después. Para preparar guiones, ideas y assets del canal de YouTube. Para hacer ejercicios de programación, entender código que no conocía y convertir ideas todavía desordenadas en prototipos que realmente funcionaban.
Si miro solamente la lista de resultados, ya me parece muchísimo.
Pero sería una forma bastante pobre de contar la experiencia. Porque lo mejor que me dieron no fue una colección de respuestas, textos o líneas de código. Fue todo lo que aprendí mientras intentaba construir con ellos.
De la curiosidad a algo concreto
Siempre fui curioso. El problema es que la curiosidad, por sí sola, no alcanza. Entre una pregunta y una respuesta útil suele haber libros, papers, conceptos previos, términos que uno todavía no conoce y bastante tiempo para ordenar todo.
La IA redujo muchísimo esa distancia.
Cuando empiezo una investigación, puedo pedirle un mapa inicial del tema, detectar qué conceptos me faltan, comparar explicaciones y encontrar preguntas mejores que las que tenía al comienzo. No reemplaza las fuentes ni decide por mí qué es verdad. De hecho, aprendí bastante rápido que una respuesta segura puede estar equivocada y que siempre hay que revisar aquello que importa.
Pero me permite entrar.
Y entrar cambia todo. Un tema que antes parecía demasiado técnico deja de ser una pared y empieza a verse como una serie de pasos. A veces termino leyendo material que nunca habría encontrado por mi cuenta. Otras veces descubro que mi primera pregunta estaba mal planteada. Incluso cuando la respuesta inicial no sirve, la conversación me ayuda a entender por qué.
Con las preguntas de todos los días pasó algo parecido. Ya no tengo que elegir entre ignorar una duda pequeña o abrir veinte pestañas para resolverla. Puedo explorarla en el momento, pedir una explicación distinta y seguir hasta que realmente la entiendo.
No siento que eso haya reducido mi curiosidad. Al contrario: le quitó fricción.
Crear para YouTube sin esperar a tener todo resuelto
El canal fue uno de los lugares donde más pude experimentar.
Probé guiones, estructuras, títulos, recursos visuales y formatos que iban desde avatares hasta videos sin imagen, casi como si fueran radio. Muchas de esas pruebas fueron imperfectas. Algunas hoy las haría de otra manera. Pero pude hacerlas.
Eso es importante para mí, porque antes una idea podía quedarse semanas en la cabeza esperando que yo supiera escribirla, producirla y presentarla perfectamente. Trabajando con IA, la idea llega mucho antes a una primera versión que puedo mirar, criticar y mejorar.
El modelo no sabe qué quiero decir hasta que yo se lo explico. Tampoco tiene mi experiencia ni mi criterio. Puede escribir algo correcto que no suene a mí, exagerar una conclusión o convertir una reflexión sencilla en un texto demasiado prolijo y sin vida.
Aprender a notar eso también fue parte del proceso.
Con el tiempo empecé a dar mejores indicaciones, pero sobre todo empecé a reconocer mejor mi propia voz. Qué palabras no usaría. Qué afirmación necesita más cuidado. Dónde quiero dejar una duda abierta en lugar de cerrar el tema con una frase perfecta.
De una manera extraña, trabajar con una máquina que puede producir tanto texto me obligó a decidir con más claridad qué parte del texto era verdaderamente mía.
Programar dejó de empezar frente a una pantalla vacía
Con la programación, el cambio fue todavía más visible.
Pude hacer ejercicios, explorar tecnologías que no dominaba, diagnosticar errores y construir prototipos sin tener resuelto de antemano cada detalle técnico. Este mismo sitio, el blog y varias de las ideas que fui probando nacieron de ese tipo de colaboración.
No fue apretar un botón y recibir software terminado.
Tuve que explicar qué quería, tomar decisiones, probar, encontrar cosas que no funcionaban, volver atrás, revisar código y aprender lo suficiente como para distinguir una solución razonable de una que solo parecía convincente. A veces la IA aceleró horas de trabajo. Otras veces me llevó por un camino equivocado y tuve que reconstruir el contexto.
La diferencia es que dejé de estar solo frente a cada bloqueo.
Podía preguntar qué estaba pasando, pedir alternativas, comparar los costos de una decisión o hacer que me explicara una parte del sistema hasta entenderla. Eso no eliminó la necesidad de aprender. Hizo que aprender estuviera integrado al trabajo.
Y cuanto más construía, mejores preguntas podía hacer.
Lo más valioso no fueron las respuestas
Hay una idea bastante seductora alrededor de la IA: que su valor consiste en hacer las cosas por nosotros.
Mi experiencia fue otra. El mayor valor apareció cuando la usé para poder hacer cosas que antes me llevaban demasiado tiempo, me intimidaban o estaban fuera de mi alcance inmediato.
Aprendí a dividir problemas grandes. A separar una necesidad de la primera solución que se me ocurre. A pedir evidencia. A explicitar restricciones. A reconocer incertidumbre. A dar feedback concreto en lugar de decir simplemente “esto no me gusta”. A revisar una respuesta sin asumir que, por estar bien escrita, está bien pensada.
También aprendí que el modelo mejora mucho cuando yo hago mejor mi parte.
Si le entrego una idea vaga, puede devolverme una versión elegante de esa misma vaguedad. Si le doy contexto, criterios y una intención clara, la conversación cambia. No porque exista un prompt mágico, sino porque construir algo con otra inteligencia —humana o artificial— exige aprender a comunicar lo que uno todavía tiene a medio formar.
Por eso no veo estos meses como una historia de delegación. Los veo como un proceso de expansión. Pude investigar más, probar más y terminar más cosas. Y, en el camino, desarrollé capacidades que no tenía cuando empecé.
Cómo elijo entre Sol, Terra y Luna
Durante un tiempo busqué el mejor modelo, como si tuviera que existir uno que sirviera para todo. Ahora la pregunta me parece menos útil.
No necesito siempre el modelo más potente. Necesito que la capacidad del modelo acompañe la dificultad, la ambigüedad y el costo de equivocarse en la tarea que tengo adelante.
Mi regla práctica hoy es esta:
- Si la tarea es importante, difícil o todavía está poco definida, elijo Sol. Es donde pondría una investigación exigente, programación compleja, una decisión con varias implicancias o un trabajo que necesita mucho pulido.
- Para el trabajo normal del día a día, empiezo con Terra. Me sirve para escribir, analizar, ordenar ideas y programar en general, con un equilibrio muy bueno entre profundidad y velocidad.
- Si la tarea está perfectamente definida y priorizo rapidez, uso Luna. Resumir, extraer, clasificar o repetir una operación clara no siempre necesita la herramienta más grande.
La intensidad de razonamiento es otra decisión. Para la mayoría de las tareas, Terra con razonamiento medio me parece un gran punto de partida. Si veo que el problema necesita más profundidad, subo el esfuerzo o paso a Sol. No tiene mucho sentido gastar más tiempo y cómputo cuando la tarea ya está bien resuelta; tampoco tiene sentido ahorrar unos minutos si un error puede obligarme a rehacer todo.
Esta no es una ley ni un benchmark. Es una heurística personal. Además, los modelos cambian y seguramente esta elección también cambie con ellos. Pero me ayuda a dejar de elegir por impulso y empezar a elegir según la forma real del problema.
La documentación oficial de OpenAI propone una distinción parecida: Sol como la opción de mayor capacidad, Terra como el equilibrio entre inteligencia y costo, y Luna para tareas eficientes o de gran volumen. Me parece una buena base, siempre que después cada uno la contraste con su propio trabajo.
Seguir aprendiendo sin entregar el criterio
No quiero convertir esto en una celebración ingenua. Los modelos se equivocan. Inventan. Interpretan mal. A veces producen mucho cuando lo que uno necesitaba era una pregunta honesta. Y cuanto más importante es el resultado, mayor es nuestra responsabilidad de revisarlo.
Aun con esos límites, los resultados que me dieron hasta ahora fueron extraordinariamente buenos.
No solo por la cantidad de cosas que pude producir, sino porque ampliaron lo que me animaba a intentar. Una investigación podía convertirse en un guion. El guion, en un video. Una pregunta técnica, en un ejercicio. Una idea que parecía demasiado grande, en un prototipo. Y cada resultado dejaba conocimiento para el siguiente.
Los modelos no hicieron el recorrido por mí. Pero me permitieron recorrer mucho más terreno.
Quizá esa sea mi recomendación más sincera: no usarlos únicamente para terminar antes. Usarlos para acercarse a preguntas que todavía no sabemos responder, construir algo que hoy no sabemos construir y prestar atención a todo lo que aprendemos mientras lo intentamos.
Porque, al menos en mi experiencia, el mejor resultado no fue un asset, un texto ni una aplicación.
Fue convertirme en alguien capaz de hacer mejores preguntas y llevar más ideas hasta el mundo real.
Referencias
- OpenAI, Guía de modelos GPT-5.6.
- OpenAI, Modelos de texto.