La pregunta que casi nadie hace en voz alta ya no es si la IA entra a la universidad. Entró hace rato.

Es otra: ¿esta herramienta va a pensar por el estudiante, o lo va a enseñar a pensar?

La misma IA puede hacer las dos cosas. Puede entregar la respuesta y ahorrarle esa fricción donde de verdad se aprende. O puede devolverle la pregunta, sostenerlo un rato más en la duda, y potenciar lo que ya es capaz de hacer.

La diferencia no la pone la herramienta. La pone cómo se administra.

El año pasado un estudio prendió la alarma: los jóvenes que más se apoyan en la IA tienden a puntuar más bajo en pensamiento crítico. La sensación de saber, sin el saber. Pero este año otros mostraron el otro lado: cuando los estudiantes piensan primero y consultan la IA después, el efecto se invierte. La máquina nunca fue el problema. Confundimos tener la respuesta con haber entendido.

Un buen jardinero no le pega las hojas al árbol. Prepara la tierra, cuida la luz, y deja que el árbol se vuelva lo que ya podía ser. Una IA bien administrada se parece más a eso que a una fábrica de respuestas. Le pone al talento mejores condiciones para crecer.

Eso es lo que está en juego, y no solo en un campus. Podemos repartir la tecnología más avanzada del planeta y no transformar nada. O podemos administrarla con criterio, y darle mejor tierra al talento que ya está sentado en el salón.

No busco una IA que piense por mis estudiantes. Busco una que los devuelva pensando mejor de lo que entraron.

Hoy llevo esto a una reunión. Mañana lo seguimos construyendo.

P.D. — para ir a las fuentes.

La escena de esta semana:

• Singapur, NUS · ScholAIstic, que guía con preguntas en vez de dar la respuesta

• Sídney, Cogniti · profesores en el “asiento del conductor”, ya en Leiden con unos 2.000 estudiantes

• Argentina, U. Nacional de Chilecito · ÑamChat, que acompaña trayectorias estudiantiles → https://www.undec.edu.ar/la-undec-presento-oficialmente-namchat-su-asistente-virtual-inteligente-para-acompanar-las-trayectorias-estudiantiles/

Los estudios, los dos lados:

• La alarma — Michael Gerlich, revista Societies (2025): el uso intensivo de IA correlaciona con menor pensamiento crítico

• El otro lado, creatividad — Wong y Qiu, Educational Psychology Review (2026): “pensar primero, ChatGPT después” sostiene la creatividad cuando se retira la IA; el uso libre la deja caer → https://link.springer.com/article/10.1007/s10648-026-10118-7

• El otro lado, criterio — estudio en CHI 2026, vía Science News: consultar la IA después de trabajar el problema mejora el pensamiento crítico

Son dos cosas distintas (creatividad en uno, criterio en el otro). El hilo que las une no es la herramienta: es pensar primero.

Esta semana no llegó una señal. Llegaron tres.

Una IA que mejora por su cuenta una reacción difícil de química medicinal. Robots que aprenden a moverse entrenándose a sí mismos con agentes de código. Y la confirmación de que Claude ya contribuye, de forma medible, a su propio desarrollo. La mejora auto-recursiva todavía no construye a su sucesor. Pero ya dejó de ser teoría.

Lo más extraño es que no la leo desde afuera. La vivo.

Hoy el grueso de mi código lo escribe la máquina. Hace un año programaba con un asistente al lado. Hace unos meses, mi trabajo era darle instrucciones precisas. Ahora ni siquiera eso: lo que escribo son los loops, los bucles de trabajo que dirigen a la máquina mientras yo decido qué vale la pena hacer.

No soy el único que lo describe así. El creador de OpenClaw lo dijo sin rodeos hace unos días: ya no deberías estar escribiéndole instrucciones a un agente. Deberías estar diseñando los loops que le escriben las instrucciones.

Boris Cherny, el ingeniero que construyó la herramienta con la que trabajo, lo confirma desde adentro: desinstaló su editor de código porque llevaba un mes sin abrirlo. El oficio del ingeniero dejó de ser teclear y se volvió dirigir un equipo que no duerme.

Es fácil leer esto como el final de algo.

Hasta Cherny admite que el buen gusto, esa última ventaja que nos quedaba, quizá también se vaya.

Sin embargo. La propia Anthropic, al describir su máquina que se mejora sola, nombra la grieta que no se cierra: lo que la IA todavía no hace es elegir qué metas valen la pena. Los humanos todavía suministran el objetivo. Las máquinas pueden calcular qué es posible; seguimos siendo nosotros quienes decidimos qué vale la pena calcular.

El método se automatiza. La meta, no.

Ahí vive la inteligencia artesanal: saber cuál vale la pena escribir. Eso no lo resuelve ningún loop.

¿Qué pasaría si, en vez de competir con la máquina por el método, nos jugáramos lo humano en la meta?

P.D. Esta pieza es la continuación de Señales, no predicciones

Para quien quiera expandir la lectura, las fuentes de esta semana:

• Anthropic sobre mejora recursiva, donde nombra que los humanos suministran la meta pero ya no necesitan suministrar el método.

• OpenAI sobre la IA químico que mejoró una reacción de química medicinal por su cuenta.

• Nvidia sobre robots que se entrenan a sí mismos con agentes de código, vía The Decoder (17 jun 2026).*

• Peter Steinberger, creador de OpenClaw, en Twitter (7 jun 2026): «Ya no deberías estar escribiéndole instrucciones a un agente. Deberías estar diseñando los loops que le escriben las instrucciones.»

• Boris Cherny, creador de Claude Code, en Acquired Unplugged

Casi todos los demás siguen en otra conversación: cómo regularla.

Regular algo que avanza de forma exponencial tiene una trampa silenciosa. Para cuando la norma se firma, el modelo que la inspiró ya pasó. Legislamos sobre lo que entendíamos ayer, justo cuando lo de mañana ya entró por la puerta. La regulación mira el retrovisor con mucha seriedad.

Colombia ha avanzado. Tiene su política nacional de IA, una hoja de ruta, y hace unas semanas lanzó modelos fundacionales propios: Bachué para la salud, Chiminigagua para el ambiente, entrenados con datos nuestros. Hay voluntad de construir hacia adentro.

Pero construir hacia una certeza no es lo mismo que entrenarse contra la incertidumbre.

Llevamos tiempo haciéndonos estas preguntas con los pies en el territorio. En Imaginar Futuros, en EAFIT, trabajamos los futuros plausibles para Medellín según las decisiones que tomemos hoy. Es futuro propio, anclado en lo que la ciudad ya sabe hacer.

¿Qué pasaría si lo lleváramos a escala de país? Nuestros propios cinco futuros de la inteligencia artificial, construidos para que ninguno nos tome desprevenidos.

Diseñar escenarios no es un lujo de país rico. Es la forma más barata de tener agencia: pensar el futuro en voz propia, antes de que llegue.

Los futuros de Colombia no se importan de un reporte ajeno. Se diseñan aquí.

¿Cuáles cinco imaginaríamos juntos?

Para quien quiera profundizar

El documento es AI Scenarios 2030, publicado el 15 de junio de 2026 por el Government Office for Science del Reino Unido junto al AI Security Institute. Los cinco escenarios: Slow Burn, Open Frontier, Augmented Growth, Transformation Economy y Take-Off.

Se construyeron con Análisis Morfológico General. El propio documento lo aclara: no son predicciones. Son una herramienta para navegar la incertidumbre sin apostar por un solo futuro.

El Reino Unido no está solo en esto. El FMI hizo un ejercicio similar sobre IA y economía en abril de 2026; Filipinas adoptó PAGTANAW 2050 como plan nacional en marzo; Singapur, Finlandia y Dubái tienen unidades de futuros consolidadas desde hace años.

En Colombia, la Política Nacional de IA (CONPES 4144) lleva en vigor desde enero de 2026. Los modelos fundacionales (Bachué para salud, Chiminigagua para ambiente y bioeconomía) los lanzaron MinTIC y Findeter el 22 de mayo, entrenados con datos colombianos.

La referencia a Medellín se apoya en el trabajo de Imaginar Futuros / EAFIT: futuros plausibles del Distrito de Ciencia, Tecnología e Innovación al 2036, según las decisiones que se tomen entre 2026 y 2028.

No es el único que lo mira con cuidado. Un informe de la Universidad de Elon le preguntó a cientos de expertos hacia dónde vamos, y dejó una advertencia incómoda: a fuerza de delegar en la IA, podríamos estar perdiendo la capacidad de razonar y juzgar por nuestra cuenta. Un futurista le puso nombre al síntoma: superestupidez.

Es fácil leer todo esto con miedo.

Hay otra forma de mirarlo.

El criterio funciona como un músculo. Crece con el uso y se atrofia con el abandono.

Quién gana esa pelea depende de nosotros, de cómo usemos la máquina.

Si le entregamos cada decisión sin mirar, el músculo se apaga. Si elegimos la fricción a propósito (pensar antes de preguntar, escribir el borrador antes de pedir sugerencias), cada conversación con la máquina se vuelve una repetición más.

Lo dice hasta quien enciende la alarma: ese mismo estudio propone diseñar con cabeza y ejercitar el razonamiento que nos hace humanos.

Porque cuando la ejecución se vuelve abundante, lo escaso cambia de lugar. Saber hacer deja de ser raro. Saber qué vale la pena, para quién y por qué, se vuelve lo más valioso que tenemos. Y lo más humano.

¿Qué pasaría si cada conversación con la máquina nos dejara con un poco más de criterio que el que teníamos?

El criterio se entrena, repetición tras repetición. Y nunca tuvimos tanto con qué entrenarlo.

Para quien quiera seguir leyendo:

• “Superestupidez” es un concepto del futurista Roger Spitz (Disruptive Futures Institute), recogido en el informe Building a Human Resilience Infrastructure for the AI Age del Imagining the Digital Future Center (Universidad de Elon, dir. Lee Rainie, abril 2026; 386 expertos, 160+ ensayos). La co-autora Janna Anderson advierte de una “reasignación acumulativa de la agencia humana” que debilita el juicio y la rendición de cuentas.

• Ethan Mollick reflexionó sobre pasar de “mago” a “mecenas” con los modelos nuevos en One Useful Thing (9 jun 2026).

No fue el único caso. EY retiró un informe con datos fabricados. Deloitte le devolvió al gobierno australiano parte de su pago por un reporte con notas al pie fantasma y hasta una cita inventada de un fallo judicial.

Las firmas cuyo negocio es decir ‘confíanos tu juicio’ fueron las que no lo ejercieron.

Es fácil leer esto como ‘la IA miente’. Eso ya lo sabíamos. Lo nuevo es más silencioso.

No son solo las grandes firmas. Cualquiera que hace un deep research, o sube sus fuentes a NotebookLM, y asume que el resumen no va a traicionarlo, cae en lo mismo. Que si la herramienta es buena, el resultado viene verificado de fábrica. Como si la herramienta también rindiera cuentas.

No viene.

Cuando producir el primer borrador se volvió casi gratis, el oficio se mudó de lugar. Dejó de estar en generar. Pasó a estar en discernir: revisar, contrastar, decidir qué sirve y qué se devuelve.

A un practicante brillante no le firmarías un informe sin leerlo. Rápido, sí. Útil, sí. Pero se revisa antes de firmar. La IA merece exactamente ese trato. Verificar es parte del proceso, no el reconocimiento de que algo falló. El que firma responde; la máquina no va a la audiencia disciplinaria.

¿Qué pasaría si midiéramos nuestro trabajo no por lo que producimos, sino por lo que somos capaces de verificar antes de ponerle nuestro nombre?

Su razón: un PDF anual era una foto de algo que no se queda quieto. Las empresas lo leían, lo archivaban y volvían a lo de siempre. El reporte terminó siendo una muleta, no un catalizador. Lo que propone ahora son convergencias: una tendencia te dice qué está cambiando; una convergencia, qué se va a volver inevitable.

La vimos en vivo. Pasó en marzo, ya vamos en junio, y apenas estamos actuando.

Esa demora es el punto.

Porque ya nos pasó. Los reportes venían anunciando la IA generativa desde antes de 2022: medios sintéticos, humanos digitales, máquinas que escriben. La señal estaba publicada y subrayada. Nos quedamos quietos. Cuatro años después, muchas organizaciones apenas están ‘empezando a explorar’.

Esta semana apareció otra señal. Anthropic cuenta que Claude ya contribuye, de forma medible, a su propio desarrollo. Todavía no construye a su sucesor, pero la mejora auto-recursiva (que era teoría de ciencia ficción) ya se asoma. La leímos, por cierto, en el radar del equipo de Webb: los mismos que enterraron el reporte anual ahora publican señales todo el año.

Podemos hacer dos cosas con esa noticia.

Tratarla como una foto del presente: leerla, compartirla, archivarla. El funeral de marzo nos mostró cómo termina eso.

O tratarla como un llamado a diseñar, dentro de nuestras organizaciones, los sistemas que leen señales y actúan a tiempo. Un músculo que se entrena cada semana, en vez de un documento que se consulta una vez al año.

Leer señales no es predecir el futuro. Es ganarse el derecho de llegar temprano.

¿Qué pasaría si la próxima señal no nos encuentra quietos?

Lo contó como un fracaso técnico. A mí me sonó a otra cosa.

El criterio no se reparte. El juicio no se decreta. Entregar una licencia de inteligencia artificial no transforma una empresa ni empodera a nadie: la herramienta llega, la capacidad de dirigirla no.

Es como darle un Ferrari de Fórmula 1 a todo el que tenga pase de conducción y después preguntarse por qué ninguno completa una vuelta en Montecarlo. El carro es prodigioso. Falta el piloto. Y el oficio de un piloto no se compra: se entrena.

Sin ese entrenamiento, la IA termina donde terminan tantas iniciativas: en adorno. Una licencia viva en la factura y muerta en el escritorio. Deloitte midió las dos caras de ese abismo este año: el 60% de los ejecutivos ya toman decisiones con IA (Global Human Capital Trends 2026), y aun así el 84% de las organizaciones no ha rediseñado un solo cargo para hacerlo (State of AI in the Enterprise 2026). Compramos el carro y dejamos intacta la pista.

Ahí está el trabajo de verdad, y es incómodo. Rediseñar cómo trabaja la gente para que la máquina amplifique lo que solo el humano puede hacer: el juicio, el contexto, la decisión que tiene nombre y apellido. No distribuir herramientas. Cambiar el cargo.

Eso no cabe en un comunicado de prensa, ni en la frase de moda “human in the loop” cuando el humano sigue haciendo lo mismo de antes con una pestaña más abierta.

¿Qué pasaría si midiéramos la adopción no por licencias entregadas, sino por criterio cultivado?

Andrej Karpathy confesó algo más íntimo: nunca había sentido tanta tentación de dejar de mirar el código.

Vale la pena quedarse en esa frase.

Porque si la máquina ya tiene juicio, ¿qué nos queda?

Aquí ayuda una distinción que solemos saltarnos. El juicio opera dentro de la tarea: cómo resolverla bien, cómo no engañarse, cómo verificar. Eso se está automatizando. Y bienvenido sea.

El criterio opera antes de la tarea: qué vale la pena pedir. Qué problema merece resolverse. Hacia dónde.

La palanca de Arquímedes acaba de volverse más larga que nunca. El software ya sale como agua del grifo: pedimos y aparece. Pero el grifo no decide qué construimos con el agua.

Cuando la ejecución se vuelve abundante, lo escaso cambia de lugar. Ya no es saber hacer. Es saber qué hacer, para quién, y por qué.

El propio Karpathy se corrigió a sí mismo: no hagas esto en producción.

Tampoco dejemos de mirar.

Pasamos de la era de dar instrucciones a la de diseñar buenos objetivos. El criterio ya no es qué decirle a la máquina. Es qué pedirle que logre.

¿Qué pasaría si dejamos que la máquina cargue todo el juicio que pueda cargar, y nos reservamos, con más intención que nunca, el criterio?

Quizás esa sea la división del trabajo que vale la pena diseñar.

Ahora ya no.

Las cuentas de gente que no existe se parecen cada vez más a las de la gente que sí. Posan en restaurantes, viajan a festivales, recomiendan productos. Pasan desapercibidas en el mismo feed donde estamos todos los demás.

Es más, hace poco vi a un emprendedor presentar su plataforma. Estaba feliz.

La herramienta entiende tu marca. Sale a investigar. Rastrea a otras personas en redes, encuentra lo que se está volviendo viral, toma esas ideas prestadas y arma con ellas un video. Cien por ciento generado. Sin nada que decir.

Pero hace rato que jugamos a esto.

Primero fue el maniquí en la vitrina, vestido como nosotros pero inmóvil. Después la foto retocada de la revista, una piel que nadie tiene. Luego el filtro que nos quita diez años en un segundo. La frase ajena que copiamos porque a otro le funcionó.

Cada paso alejó un poco lo real. Y casi no protestamos, porque ya habíamos aceptado el anterior.

Lo que seguíamos tampoco era auténtico. El rostro sin defecto, la vida sin fricción, la opinión medida para gustar. Fabricación, también.

La plataforma del emprendedor no inventó nada. Solo automatizó algo que ya hacíamos a mano.

Cuando lo falso se produce en serie, lo escaso cambia de lugar.

Deja de ser el contenido. De eso hay océanos.

Pasa a ser lo único que ya no sale de una línea de producción: alguien dispuesto a equivocarse en público. Alguien a quien le escribimos y nos responde. Alguien cuyos errores son suyos, y no los de una máquina entrenada para complacernos.

Al final, ¿qué tan falsos somos nosotros?

No fue el que escribió el paper. No fue el que puso el nombre. Fue el que, en 1987, entendió que la información podía vivir en capas, conectada, navegable. Que una tarjeta podía llevar a otra. Que el conocimiento no tiene que ser lineal para tener sentido.

Lo llamó HyperCard.

Tim Berners-Lee construyó el protocolo. Bill Atkinson había construido la intuición.

Construyó QuickDraw, el motor que dibujó cada píxel de la primera Mac. Inventó las marching ants: ese borde animado que todavía pulsa cuando seleccionas algo en Photoshop. Diseñó el lazo de selección libre. Las regiones superpuestas que hacen posibles las ventanas. MacPaint, que sigue siendo el modelo de todo editor de imágenes que abriste hoy.

Vino el Magic Slate: una tablet con pantalla táctil, en 1985. Apple canceló el proyecto. Atkinson cayó en una depresión de meses. Una noche salió de su casa, miró el cielo, y tuvo la idea que se convertiría en HyperCard.

El rechazo se volvió el camino.

El mundo lo alcanzó décadas después.

Después de todo eso, se convirtió en fotógrafo. No de personas ni de ciudades. De piedras. De minerales cortados y pulidos. Superficies que nadie miraba de cerca.

Las miraba él.

Y las hacía visibles.

Ver lo que otros no veían. Encontrar la forma de mostrarlo.

Un año después, seguimos usando su trabajo todos los días. Solo que no sabemos que es suyo.

Cada uno tenía su lógica perfectamente coherente.

El problema no era el egoísmo. Era algo más difícil de nombrar: cada uno tomaba decisiones racionales dentro de su propio marco. Ningún marco incluía al sistema completo.

Lo mismo pasa todos los días en las organizaciones.

El área de TI que bloquea el acceso a herramientas de IA generativa no lo hace por malicia. Lo hace porque su marco es la seguridad, el control, la gobernanza. Dentro de ese marco, la decisión tiene sentido perfecto.

El problema es que mientras protegen ese marco, el resto de la organización espera en el carril equivocado.

El mercado no espera.

La señora de la ventana no negó lo que estaba pasando. Solo decidió no escucharlo. Negar requiere creer que tienes razón. Subir la ventana solo requiere no querer escuchar que no la tienes.

Los marcos que se cierran sobre sí mismos no son estúpidos. Son racionales en exceso.

La pregunta para un CEO no es cómo convencer a TI de que la IA es segura. Esa es la conversación equivocada, en el carril equivocado.

La pregunta es quién puede ver los tres carriles al mismo tiempo y decidir cómo fluye el tráfico.

Porque si nadie tiene esa vista, todos van a seguir siendo perfectamente racionales mientras el sistema colapsa.

El consejo tiene sentido. Hasta cierto punto.

Un PRD bien hecho reduce el trabajo en círculos. Obliga a pensar antes de hacer. Eso es real.

Pero hay algo que se pierde cuando lo convertimos en la única forma de trabajar con IA.

Toyota no inventó el Lean para que los equipos pasaran más tiempo planeando. Lo inventó para que el ciclo entre planear y aprender fuera lo más corto posible. Planear, Hacer, Estudiar, Actuar. No planear, planear más, afinar el plan, revisar el plan.

Hoy, Opus puede ayudarte a pensar un problema en veinte minutos. Sonnet puede implementar en cuarenta. El ciclo entero puede durar una hora.

Sin embargo, el ritual dice: primero el documento de cincuenta páginas.

El problema es usar el PRD como si todavía viviéramos en el mundo donde empezar costaba semanas. Donde una decisión equivocada al inicio era catastrófica porque deshacerla también costaba semanas.

Lo que antes justificaba planear largo ahora puede justificar planear rápido, aprender rápido y ajustar antes de que el error se vuelva caro.

El spec tiene su lugar. Pero no siempre debe ir primero.

¿Cuánto tiempo llevas refinando el plan para algo que todavía no has empezado?

Sí, en Vibe Coding sin mitos defiendo los PRDs. Este post no los cancela, los pone en contexto.

Unos pocos insistimos en lo contrario. Que es una habilidad. Que se practica, todos los días, aunque al principio salga mal.

Pero hasta nosotros, los que decimos que es una habilidad, estamos dejando algo por fuera.

Cuando un niño aprende a montar en bicicleta, la bicicleta lo enseña. Te caes o no te caes. No hay manera de fingirlo. La caída es honesta, y por eso aprendes.

La IA no se cae. La IA aplaude. Le pides cualquier cosa, con el prompt más perezoso, y te devuelve algo competente y presentable. A la primera. Nunca te deja en el piso.

Puedes hacer mil repeticiones. La única habilidad que construyes es pedir el promedio cada vez más rápido.

El correo te enseñaba con fricción. El mensaje rebotaba y tenías que entender por qué. El internet igual: el enlace roto, la herramienta que no hacía lo prometido hasta que la hacías funcionar tú. Cada obstáculo era el profesor.

Con la IA la resistencia desaparece. Y confundimos la comodidad con saber.

La repetición sola no construye criterio. Construye costumbre.

K. Anders Ericsson pasó su vida estudiando qué separa al que mejora del que solo acumula horas. Lo llamó práctica deliberada: trabajar al borde de lo que puedes y corregir cada error que aparece. Necesita resistencia, algo que te diga que todavía no sirve.

Eso es justo lo que la máquina te ahorra.

Así que la fricción tienes que ponerla tú: rechazar la respuesta competente, saber por qué no alcanza. La máquina no la trae.

Mil repeticiones con aplauso garantizado no es práctica. Es entretenimiento.

Esta idea me llegó por un correo del profesor Jeremy Utley, que insiste en que la IA es una habilidad y no una pastilla. Estoy de acuerdo con él. Este texto es lo que creo que incluso esa defensa, la nuestra, deja por fuera. Su post original, "It's a Skill, Not a Pill"

Funciona. Le baja una tilde. Le mete una palabra coloquial. Le rompe el ritmo de las frases para que ninguna salga demasiado perfecta. Le pone la textura de alguien que escribió con prisa.

Nos engaña, porque la superficie ya dejó de ser una huella. Se ajusta. Se controla.

Pero humanizar reescribe palabras. No agrega pensamiento. No verifica un dato. No hace que alguien entienda aquello sobre lo que está escribiendo.

Se nota en cómo reparte las imperfecciones: parejas, decorativas, espolvoreadas como sal. El error humano de verdad no cae parejo. Se amontona donde nos importó. Uno se equivoca rápido en lo que le obsesiona, se alarga, deja un cabo suelto porque asumió que el otro ya venía entendiendo.

La rugosidad fingida no tiene consecuencia. Esa es la pista.

Porque lo único que no se humaniza con una instrucción es si alguien pensó. Para falsificar el pensamiento, hay que pensar. Así que nadie lo falsifica: lo salta.

Un texto puede sonar perfectamente humano y seguir vacío. Nadie entendió el tema. Nadie abrió la fuente. Suena a alguien que sabe, sin que nadie haya sabido.

Por eso la pregunta cambió.

Dejó de ser “¿esto lo escribió una IA?”.

Pasó a ser “¿alguien hizo el trabajo?”.

Lo demás son tildes.

Mejor para quién. Mejor según qué.

Ahí está todo.

El transhumanismo y el posthumanismo no son solo corrientes filosóficas. Son criterios de diseño disfrazados de visión de futuro. Cuando el imaginario dominante dice que el límite humano es un error a corregir, que la fricción es un defecto, que la fragilidad es ineficiencia, ese imaginario termina en los roadmaps. Termina en las features. Termina en la definición de qué es un usuario exitoso.

Cuando el usuario exitoso es el usuario optimizado, los demás dejan de existir como problema a resolver.

Leyendo la encíclica de León XIV esta semana, una frase se me quedó: una cosa es integrar tecnología en una visión humana y relacional. Otra es dejarse guiar por un imaginario que desprecia el límite.

El primero usa la herramienta. El segundo le entrega el criterio.

La diferencia no se ve en la tecnología. Se ve en la pregunta que hacemos antes de construir.

¿Estamos diseñando para el humano real, con su distracción, su cansancio, su contexto incompleto? ¿O para el humano optimizado, el que siempre tiene tiempo, siempre entiende, siempre puede más?

Uno de los dos no existe.

Las organizaciones contrataron un practicante.

Le piden que busque información. Que resuma documentos. Que redacte el primer borrador de cosas que nadie quiere escribir. Las tareas que siempre fueron para alguien con menos experiencia.

La IA lo hace bien. Rápido, sin quejarse, disponible a las dos de la mañana.

El problema no es la herramienta. Es el modelo mental.

Un practicante ejecuta lo que le dicen. No entra a la sala donde se decide la estrategia. No cuestiona si la reunión de planeación tiene las preguntas correctas. No señala que el modelo financiero está construido sobre supuestos que nadie ha revisado en tres años.

Eso no es lo que hacen los practicantes. Es lo que hacen los aliados.

Hay una diferencia enorme entre las dos cosas.

Yo lo hice como ejercicio personal. Conversaciones con Claude como colaborador. No para delegar. Para pensar en voz alta y no quedarme solo con ideas sin forma. Funcionó.

Pocas organizaciones se han hecho esa pregunta: ¿para qué tipo de conversación quiero a la IA en la sala?

Los CEOs que conozco la usan para buscar, resumir y redactar. Pocos la usan para sentarse con ella antes de una decisión difícil. Para diseñar escenarios o cuestionar los supuestos que nadie ha revisado.

Tienen un practicante muy eficiente.

Todavía no tienen un aliado estratégico.

Le llaman “human in the loop”. Pero el loop no pasa por él. Pasa alrededor.

Confundimos supervisión con presencia. Y presencia con criterio.

Un humano que solo aprueba lo que ya decidió el algoritmo no está en el loop. Está en la foto.

El problema no es que falten más personas. Es que sobran gallinas y faltan cerdos.

Andrej construyó una app para fotografiar menús de restaurantes y mostrar imágenes de cada plato.

Funcionaba. Era útil. Resolvía un problema real.

No debería existir.

Porque la versión nueva del mundo no necesita la app. Solo necesitas darle la foto al modelo y pedirle que superponga las imágenes directamente. Sin backend. Sin Vercel. Sin semanas de trabajo.

La app entera era una solución a un problema que ya no existe.

Pero hay un detalle que hace la historia mejor: él la construyó, la terminó, la desplegó. Cuando vio la versión Software 3.0 dijo que le voló la cabeza.

El mismo Karpathy, atrapado en el viejo paradigma. No porque sea mal ingeniero. Sino porque construir dentro del mapa que conocemos es el default.

Ahí está el poder que no estamos viendo.

No es que la IA haga lo mismo más rápido. Es que hay cosas que ahora son posibles que antes simplemente no lo eran. No más rápidas. Posibles.

Un modelo de lenguaje no es un buscador veloz. No es un asistente de escritura. Es un nuevo tipo de computadora que procesa lenguaje, imágenes, contexto, razonamiento, y produce resultados que antes requerían equipos enteros, meses, infraestructura.

El problema es que llegamos a esta nueva computadora con las preguntas de la anterior.

¿Cómo automatizo este flujo? ¿Cómo genero este contenido más rápido?

Preguntas válidas. Pero preguntas del viejo paradigma.

Las preguntas del nuevo son otras: ¿Qué era imposible antes que ahora no lo es? ¿Qué dejé de construir porque no había forma de hacerlo? ¿Qué problema resolví con complejidad porque no existía la inteligencia que lo simplificara?

Karpathy tiene nombre para esto. Pero el nombre importa menos que la implicación: no se trata de acelerar lo que ya hacemos. Se trata de repensar qué hacemos.

Y eso es más difícil. Requiere soltar el mapa que ya funciona y preguntarse si el territorio cambió.

La mayoría no lo hace. No por falta de herramientas. Por exceso de inercia.

¿Cuántas de las cosas que estás construyendo hoy no deberían existir?

“Me siento quedada con la IA.”

No lo decía con vergüenza. Lo decía con honestidad.

Duolingo vivió algo parecido, en público. Luis von Ahn anunció que evaluaría a sus empleados por cuánto usaban IA. Meses después, retrocedió. La gente empezó a usar IA donde no servía, solo para cumplir la métrica.

Von Ahn lo admitió sin rodeos: estábamos midiendo el uso, no el valor.

Eso es lo que pasa cuando la pregunta es “¿cuánto?” en lugar de “¿para qué?”.

Lo más revelador: Von Ahn, que abraza la IA más que casi cualquier otro en su industria, dijo que sus mejores diseñadores hacen cosas que la IA todavía no puede. Sin disculpas. Sin nota de pie.

No es contradicción. Es criterio.

La CEO que me habló esta semana no está atrás. Está haciendo exactamente esa pregunta: no cuánta IA uso, sino dónde me ayuda a crear más valor del que creo hoy.

Esa sensación de estar quedado que me confesó no es el problema. Es la señal. El primer movimiento no es implementar: es explorar. Elegir dos o tres momentos concretos de la semana donde sospechas que la IA podría ayudarte a pensar mejor, decidir más rápido, o crear algo que hoy te cuesta. Solo ahí. Y al final preguntarte no si la usaste más, sino si te fue útil de verdad.

La mayoría de los artículos que comparan Hermes con otros sistemas existen para capturar algoritmos, no para informar. “Hermes destrona a X” es SEO, no análisis.

Hay dos formas de construir un agente. La primera: siempre disponible, siempre desde cero. Cada sesión empieza igual. Como contratar a alguien nuevo cada lunes.

La segunda: un sistema con memoria, con procedimientos que maduran, con contexto que persiste.

La diferencia no es técnica. Es filosófica.

El primer modelo pregunta: ¿qué necesita el usuario ahora? El segundo pregunta algo diferente: ¿qué aprendimos la última vez?

Las organizaciones tienen este mismo dilema hace décadas. Algunas contratan para resolver problemas. Otras construyen capacidad institucional, memoria que sobrevive a la rotación, criterio que no depende de que alguien lo recuerde.

El problema con los sistemas que aprenden es que aprenden mal si nadie cuida lo que aprenden. La memoria sin curaduría se vuelve ruido. Los procedimientos sin revisión se vuelven dogma.

Gobierno no significa control total. Significa que alguien tiene que hacerse responsable de qué entra y qué sale. Qué procedimientos se consolidan y cuáles se descartan. Qué contexto es señal y qué es sesgo que se fue acumulando sin que nadie lo notara.

Eso no lo resuelve el modelo. Lo resuelve quien trabaja con él.

Ese rol (el de quien cuida lo que se aprende) no desaparece con los sistemas de IA. Se vuelve más urgente.

La pregunta no es si usaremos sistemas que aprenden.

La pregunta es quién va a ser responsable de enseñarles.