Hablo bastante de inteligencia artificial.
Hablo de agentes, software, programación, modelos y de cómo estas herramientas están cambiando el trabajo. Pero casi nunca publico el típico tutorial de “cómo usar esta nueva función”, “los mejores prompts” o “cómo configurar una herramienta paso a paso”.
Tampoco hago un video cada vez que una empresa anuncia un modelo.
No es casualidad. Es una decisión consciente sobre el contenido que quiero crear y, cada vez más, sobre cómo creo que deberíamos aprender a relacionarnos con esta tecnología.
Los tutoriales son útiles, pero envejecen muy rápido
La razón más sencilla es que ya existen miles de tutoriales excelentes. Hay canales completos dedicados a probar cada función, modelo, configuración e interfaz nueva.
Yo mismo los consumo. Cuando necesito configurar algo concreto, probablemente busque un tutorial.
Pero producirlos exige investigar la herramienta, probarla, grabar la pantalla, editar y explicar cada paso. Dos semanas después, la interfaz puede haber cambiado, la función puede haber desaparecido o una tarea que necesitaba siete pasos puede resolverse con uno.
Cada actualización exige otro video. Cada herramienta nueva reemplaza parte de la anterior. Como creador, terminás corriendo detrás de una rueda que no deja de girar.
Hay otra pregunta que me interesa más.
No tanto “¿dónde tengo que hacer clic hoy?”, sino “¿qué está cambiando realmente?”.
Las herramientas cambian rápido. Las ideas que existen debajo cambian mucho más lentamente.
Estamos usando una tecnología probabilística con una mentalidad determinista
Durante décadas aprendimos a utilizar computadoras de una forma particular.
Les damos una instrucción y esperamos que la ejecuten. Si repetimos exactamente la misma operación, esperamos exactamente el mismo resultado. Una función recibe ciertos parámetros y devuelve una salida previsible.
De pronto aparece una tecnología diferente.
Podemos enviar el mismo prompt dos veces y recibir respuestas distintas. Un modelo resuelve brillantemente un problema y cinco minutos después falla en uno casi idéntico. Podemos copiar el flujo que alguien mostró en YouTube y obtener otro resultado.
Sin embargo, seguimos buscando el prompt perfecto, el agente perfecto y la configuración que siempre hará exactamente lo que queremos.
Intentamos domesticar una máquina probabilística como si fuera software determinista.
Un tutorial puede enseñar un procedimiento y aportar buenas prácticas. No puede garantizar que siete pasos produzcan siempre la misma salida, porque estos sistemas no funcionan así.
La habilidad que necesitamos, por lo tanto, no es solamente seguir instrucciones.
Seguir una receta no significa aprender a cocinar
Una receta puede indicar cantidades, tiempos y temperaturas exactas. Si la seguimos, probablemente obtengamos el plato esperado.
Pero el conocimiento aparece cuando algo cambia: la masa está demasiado húmeda, el horno calienta distinto, falta un ingrediente o el resultado no se parece al de la foto.
En ese momento descubrimos si memorizamos una secuencia o entendemos lo que estamos haciendo.
Con la IA ocurre algo parecido. Un tutorial muestra el camino feliz. Trabajar realmente con estas herramientas consiste muchas veces en saber qué hacer cuando ese camino no aparece:
- El modelo interpreta mal la tarea.
- La respuesta parece correcta, pero es superficial.
- El agente toma un rumbo inesperado.
- La solución funciona técnicamente, pero parte de una idea equivocada.
- Hace falta aportar contexto, reformular el problema o volver atrás.
Ahí el prompt mágico sirve de poco. Lo que hace falta es criterio.
Preguntar bien es solo la mitad de la habilidad
Desde la aparición de ChatGPT se repite que el futuro pertenece a quienes sepan hacer buenas preguntas.
Es cierto, pero incompleto.
También necesitamos evaluar las respuestas. Para eso hace falta entender, al menos parcialmente, el dominio en el que estamos trabajando.
Puedo pedirle a una IA que diseñe una arquitectura de software. Puede devolver microservicios, colas, bases de datos, cachés y un diagrama lleno de términos convincentes.
¿Es una buena arquitectura o solamente parece una buena arquitectura?
Si no conozco ningún fundamento, quizá no pueda distinguirlas.
Ahí aparece una paradoja importante: la IA puede reducir mucho el conocimiento necesario para producir algo, pero no necesariamente reduce el conocimiento necesario para juzgar si está bien.
Cuanto más convincentes se vuelven las salidas, más importante resulta nuestra capacidad de evaluación.
Los fundamentos no pierden valor
Esto es evidente en programación.
Un agente puede crear componentes, configurar frameworks, escribir pruebas, corregir errores y desplegar una aplicación. Es una ampliación extraordinaria de la capacidad de ejecución.
Pero cuando la arquitectura se vuelve caótica, el modelo de datos está mal pensado, aparece una vulnerabilidad o el sistema crece de manera insostenible, alguien tiene que reconocer el problema.
¿Cómo sé qué corregir si no comprendo qué está fallando? ¿Cómo sé qué pedirle a la herramienta si no puedo evaluar lo que hizo?
Lo mismo ocurre al escribir, investigar, diseñar, estudiar o construir un negocio.
La IA aumenta nuestra capacidad de producir. Los fundamentos nos permiten dirigir esa capacidad.
Por eso no creo que hayan dejado de importar. Probablemente importen más.
Una prótesis de capacidad
Me resulta más útil pensar la IA como una prótesis de capacidad que como una cosa que hace el trabajo por nosotros.
Un telescopio no elige qué debe investigar un astrónomo: amplía lo que puede observar. Una excavadora no decide dónde construir: amplía la fuerza de quien la opera. Una calculadora no define el problema: amplía nuestra capacidad de cálculo.
La IA amplía muchas capacidades a la vez:
- Escribir y programar.
- Investigar y analizar.
- Organizar información.
- Explorar ideas.
- Proponer y comparar soluciones.
Pero la dirección todavía debe venir de nosotros: qué queremos conseguir, qué consideramos bueno, qué restricciones existen, qué debemos verificar y cuándo conviene detenernos.
La IA no elimina nuestro criterio. Lo amplifica.
Si el criterio es bueno, puede multiplicarlo. Si es malo, también.
Estamos haciendo que una tecnología nueva imite nuestro trabajo viejo
Cuando aparece una tecnología nueva, primero solemos usarla como una versión de la anterior.
Los primeros automóviles parecían carruajes sin caballos. Los primeros sitios web se parecían a folletos impresos. Los primeros libros impresos imitaban los manuscritos.
Con la IA hacemos algo parecido.
Tomamos un proceso humano compuesto por los pasos A, B, C, D y E. Después colocamos IA en el paso C o automatizamos B y D.
Es un comienzo razonable, pero quizá la pregunta más importante no sea “¿cómo hago mi trabajo actual con IA?”.
Podría ser esta:
“Si diseñáramos este trabajo desde cero sabiendo que la IA existe, ¿lo haríamos de la misma manera?”
Muchas veces la respuesta será no.
El sistema alrededor del modelo importa
Cuando construimos agentes, solemos rodear el modelo con herramientas, contexto, memoria, permisos, validaciones, reintentos, formatos de salida, presupuestos y límites.
A ese entorno se lo suele llamar harness: el conjunto de controles que vuelve al modelo más útil y predecible.
Esos controles son necesarios. Buena parte del avance de los agentes no proviene solamente de modelos mejores, sino de aprender a construir mejores sistemas alrededor de ellos.
El error sería asumir que el objetivo final consiste en convertir una IA en software tradicional.
Si especificamos cada movimiento posible, reducimos su capacidad de explorar, trabajar con incertidumbre y encontrar caminos que no habíamos anticipado. Necesitamos confiabilidad, pero también preservar aquello que vuelve interesante a la herramienta.
El costo actual condiciona los flujos que diseñamos
Imaginemos por un momento que usar IA fuera casi gratis e instantáneo.
En lugar de pedir una respuesta, podríamos solicitar veinte soluciones, hacer que varios agentes las critiquen, descartar las peores y volver a intentar hasta cumplir criterios claros.
Hoy no trabajamos así todo el tiempo porque la inferencia cuesta dinero, energía, cómputo, latencia y supervisión humana.
Por eso construimos límites y presupuestos. Intentamos obtener el mejor resultado con la menor cantidad razonable de inferencia.
Tiene sentido bajo las restricciones actuales. Pero esas restricciones pueden cambiar.
Quizá dentro de algunos años observemos ciertos flujos actuales como hoy vemos software antiguo obsesionado con ahorrar unos pocos bytes. No estaba mal diseñado: respondía al precio de la memoria de su época.
Muchos métodos que hoy presentamos como reglas de la IA podrían ser solamente adaptaciones temporales al costo actual de utilizarla.
Automatización e inteligencia no son lo mismo
Si puedo especificar exactamente todos los pasos de una tarea, probablemente pueda resolverla con software tradicional:
primero A → después B → si ocurre C, ejecutar D → validar E
Eso es automatización y sigue siendo extremadamente valioso.
La IA se vuelve especialmente interesante cuando no conocemos por completo el recorrido. Podemos describir el estado actual, el objetivo, las restricciones y la forma de reconocer un buen resultado; después permitimos que el sistema encuentre un camino.
Durante décadas, programar significó decirle a una máquina exactamente cómo hacer algo.
Cada vez más, nuestro trabajo puede consistir en decirle qué queremos conseguir, cuáles son los límites y cómo sabremos que terminó bien.
Es un cambio profundo en nuestra relación con las computadoras.
Menos control del camino, más control de los bordes
Dirigir una inteligencia no necesariamente implica especificar todos sus movimientos.
Puede significar diseñar un espacio seguro dentro del cual pueda actuar:
- Este es el objetivo.
- Estas son las restricciones.
- Estas acciones están prohibidas.
- Este es el presupuesto.
- Estos recursos están disponibles.
- Estos criterios determinan si el trabajo terminó.
Después, el sistema conserva cierta libertad para encontrar el recorrido.
Menos control del camino no significa ausencia de control. Significa concentrarlo en los límites, los permisos, la validación y el resultado.
Ese enfoque exige mucho más que un buen prompt. Exige diseñar sistemas y procesos nuevos.
De hacer el trabajo a dirigir sistemas que trabajan
Gran parte de nuestro valor profesional estuvo históricamente en ejecutar: escribir, programar, investigar, analizar y producir.
A medida que sistemas artificiales realizan una parte mayor de esa ejecución, nuestro papel puede desplazarse hacia otro tipo de trabajo:
- Definir correctamente el problema.
- Proporcionar contexto.
- Diseñar restricciones y permisos.
- Elegir herramientas.
- Evaluar resultados.
- Dar feedback y corregir el rumbo.
- Asumir la decisión final.
Para hacerlo bien, memorizar la interfaz de una herramienta particular no alcanza.
Necesitamos fundamentos, pensamiento crítico, comprensión del dominio, capacidad de abstracción y aprendizaje continuo.
El contenido que quiero que sobreviva a la herramienta
Por eso probablemente este espacio siga hablando más de estas ideas que de botones.
Voy a continuar probando herramientas y comentando noticias cuando revelen algo importante. Pero la noticia será muchas veces una puerta de entrada para entender la dirección del cambio.
Si mañana desaparecieran ChatGPT, Claude, Codex o cualquier producto actual, me gustaría que la mayor parte de lo que compartimos todavía sirviera.
No quiero enseñar solamente a usar la herramienta de esta semana.
Me interesa entender cómo trabajamos cuando las herramientas dejan de comportarse como las computadoras que conocíamos.
Quizá el gran cambio no consista en aprender a usar inteligencia artificial.
Consista en inventar una nueva forma de trabajar con ella.
Este artículo desarrolla la decisión editorial detrás del canal y el tipo de aprendizaje sobre IA que quiero explorar. Podés ver el video original en YouTube.