Si la IA ya hace el %80 del trabajo, ¿qué te toca hacer a vos?
Anthropic se metió a mirar 400.000 sesiones reales con Claude Code (su IA que no solo te contesta, sino que se mete en tu computadora y ejecuta) y el 77% de las veces la persona terminaba con algo impecable, que parecía listo. Pero, cuando fueron al detalle, a verificar si eso de verdad andaba, el número se derrumbó al 15%.
¿Qué pasaba en el medio? La herramienta era la misma para todos, así que la diferencia tenía que estar en otro lado: en quién la usaba. Los que conocían en profundidad el tema del que se trataban las tareas eran casi los únicos que lograban un proyecto realmente en condiciones. Los otros caían en el engaño.
Lo que encontraron es que vos tomás el 70% de las decisiones de qué hacer y la IA el 80% sobre cómo hacerlo. Estamos dejando de ejecutar para dirigir y la expertiz en el área de una tarea es nuestro mayor superpoder.
Por eso, un contador, abogado, financiero, etc. que jamás escribió una línea de código, pero que conoce su tema al detalle, le saca a la IA mucho más jugo del que parece. Su reemplazo está mucho más lejos de lo que se ve a simple vista.
Cuanto más rema la IA, más sube el valor de saber para dónde ir.
El cómo ya lo resuelve la máquina sola. El hacia dónde, todavía lo ponés vos.
#IPCC's 2022 #ClimateReport shows heatwaves in Europe will become more frequent, more intense & will last longer.
By 2050, about half of the European population may be exposed to high or very high risk of heat stress during summer.
➡️ https://t.co/FkIviyk5Qp
El padrino de la inteligencia artificial: "Si duermes bien esta noche, puede que no hayas entendido esta conferencia".
Esta conferencia de 47 minutos es lo mejor que he visto sobre inteligencia artificial en los últimos meses.
Definitivamente te ayudará a entender cómo funciona realmente y hacia dónde se dirige.
Geoffrey Hinton construyó las redes neuronales que hay detrás de cada inteligencia artificial actual y luego dejó Google para advertir al mundo sobre ello.
La parte que nadie quería escuchar:
La inteligencia artificial ya está desarrollando habilidades que sus creadores no tenían previstas.
En la mayoría de las tareas cognitivas ya está por delante de nosotros.
La pregunta ya no es si nos superará, sino cuándo.
La única decisión que queda es de qué lado de esa línea te encuentras.
Ahora mismo, la persona promedio abre Claude, escribe algo, obtiene una respuesta y cierra la pestaña.
Creen que están utilizando inteligencia artificial. Quizás estén usando un 10% de ella.
Repasé toda su conferencia y construí conceptos prácticos a partir de lo que estaba describiendo.
La brecha no estará entre las personas que usan inteligencia artificial y las que no.
Estará entre las personas que la entienden y las que no.
Empieza hoy con estos 20 conceptos de inteligencia artificial.
NVIDIA CEO, Jensen Huang:
"Nobody writes prompts anymore. The new job is to write and handle loops."
This is the shift that's going to define the rest of 2026.
53 minutes of pure insight from one of the richest men on earth.
Watch it, then read the full guide on how to actually use loops below.
El director de Claude Code acaba de decir que ya no le escribe prompts a Claude: que su trabajo, hoy, es escribir loops.
Suena raro, porque durante los últimos años la habilidad más cotizada en IA era justamente esa, promptear bien. El tema es que eso te deja atado al ida y vuelta: le pedís algo, te contesta, lo corregís, le volvés a pedir, y te pasás el día llevando de la mano al agente. Por eso, ahora la habilidad es otra: la ingeniería de loops.
Un loop es un sistema que promptea al agente por vos. Le das un solo objetivo y se arregla solo: busca lo que hay que hacer, lo hace, lo revisa, se acuerda de lo que ya terminó y vuelve a arrancar hasta que la cosa está realmente lista. Es la diferencia entre pararte al lado de un empleado dictándole cada paso y darle el objetivo para que se arregle solo.
Todo esto se arma adentro de Claude Code con cinco piezas:
1) La automatización, para que arranque solo y no cuando vos apretás el botón, como el lavavajillas que se enciende de noche sin que estés ahí.
2) Los worktrees, que son varios agentes trabajando a la vez sin chocarse, cada uno en su propio territorio en lugar de pelearse por el mismo pedacito.
3) Las skills, para no tener que explicarle tu proyecto desde cero cada vez, como el empleado con antigüedad.
4) Los conectores, las keys y las contraseñas para que toque de verdad tus herramientas, no solo para que hable de ellas.
5) Finalmente, los sub-agentes, porque el que escribe el código no es el mismo que lo revisa y lo corrige, igual que el cocinero nunca debería ser el que le pone la nota a su propio plato.
Armado así, dejás de tener una herramienta que esperás a usar y empezás a tener algo más parecido a un equipo: empleados trabajando para vos las 24 horas. Lo único que no se delega es saber para dónde mandarlos.
Knowledge is the geometry.
Reasoning is traversal through the geometry.
Intelligence is the acquisition and stabilization of effective trajectories through that geometry.
Two Anthropic engineers have just revealed in 24 minutes all the hidden Claude features that almost nobody knows about.
This video is going to completely change the way you use AI.
Watch it and save it.
Kuantum fiziğindeki en büyük baş ağrısı gözlemci etkisidir bir elektrona bakmadığın sürece o bir olasılık dalgasıdır ama ona baktığın an tek bir noktada belirir yani evren sadece sen ona baktığında render edilir tıpkı şu an oynanan açık dünya oyunlarındaki gibi işlemci gücünden tasarruf etmek için sadece oyuncunun baktığı yön çizilir arkanı döndüğünde orası bir matematiksel potansiyele dönüşür
Şimdi şunu düşün evren neden işlemci tasarrufu yapsın ki eğer her şey rastgele bir patlamanın sonucuysa neden fizik yasaları devasa bir bilgisayarın kaynak yönetimi gibi davranıyor simülasyon teorisi eskiden felsefe bölümlerinin eğlencesiydi ama şimdi teorik fizikçiler evrenin temel yapıtaşlarının madde değil bilgi olduğunu tartışıyor her şey bir bit ve o bitler çok katı kurallara bağlı
Çoğu insan bir mimar fikrini duyunca bizi izleyen bizi test eden birini hayal ediyor ama konuşulan senaryo bu değil mimar var ama bizimle hiç ilgilenmiyor o sadece kusursuz bir fizik motoru yazdı kütleçekimini termodinamiği ve kuantum potansiyelini kodladı sistemi başlattı ve kendi işine döndü
Kısım şu hepimiz o kodun içinde hayatta kalmaya çalışan ve kendi kendine bilinç geliştiren bir anomaliyiz dokunma diye bir şey yok sadece elektromanyetik itim var gerçeklik diye bir şey yok sadece beyninin işlediği veri var ve o mimar muhtemelen bizim varlığımızdan bile haberdar değil biz sadece muazzam bir simülasyonun içindeki çok ilginç bir yan etkisiyiz
Next up in our Gaudí Centenary series, we tell the story of the Church of Colònia Güell, for which Antoni Gaudí's renowned hanging models were first developed, marking the beginnings of parametric design.
https://t.co/IMmOYJR1eP
this Anthropic researcher wrote one of the best articles you can find here on AI research. obviously, Hamming's classic book is highly suggested to learn how to develop a "Research Taste".
🚨 LEE ESTO: Satya Nadella (CEO de Microsoft) acaba de soltar el artículo más importante del año sobre IA y empresa.
Y nadie en España está hablando de ello.
Te lo resumo en español y para tontos 🧶👇
this is f*cking gold
How to build your first AI agent (Full guide)
if I had this a year ago, I would've shipped my first agent in a day instead of 2 weeks
in the right hands, this changes everything:
Noy y Zhang publicaron en Science un experimento con profesionales realizando tareas de escritura: con ChatGPT, el tiempo medio bajó un 40% y la calidad subió un 18%, según evaluadores independientes.
Esto apoya la parte del gráfico donde la “ejecución” se comprime porque producir borradores, emails, informes o textos base requiere menos tiempo humano.
El resultado es un desplazamiento del valor humano hacia la fase de pensamiento: definir mejor el problema, formular hipótesis, elegir criterios, diseñar prompts, evaluar salidas, corregir errores, aportar contexto, cuidar la originalidad y decidir qué merece convertirse en producto final. En ese sentido, “idea” no significa solo inspiración, sino dirección estratégica y juicio editorial.
La IA puede multiplicar la capacidad de producir, pero precisamente por eso aumenta la importancia de saber qué producir, por qué, para quién y con qué estándar.
Fuente: https://t.co/ZUHsB8xEis
Impresionado con Claude Fable 5 (Claude Mythos maniatado):
Ha encontrado bugs en dos proyectos. No críticos pero reales.
Me ha dado el mejor consejo que he recibido en semanas. Sin halagos, bastante duro. Ouch.
Se come tokens. Compensa.
La orquestación de subagentes parece muy mejorada.
Es otro empujón a salirte del loop. Estoy hay que combatirlo, hacerlo con fricción, aprender a hacerlo bien.
Se siente un salto otra vez.
8 AI model architectures, visually explained:
There's a tendency to treat LLMs as the whole field. But they're one family among several others, each shaped by a different kind of input, output, or constraint.
Here's a breakdown:
1. LLM (Large language models)
Text goes in, gets tokenized into embeddings, processed through transformers, and text comes out.
↳ GPT, Claude, Gemini, Llama.
2. LCM (Large concept models)
Works at the concept level, not tokens. Input is segmented into sentences, passed through SONAR embeddings, and then uses diffusion before output.
↳ Meta's LCM is the pioneer.
3. LAM (Large action models)
Turns intent into action. Input flows through perception, intent recognition, task breakdown, then action planning with memory before executing.
↳ Rabbit R1, Microsoft UFO, Claude Computer Use.
4. MoE (Mixture of experts)
A router decides which specialized "experts" handle your query. Only relevant experts activate. Results go through selection and processing.
↳ Mixtral, GPT-4, DeepSeek.
5. VLM (Vision-language models)
Images pass through a vision encoder, text through a text encoder. Both fuse in a multimodal processor, then a language model generates output.
↳ GPT-4V, Gemini Pro Vision, LLaVA.
6. SLM (Small language models)
LLMs optimized for edge devices using compact tokenization, efficient transformers, and quantization for local deployment.
↳ Phi-3, Gemma, Mistral 7B, Llama 3.2 1B.
7. MLM (Masked language models)
Tokens get masked, converted to embeddings, then processed bidirectionally to predict hidden words.
↳ BERT, RoBERTa, DeBERTa power search and sentiment analysis.
8. SAM (Segment anything models)
Prompts and images go through separate encoders, feed into a mask decoder to produce pixel-perfect segmentation.
↳ Meta's SAM powers photo editing, medical imaging, and autonomous vehicles.
That said, the 8 architectures above are the established families.
There's one I left out of the image on purpose, because it's less a model family and more a frontier idea called recursive language models from MIT.
Rather than fighting context rot with a bigger window, an RLM stores your prompt as a variable in a Python environment and lets a root model write code to inspect it, then spins up recursive sub-calls to process the relevant chunks.
The model reasons over the context instead of drowning in it, which lets it scale to 10M+ tokens without retraining and beats the base model even on inputs that already fit.
I wrote a full breakdown on it recently.
Read it below.
Los agentes de IA son cada vez más inteligentes. Pero siguen repitiendo los mismos errores una y otra vez.
Reconstruir flujos de trabajo.
Reaprender el contexto del proyecto.
Desperdiciar tokens en indicaciones repetitivas.
Ese es el precio oculto de los flujos de trabajo de IA modernos. 🧵
#EvoMap #VibeCoding