Cada vez más conocidos me cuentan que usan “charlas” con ChatGPT para atravesar un mal momento: desde una ruptura sentimental hasta la muerte de un ser querido o simples interacciones diarias. Y no puedo dejar de decirles que es un error.
Un analista humano puede incomodarte con preguntas duras, confrontarte con verdades incómodas o simplemente decirte: “estás equivocado”. Esa fricción —aunque molesta— es parte esencial del crecimiento. Un chatbot, en cambio, tiende a validar casi todo lo que decís. Y ese “confort” constante puede ser el inicio de un problema mucho mayor.
De hecho leyendo The Looming Social Crisis of AI Friends and Chatbot Therapists, Derek Thompson me hizo pensar que hay dos peligros al usar un chatbot/IA de terapeuta; el primero es que la IA “se equivoque” en una respuesta y el segundo, tal vez peor porque es a largo plazo, es que no te incomode nunca, porque esto implica que nunca te diga lo que evitás preguntar y que no señale que tu visión es parcial, errónea o limitada.
Y lo más irónico es que esto puede ser peligroso incluso cuando el corpus de datos que maneja la IA es infinitamente más amplio que el de cualquier terapeuta humano. El problema no es la falta de información, sino la falta de intención de confrontarte con ella.
La validación permanente suena atractiva —especialmente si estás atravesando un momento difícil—, pero elimina un componente clave de cualquier proceso de análisis o terapia: el desafío intelectual y emocional. El contraste que te obliga a repensar, a revisar creencias, a reconocer sesgos. Sin eso, nos quedamos en una burbuja de autoafirmación perfecta… y peligrosa.
La IA puede escucharte y “empatizar” con lo que decís. Puede incluso responder con frases que parecen cargadas de profundidad y humanidad. Pero no sustituye el reto que plantea otro ser humano: la incomodidad, la pregunta difícil, la observación que te obliga a mirar hacia donde no querías.
Al final del día, esto refuerza sin descanso lo que ya pensás, te coloca unas anteojeras intelectuales y pavimenta el camino hacia una generación de narcisistas. Es una trampa.
En los últimos dos años, gran parte de la conversación sobre IA se ha centrado en el ascenso de ChatGPT y en los supuestos errores de Google. La narrativa dominante, en la que incluso entré a veces, pinta a ChatGPT como el first mover que tomó la delantera mientras Google dudaba y perdía terreno por la tibieza de Sundar Pichai cuando lo comparabas con la decisión de Satya Nadella y otros. Y, sobre el papel, esa historia es tentadora, pero.
OpenAI-vs-Google
Es innegable que ChatGPT logró una tracción impresionante. Lanzado en noviembre de 2022, alcanzó los 100 millones de usuarios en apenas dos meses — la curva de adopción más rápida en la historia del consumo digital. Desde entonces, OpenAI ha mantenido un ritmo de lanzamientos vertiginoso: GPT-4, GPT-4 Turbo, GPT-5, capacidades multimodales, voz, memoria, agentes, versiones enterprisa… todo en menos de tres años. Todo esto respaldado por un músculo financiero sin precedentes: más de 13.000 millones de dólares de Microsoft y unos 4.000 millones comprometidos por Softbank. El resultado: alrededor de 700 millones de usuarios activos semanales a mediados de 2025 y una posición cultural en la que, para mucha gente, “IA” es sinónimo de “ChatGPT”.
Con este recorrido, no sorprende que muchos analistas y medios hayan declarado que Google perdió su moat en búsqueda e inteligencia artificial. El argumento es simple: lanzamiento tardío de Gemini (antes Bard), primeras versiones por detrás de ChatGPT y una integración que parecía tímida en su propio ecosistema.
La distribución es el rey y el rey escribe los libros de historia
Pero acá es donde la historia se vuelve más interesante. En el largo plazo, la distribución es el rey. Y Google tiene un músculo de distribución que, ya decidido a usarlo a pleno, es difícil de igualar.
Google controla tres canales que le permiten poner Gemini frente a miles de millones de usuarios sin que estos tengan que cambiar sus hábitos:
Chrome — ~65% de cuota global de navegadores; Gemini puede integrarse directamente en la experiencia de navegación.
Google Search — más de 8.500 millones de búsquedas al día; las AI Overviews de Gemini ya llegan a 2.000 millones de usuarios mensuales.
Gmail y Google Workspace — más de 3.000 millones de cuentas de Gmail y miles de millones de usuarios en Docs, Sheets y Meet; Gemini puede insertarse en las herramientas que usamos todos los días.
Y si esto parece mucho poder, es porque lo es. Y no sería la primera vez que la distribución inclina la balanza.
Pensemos en Zoom vs. Microsoft Teams. En 2020, Zoom era el líder indiscutible en videoconferencias: más rápido, más simple, con más branding. Pero Microsoft Teams tenía algo que Zoom no: distribución. Al incluirlo en Microsoft 365, Teams llegó de golpe a cientos de millones de usuarios corporativos sin coste extra y perfectamente integrado en sus flujos de trabajo. Incluso sin ser mejor producto al principio, esa ventaja lo llevó a superar a Zoom en adopción empresarial en menos de 18 meses.
Otro ejemplo: Google Maps vs. Apple Maps. Cuando Apple Maps salió en 2012, fue criticado por sus errores, y Google Maps era claramente superior. Pero Apple controlaba la experiencia de navegación por defecto en el iPhone. Al preinstalar Apple Maps y hacerlo predeterminado en iOS, garantizó miles de millones de interacciones al año. Con el tiempo, el producto mejoró y hoy tiene una cuota significativa entre usuarios de iPhone. No fue porque el producto fuese mejor, sino porque la distribución le dio tiempo y escala para alcanzar a su competidor.
Pero entiendan algo, en ningún caso minimizo la importancia del producto. La ventaja de ChatGPT hoy es real y, en muchos aspectos, su capacidad y resonancia de marca siguen por encima de Gemini. Pero en tecnología, los first movers suelen ganar las primeras batallas, mientras que quienes tienen distribución consolidada suelen ganar la guerra y eso te deja una lección bastante simple
La lección es clara: controlar dónde y cómo los usuarios se encuentran con la IA puede ser más determinante que tener el modelo más avanzado desde el día uno. ChatGPT puede estar ganando el sprint, pero con Chrome, Search y Workspace, Google sigue en posición de competir — y tal vez recuperar la delantera — en la maratón, asi que NO, Google no está muerto.
Hoy en día, las startups tecnológicas de EE.UU. tardan más tiempo en salir a bolsa y lo hacen con valuaciones mucho mayores que las empresas de décadas pasadas . Gran parte del upside (el mayor crecimiento en valor) ocurre ahora en el mercado privado – beneficiando a venture capital y private equity – y no en el mercado público al que acceden los inversores minoristas. Esto significa que el tramo inicial de creación de valor se privatiza: el inversor retail se pierde potenciales ganancias tempranas, aunque por otro lado pudieran evitarse algunos riesgos de invertir en empresas inmaduras infladas por inversores privados.
¿Pero cuándo salían “baratas” las IPO tecnológicas?
Veamos algunos ejemplos de grandes tecnológicas y sus valuaciones al momento de salir a bolsa, comparadas con startups recientes:
Microsoft (fundada 1975, IPO en 1986): 11 años para salir a bolsa, con una valuación de mercado de aproximadamente $500–780 millones. La oferta pública inicial recaudó apenas $61 millones . (Dato curioso: Bill Gates consideraba que un precio por acción de $20 ya empujaría la capitalización por encima de $500 millones, lo cual le parecía “incómodamente alto” ).
Amazon (fundada 1994, IPO en 1997): Solo 3 años hasta su IPO, debutando con una capitalización cercana a $438 millones . Jeff Bezos llevó a Amazon al mercado público cuando aún era esencialmente una librería online con altísimas tasas de crecimiento pero muy pequeña en tamaño.
Google (fundada 1998, IPO en 2004): 6 años hasta la IPO, debutando con una valuación de alrededor de $23.000 millones . Google ya era rentable y dominaba la búsqueda en Internet, pero aun así el público pudo invertir desde un market cap relativamente “moderado” en comparación con los gigantes actuales (hoy Alphabet vale más de $1,7 billones ).
Facebook (fundada 2004, IPO en 2012): 8 años hasta salir a bolsa. Su IPO fue histórica: valuación de $104.000 millones, recaudando $16.000 millones – en su momento, la tercera oferta pública más grande de la historia de EE.UU. . Ya fue un mega-IPO, reflejando que Facebook había capturado gran parte de su crecimiento antes de llegar al mercado público.
NVIDIA (fundada 1993, IPO en 1999): ~6 años hasta la IPO, con una valuación inicial mucho más modesta. Sus acciones salieron a $12 por acción , lo que implicó una capitalización de apenas unos $500–600 millones (estimados). Tras 25 años como empresa pública, NVIDIA superó los $1–2 billones de market cap en 2024, pero aquel crecimiento fenomenal se gestó desde una base pública muy pequeña.
Tenemos la costumbre de antropomorfizar la tecnología para sentirnos cómodos y a medida que los modelos de IA, especialmente los LLMs, se vuelven más sofisticados, el lenguaje que usamos para describirlos toma prestados términos de la neurociencia, la psicología y cognición humana, quizás porque se nos hace más simple de racionalizar o simplemente porque nos gusta sentirnos el tope de la evolución. Esto a menudo crea la impresión errónea de que la IA funciona como una mente humana, cuando en realidad solo opera a través de reconocimiento de patrones y probabilidad.
Esto no es ni malo ni bueno: es natural en nosotros, los seres humanos, porque tenemos sesgos cognitivos, limitaciones de lenguaje, la necesidad de "dumb-things-down" y, sobre todo, de marketinear ideas como si fuesen más avanzadas de lo que lo son. Decir que una Inteligencia Artificial “razona” es poderoso, pero no tiene lógica propia, solo sigue correlaciones.
Y sí, no dejo de maravillarme día a día con la IA, pero es bueno entender la intencionalidad atribuida que le damos. Así que se me ocurrió listar y tratar de simplificar los términos que usamos en AI y que están relacionados con el cerebro o la cognición humana de forma que sea más simple entender
I dont share here the email for LP/GPs i sent monthly, however AngelList published the performance for funds in their platform (aggregates) and if you are in the VC industry I believe its a good way to understand the current market. (note: in english since the email I send is in english)
Hi dear friends, Here’s my take on the trends and concerns reflected in this dataset:
Key Observations • The 2017 vintage shows the strongest performance: • Median IRR: 19.7% • Median TVPI: 3.57x • Median DPI: 0.29x • Steady decline across all metrics from 2017 to 2023: • IRR drops from 19.7% (2017) to -5.5% (2023) • TVPI declines from 3.57x (2017) to 0.95x (2023) • DPI remains near zero for recent vintages, indicating a lack of distributions.
Si hay algo fundamental en una startup es medir qué tan bien tu producto cumple con las expectativas de los usuarios y si logra mantenerse como parte de su vida: eso se hace midiendo la retención. Punto. Es uno de los indicadores clave de product-market fit, que muestra si las personas no solo prueban tu solución, sino si regresan y la usan de manera recurrente. ¿Y dónde impacta esto? Directamente en los ingresos, sostenibilidad del negocio y tu capacidad de escalar, ya que adquirir nuevos usuarios es mucho más caro que mantener a los existentes.
Pero un problema que veo en varias startups e incluso analistas de fondos es que la retención no se mide en una sola instancia porque el comportamiento de los usuarios cambia con el tiempo. Una sola medición no captura esta evolución ni permite tomar decisiones estratégicas informadas.
Tomar periodos de medición permite identificar patrones de comportamiento, detectar posibles puntos de abandono y optimizar la experiencia de usuario. Por eso la retención se mide a través de timeframes específicos, que podemos estandarizar en los primeros 30, 90 y 365 días.
En 1957, ocho jóvenes ingenieros, conocidos más tarde como los “Traitorous Eight”, tomaron la decisión que dio origen a Silicon Valley: abandonaron Shockley Semiconductor por desacuerdos con su fundador, fundaron Fairchild Semiconductor y no solo marcó el nacimiento de la industria de los semiconductores, sino que también sentó las bases de una nueva era con empresas como Intel y AMD.
En un mundo, casi tiktokero, dominado por soluciones rápidas y frases llamativas, los mejores líderes logran dominar la complejidad y hacer que parezca sencilla; los malos lideres sobre-simplifican sin entender siquiera las bases del problema. Hay una frase de Steve Jobs que captura la escencia de esto: la capacidad de simplificar soluciones complejas sin reducirlas a respuestas ineficaces y excesivamente simplificadas es realmente complejo.
“Simple can be harder than complex: You have to work hard to get your thinking clean to make it simple. But it’s worth it in the end because once you get there, you can move mountains.” Steve Jobs
Y cuando sos un emprendedor la simplicidad es una ventaja competitiva SIEMPRE. La gente ansía la simplicidad de manera natural; y lo vas a ver sea un cliente eligiendo entre productos o un equipo alineándose con una estrategia, la claridad inspira confianza y seguridad.
Hace 2 días Microsoft y Google decidieron incluir gratuitamente sus versiones de AI en sus aplicaciones de productividad, léase Microsft 365 y Google Wokspace, mientras aumentaron el precio base en menos del 10%... esta es, literalmente, una carrera hacia el abismo donde cada uno busca entrar al mercado de otro solo con precio.
Google: "A customer using the Workspace Business Standard plan with a Gemini Business add-on previously paid $32 per user, per month. Now, that same customer will pay just $14 per user, per month — only $2 more than they were paying for Workspace without Gemini."
Microsoft: "bringing Microsoft Copilot and Microsoft Designer to Microsoft 365 Personal and Family subscribers in most markets worldwide" ... "the prices of Microsoft 365 Personal and Family in the US for the first time since its release by $3 USD per month"
La primer lectura es que; sacaron del juego a cualquier otro jugador del mercado de "software de productividad" que quiera agregar funciones de AI porque los únicos con la espalda financiera para atender un par de centenas de millones de usuarios son Microsoft, Google, Amazon y Meta... y estos últimos dos no cuentan aca.
Si de Paypal salieron varios emprendedores que se convirtieron en estrellas en Internet (desde Elon Musk hasta Roelof Bohta o Dave Mclure, Peter Thiel y tantos otros) creo que de OpenAI están saliendo tantos empleados que fundan empresas que están dominando nichos que recien arrancan en este landgrab que va a dejar atrás a los de Paypal.
Solo estas 15 empresas fundadas por ex empleados de OpenAI ya levantaron casi 15.000 millones de dólares de fondos de inversión y estan tomando verticales tan específicos que con sus backgrounds de research y el capital que reciben... van a sacudir a algunos de los grandes que conocemos hoy.
Me pareció interesante leer este paper de los investigadores de Apollo Research donde evaluaron diferentes modelos de IA para ver si participarían en "maquinaciones" más simple si intentarían engañar o manipular a sus desarrolladores para lograr un objetivo específico.
Pero más allá de los resultados me pareció un paper interesante porque muestra los desafíos que existen al momento de entrenar un modelo de AI, encontrar los patrones para crear "guardas" de seguridad y/o entender como suceden estas cosas en lo que para muchos es una gran caja negra donde no se sabe con seguridad que es lo que pasa dentro.
Pasamos de los locos a los vagos en un abrir y cerrar de ojos... de acuerdo a la publicidad de Apple Intelligence, aunque siendo justos de Google tambien, está bien: hacer nada y esperar que un algoritmo magico nos resuelva todo, fijense estos videos de campaña.
Honestamente, creo que esto es lo que les pasó a los creativos que no usaron jamás ChatGPT o Claude o Apple Intelligence entonces no entienden todo lo que estas herramientas pueden hacer y, de hecho, hasta los que critican estas herramientas reconocen que "I do not like Generative AI"
O no trabajar y enviarle un mail a un jefe explicandole lo genial que es y como su liderazgo nos emociona
O simplemente olvidarte el cumpleaños de tu marido y regalarle un "recuerdo" que inventa Apple Photos
Pasamos de "los crazy ones" a los "lazy ones"... podrian enfocarse en tantas otras cosas. pero realmente escribir una carta a tu idolo, explicando lo que querés de tu vida y porque lo admiras, es algo que creo que jamás le pediría a un algoritmo
“Obviously there are special circumstances and people who need help, but as a general ‘look how cool, she didn’t even have to write anything herself!’ story, it SUCKS. Who wants an AI-written fan letter??”
“Here's to the crazy ones. The misfits. The rebels. The troublemakers. The round pegs in the square holes. The ones who see things differently. They're not fond of rules. And they have no respect for the status quo. You can quote them, disagree with them, glorify or vilify them. About the only thing you can't do is ignore them. Because they change things. They push the human race forward. And while some may see them as the crazy ones, we see genius. Because the people who are crazy enough to think they can change the world, are the ones who do.” ― Steve Jobs
Hace 23 años arrancaba este blog y, de una manera extraña, sigue siendo el único lugar donde puedo escribir lo que quiera, como quiera, experimentar lo que se me ocurra, abandonarlo, volver a arrancarlo, rediseñarlo, decir lo que quiera y no rendirle cuentas a nadie... más que a mí mismo.
Aunque la opinión de cada "generación" cambie hay tres cosas que siguen firmes:
(1) Los blogs siguen acá y nadie puede negarlo.
(2) La crítica evoluciona pero solo se centran en "¡ alcanzarías más audiencia!"
(3) Las terceras partes (como redes sociales) siguen cerrándose y te volvés SU inquilino.
Recuerdo a uno de mis primeros inversores decir "joder macho, que si no pasas a un Medium esto no tiene sentido" hasta que un día se dieron cuenta que en Medium, Substack o quien sea había reglas de lo que podías hacer o decir; de hecho hoy hasta hay reglas de aplicación de Inteligencia Artificial que hacen difícil sumarizar para dar contexto.
Y cada 3 o 4 años el consejo de "los que saben" reaparece: "La audiencia no quiere leer en tu sitio, quiere estar en LinkedIn/X/Thread". Pero un día se dan cuenta que los algoritmos hacen casi imposible que un link a sitio de terceros tenga relevancia y que se les hace imposible, si quieren mantenerse relevantes, abandonar redes sociales que te fuerzan a adaptar tu contenido a SUS algoritmos.
Recuerdo en The Matrix cuando Neo llega a conocer a The Oracle: ahí se da cuenta de que no hay una cuchara, sino solo la representación mental de una cuchara. Es entonces cuando comprende que la realidad no es como la percibimos, sino una interpretación que hace nuestro cerebro: lo mismo nos pasa cuando imaginamos que un LLM alucina o que entiende inherentemente lo que le preguntamos.
La cita de The Matrix funciona aquí como una metáfora clave: “No existe la cuchara” en el sentido de que el modelo no tiene ninguna percepción o concepto inherente de la realidad; está imitando patrones estadísticos sin una comprensión o creencia subyacente. Por eso en lugar de tratar de “ver la cuchara” (o una realidad concreta), un LLM se limita a procesar y reproducir correlaciones.
El “fallo” en el sistema es de nuestra percepción humana cuando se espera una precisión o intencionalidad que el modelo no puede ofrecer, no es un fallo del modelo.
Creo que el ecosistema inversor/emprendedor de la region (Latam+España) no entiende el momento o espacio en el que está en temas de Inteligencia Artificial especialmente en GenAI y, quizás, analizar los 100 papers más citados en el ámbito académico ayude a explicar dónde estamos parados para así entender dónde podemos encontrar oportunidades de inversión para crecer.
Version simplificada del Stack (lo del medio podes pensarlo de varias maneras)
¿Por qué los 100 papers más citados? [fuente] Por dos razones principales: por un lado, el momento actual de la inteligencia artificial generativa es el de transferencia tecnológica, de R&D y academia a corporaciones y startups. Y, por otro lado, porque el avance de las corporaciones sobre la investigación académica se está dando a pasos agigantados por la cantidad de capital necesario para desplegar estas soluciones.
Perplexity está empeñado en crear "el próximo Google", o al menos finalmente sacarnos del ridículo paradigma de los 10 links azules como la mejor forma de buscar en Internet; pero es interesante que esto implica que uno puede "dialogar" con el LLM, que es parte del buscador, mantener las búsquedas en memoria e indagar mucho mas en cualquier búsqueda que hagas, entre otras. Esto tiene, al menos, dos nuevas derivadas:
Es mucho más interesante "investigar que buscar" con lo que para un dato puro termino volviendo a Google, pero para buscar cuando estoy armando o creando termino dialogando con Perplexity.
Si podés usarlo para profundizar, utilizar tus propios documentos o papers suma mucho a este trabajo.
Por eso que aparezcan los Perplexity Spaces tiene sentido y parece un paso natural; los Perplexity Spaces son espacios donde podés agrupar tus búsquedas en la web con tus archivos personales e invitar a terceros a sumarse a ese "centro de colaboración" donde tus búsquedas son híbridas (porque agrupan data pública y data tuya), grupales (porque podés invitar a terceros) y colaborativas(porque todos suman al espacio).
En estas dos semanas vimos noticias sobre el uso de energía nuclear por parte de Microsoft, Amazon y Google; todos apostando a la energía nuclear para alimentar la infraestructura necesaria para sostener el crecimiento de GenAI. Microsoft reactivando Three Mile Island; Google y Amazon apostando a los Small Modular Reactors. Y todo esto está empujando una fuente de energía que nunca debió dejarse de lado.
¿Por qué perdió apoyo la energía nuclear en este tiempo?
La realidad es que perdió apoyo por una mezcla de factores económicos y una idea falsa de la inseguridad de esta fuente:
Accidentes importantes: los accidentes de Three Mile Island (1979), Chernobyl (1986) y Fukushima (2011) generaron serias preocupaciones sobre los riesgos y consecuencias de las plantas nucleares.
Gestión de residuos radiactivos: cuando se habla de los desechos radioactivos, en general, los medios solo se enfocan en los problemas a largo plazo, en vez de la optimización de uso del combustible nuclear y la innovación para ese manejo.
Altos costos de construcción sumados a la desregulación del mercado: los crecientes costos de construir nuevas plantas nucleares, que a menudo superan miles de millones de dólares, hicieron que la energía nuclear fuese menos atractiva económicamente; al desregularse el mercado y bajar los precios, la energía nuclear fue menos competitiva en algunas regiones, y eso empujó menos inversión y, por lo tanto, menos innovación.
Preocupaciones sobre la proliferación: los temores acerca de que la tecnología nuclear civil pudiera contribuir a la proliferación de armas nucleares aumentaron la inquietud pública.
Un par de temas en los que no quiero meterme son los políticos 1. Repito: Alemania dejó de ser autosostenible y ahora es prisionera del gas de Rusia) 2. El crecimiento de otras renovables con mejor prensa (eg: hidroelectricas y eólicas), especialmente en momentos en los que el foco en cambio climático a veces se torna basado en prensa y no en datos.
IA y Centros de Datos: el rápido crecimiento de la inteligencia artificial y los centros de datos está creando una demanda de electricidad sin precedentes. La Agencia Internacional de Energía prevé que el consumo eléctrico de los centros de datos podría más que duplicarse para 2026, superando los 1,000 teravatios hora.
Electrificación: la tendencia global hacia la electrificación de edificios y vehículos está incrementando aún más la demanda de energía
2. Metas de Energía Limpia
Electricidad sin carbono: la energía nuclear se ve como una solución climática porque los reactores no emiten gases de efecto invernadero, alineándose con los compromisos de las empresas tecnológicas para reducir emisiones.
Limitaciones de las renovables: aún con las inversiones gigantes en energía eólica y solar, hay limitaciones en términos de consistencia y capacidad que la energía nuclear puede subsanar.
3. Estabilidad y Confiabilidad de la Red
Energía de Base: La energía nuclear puede proporcionar una energía de base estable, crucial para mantener la confiabilidad de la red a medida que aumenta la participación de fuentes renovables intermitentes.
Seguridad Energética a Largo Plazo: Invertir en energía nuclear ayuda a las big tech a asegurarse un suministro energético estable y a largo plazo para sus operaciones
4. Avances Tecnológicos
Reactores Modulares Pequeños (SMR): las empresas están invirtiendo en SMRs, que ofrecen ventajas como menores costos iniciales y construcción modular. Estos se consideran más económicos y más fáciles de desplegar que los reactores tradicionales a gran escala.
Otros startups: Terra Power que está ya construyendo su Natrium Plant que supuestamente sale del paradigma del enfriamento por agua para pasar a metales liquidos.
Sumémosle que hay avances con los SMR e inversiones como las de BillG en TerraPower: termina siendo un no-brainer que sean las tecnológicas las que lideren este resurgir sin que esto signifique que el resto de las energías se dejen de lado. De hecho, cuando estaba en MS firmamos un acuerdo gigante con Brookfield enfocado en energía eólica.
All of this matters because the world needs to make a big bet on nuclear. As I wrote in my book How to Avoid a Climate Disaster, we need nuclear power if we’re going to meet the world’s growing need for energy while also eliminating carbon emissions. None of the other clean sources are as reliable, and none of the other reliable sources are as clean. - Bill Gates
En definitiva, la inversión en nuclear, que estamos viendo como una derivada de las necesidades de los datacenters y la inteligencia artificial, es un gran paso adelante para tener complementos a las renovables y que finalmente pasemos a energía verde sin frenar el mundo porque no sabemos salir de la dependencia de viejas tecnologías.
En 1973, Arthur C. Clarke escribió “Perfiles del Futuro: Una Investigación sobre los Límites de lo Posible", donde formuló sus famosas “Tres Leyes”, siendo la tercera la más citada: “Cualquier tecnología suficientemente avanzada es indistinguible de la magia.” Esta frase hoy me persigue, especialmente con el auge de los Modelos de Lenguaje Grande (LLMs) o el uso de ChatGPT. Estos modelos pueden generar resultados que se sienten mágicos, pero no entender el papel que juega el contexto es no entender su esencia misma.
El contexto no es solo una característica; es la base que permite a estos modelos realizar su “magia”.
El contexto en los LLMs se refiere a los diversos tipos de información que el modelo procesa para generar una respuesta relevante y eso incluye al menos 3 divisiones:
La consulta: esto es el texto o consulta que el usuario quiere entender y sirve como el prompt principal para la respuesta del modelo.
Instrucciones del usuario: cualquier directiva específica o guía dada por el usuario, como pedir un resumen, una explicación detallada o un cambio en el tono. Esto incluye que le digas cual es el perfil al que debe apuntar (eg: "soy un arquitecto de 35 años, con 8 de experiencia en diseño de aeropuertos") y que puedes incluir siempre en la consulta.
Conocimiento amplio: la información con la que el modelo ha sido entrenado, incluidos libros, artículos y otras fuentes de datos, que le permite entender el lenguaje, los conceptos y los contextos más allá de la entrada inmediata.
Cuando el LLM genera respuestas, está sintetizando estos elementos, por eso las respuestas generadas suenan coherentes y, sobre todo, relevantes para las expectativas del usuario. Sin aprovechar este contexto, el modelo perdería su capacidad de proporcionar respuestas significativas para tus expectativas o, luego de refinar el "context window", que sean realmente precisas.
“Now you’re looking for the secret, but you won’t find it, because of course you’re not really looking. You don’t really want to know. You want to be fooled.” ― Christopher Priest, The Prestige (citado antes)
Personalizar los LLMs para aprovechar al máximo la entrada inmediata y las instrucciones del usuario es clave para garantizar respuestas relevantes y efectivas. (Nota: obviamente no hablo de personalizar el modelo porque no está a tu alcance). Por ejemplo:
Optimizar la entrada inmediata: puedes ser preciso en la forma en que formulas tus consultas para obtener las respuestas más precisas y enfocadas. En lugar de hacer preguntas vagas, como “¿Qué es la IA?”, intenta algo más específico para que la respuesta salga adaptada a un perfil como el tuyo:
“Explica los beneficios clave de la IA en la salud en términos simples, soy un paciente de 53 años que conoce poco de tecnología.”
Personalizar las instrucciones del usuario: puedes guiar al modelo para que produzca contenido que se ajuste a tus preferencias y las opciones son ilimitadas. Por ejemplo, podrías pedir que se adapte a un formato: “Resume este artículo en 3 puntos”. O a tu conocimiento: “Dame una explicación detallada con términos técnicos”. O a tu necesidad de mimos al ego:
"De todas nuestras interacciones, ¿cuál es una cosa que puedes decirme sobre mí que tal vez no sepa sobre mí?"
Cuanto más refines y personalices tus entradas, mejor podrá el modelo responder a tus necesidades específicas.
Además de mejorar las interacciones con preguntas más precisas, podés personalizar ChatGPT/Claude o MetaAI para que se adapte aún más a tus necesidades.
Por ejemplo, ChatGPT puede recordar detalles de tus conversaciones previas, lo que le permite ofrecer respuestas más relevantes y personalizadas a largo plazo. Podés preguntarle directamente qué recuerda de ti para que borres lo que no te interese o agregues datos o pedirle que te ayude a ajustar la forma en que responde a tus solicitudes.
Por ejemplo, una simple pregunta como “¿Qué sabes sobre mí?” te mostrará la información que ChatGPT ha guardado de tus interacciones previas, brindándote una mayor comprensión de cómo utiliza el contexto para personalizar su asistencia y quizás tengo la ventaja de haber heche una carrera humanistica donde se entiende que:
La importancia del contexto en comunicación es que organiza y da sentido al mensaje. El significado de un mensaje no depende solo de su estructura gramatical, sintáctica o léxica sino también del contexto que acompaña a un enunciado y afecta a su interpretación.
Que lindo futuro nos espera con prompt engineering.
Me gusta NotebookLM por varias razones: primero, porque es una gran muestra de las cosas que se pueden hacer con la IA generativa combinando modelos; luego, porque algunos casos de uso me están sorprendiendo; y finalmente, porque, en cierto sentido, muestra que Google sigue siendo capaz de desarrollar productos interesantes.
¿Qué es y cómo funciona NotebookLM?
Para los que no lo conozcan, NotebookLM (antes conocido como Project Tailwind) es una herramienta impulsada por IA, diseñada para ayudar a los usuarios a organizar, analizar y obtener información de las notas que toman, sean estas propias o documentos que uno sube. También funciona con enlaces que uno ingresa en el sistema y utiliza una combinación de modelos de lenguajes, empleando IA para extraer puntos clave, resumir contenido y generar preguntas o insights… ¡incluso en formato de podcast!
Ejemplo de "podcast" creado con solo introducir la URL de "Inteligencia Artificial" de este blog en NotebookLM
Lo interesante es cómo funciona. El proceso que usa NotebookLM de Google para transformar contenido escrito en conversaciones de audio es fascinante, porque combina partes ya vistas y "estandarizadas" con nuevas ideas, especialmente en edición. Todo comienza cuando subís tus documentos - pueden ser notas, documentos en PDF o enlaces como en el ejemplo anterior.
Cuando subís el contenido, Google con su IA (usa el modelo Gemini 1.5 Pro) analiza tu texto, procesándolo y "entendiendo" no solo las palabras sueltas, sino también el contexto y los puntos clave de todo el documento.
Luego, la IA crea un "script" donde transforma/convierte ese análisis de tu texto en un diálogo (usando otro modelo de "texto a tokens") entre dos personas.
Finalmente, la inteligencia artificial sintetiza ese resultado en dos voces (usando otro modelo más, Soundstorm) e incluye risas, interrupciones, pausas pensativas, muletillas sutiles y lo "publica"... con una atención al detalle sorprendente.
Todo esto en menos de 10 minutos. ¿Qué tiene de interesante? En cuestión de minutos, tu texto se transforma en un podcast de 10-15 minutos que suena natural y hace que tu contenido sea más accesible. Básicamente, convierte tu material escrito en una charla de audio que presenta la información de manera clara y entretenida.
Principios clave de diseño
¿Por qué me pareció interesante esto como muestra de que Google Labs puede crear productos virales y, potencialmente, interesantes? Dos razones bastante simples:
Enfoque AI-First: NotebookLM fue diseñado desde cero con capacidades de IA como núcleo, reimaginando cómo podría ser un software de toma de notas con un potente modelo de lenguaje como base.
IA Basada en Fuentes (Source-Grounded AI): una característica distintiva de NotebookLM es que permite a los usuarios "anclar" el modelo de lenguaje en fuentes y documentos específicos proporcionados por el usuario. Esto crea un asistente de IA personalizado que está versado en la información relevante para las necesidades del usuario y donde el potencial de alucinar es menor.
De nuevo, Google no metió herramientas de IA en Google Keep, sino que creó algo desde cero basado en herramientas de IA en menos de dos meses. Y más allá de que esto pueda terminar en el Google Graveyard, es una gran prueba de concepto que muestra que la información puede hacerse más accesible.
Información o educación más accesible
Esta tecnología representa un avance muy significativo en la forma en que podemos consumir y compartir información. Aunque la primera lectura podría ser cínica y decir "estamos convirtiendo texto en snacks" o "si lo hace una IA es que es simple", la realidad es que las aplicaciones potenciales abarcan varios campos, desde la educación y los negocios hasta hacer que la información sea más accesible para personas con diferentes preferencias de aprendizaje o problemas de visión.
No pienso solamente en convertir capítulos de libros en discusiones de audio para estudiar mejor, que es, tal vez, lo primero que viene a la mente, sino en buscar nuevas formas de escuchar tu contenido y crear una narrativa nueva (de hecho, tengo ganas de hacer unas pruebas con decks de startups... ¡pueden enviarlo para que lo haga! 😄).
¿Cómo seguirán? Asumo que expandirán esto a otros idiomas, personalizarán las voces o ajustarán la duración, o tal vez con ideas que ni se me hayan ocurrido.
Finalmente hay una sentencia en el juicio de Epic contra Google por monopolio. Y es uno de los peores escenarios para Google porque lo fuerza a permitir tiendas de aplicaciones de terceros en Android, le prohibe usar incentivos para que fabricantes o desarrolladores lancen exclusividades en su App Store y, sobre todo, lo fuerza a aceptar métodos de pago de terceros.
Cuando arrancó el juicio, dije que la estrategia de Epic era arriesgada pero bien pensada porque forzaba a analizar cada parte de los acuerdos de Google para mantener a Android "cerrado" pese a ser abierto.
Y mientras todos miraban lo que pasaba con Apple, Epic Games demandó también a Googlepor ser un monopolio por su método de distribución vía el Play Store y por el requerimiento de usar Google Play Billing para quedarse con una comisión de todos los ingresos de las apps. Aunque muchos pueden decir que acá "Google juega menos fuerte que Apple", Epic Games mostró documentos donde One Plus y otros fabricantes fueron forzados por Google a NO pre-instalar Fortnite Launcher en sus teléfonos, aún cuando había especificaciones técnicas que crearían una mejor experiencia para el usuario. - Epic vs Apple y Google al mismo tiempo (2020)
Y cuando miramos por qué Epic le ganó a Google pero no a Apple es básicamente por la interacción de estos puntos: por un lado Google dice que Android es abierto pero si te restringe acceso a Google Play Services el OS es inusable; por otro, cuando ve que alguien tiene una posición de mercado suficiente (pensemos en Samsung o One Plus en su momento) te ofrece incentivos para no pre-instalar apps de terceros y nadie puede pagar más que ellos, especialmente un startup. Y esto es lo que se está protegiendo ahora, con la base en lo mismo que no me canso de repetir:
Un monopolio no es inherentemente malo, es malo si lastima al consumidor.
Un monopolio no es inherentemente malo, es malo si protege su posición de forma injusta o ilegal.
Nuevas reglas para Google en Android
Google debe permitir tiendas de aplicaciones rivales en dispositivos Android por 3 años.
Google no puede prohibir el uso de métodos de pago alternativos dentro de aplicaciones por 3 años.
Google debe permitirle a los usuarios descargar esas tiendas y las aplicaciones que provengan de ellas en Android.
Google Play Store debe listar y permitir la promoción de esas tiendas de tercerdas partes
Las nuevas restricciones para Google son:
Google tiene prohibido pagar o compartir ingresos con otras empresas para evitar competencia en su App Store.
Google no puede pagar a developers de forma exclusiva en Google Play y debe explícitamente ofrecer opciones.
Google tiene prohibido brindar incentivos financieros para que los fabricantes instalen Google Play en dispositivos.
¿Con esto se ve asegurada la "libre competencia"? No lo creo: de hecho si miramos lo que Apple hizo con la Unión Europea fue buscar el punto de equilibrio financiero donde no te prohiben usar plataformas de pagos de terceros pero lo hacen económicamente inviable...
Espero que Google apueste a apalancar su ecosistema de desarrolladores y startups para que esto no se convierta en un problema financiero en vez de ir a pelear y complicarle la vida al startup promedio.
