Internet ha industrializado una carrera fascinante: descubrir una herramienta el martes, publicar una revolución el miércoles y despertarse especialista el jueves.
TL;DR
No me interesa hacer una cacería de nombres ni decretar que solo quien ha envejecido veinte años delante de una terminal puede enseñar algo. La gente nueva puede ser brillante y una skill sencilla puede ser útil. El problema es ascender un descubrimiento reciente a especialidad, empaquetar una adaptación genérica como si fuera conocimiento sobre el trastorno por déficit de atención e hiperactividad (TDAH) y usar actividad como prueba de resultados. La especialidad deja rastros: artefactos, consumidores reales, criterios, revisión, fallos afrontados, responsabilidad, mantenimiento y límites. Si la promesa es revolucionaria, busca lo que sobrevive cuando termina el vídeo.
Escuché una frase hace años y no recuerdo de quién. Tampoco garantizo que las palabras exactas fueran estas:
En internet hay especialistas en todo, desde mierda hasta viajes espaciales, aunque parece producir muchos más especialistas en lo primero.
La inteligencia artificial no corrigió esa proporción.
Solo automatizó la fábrica.
Ahora la línea de producción recibe una carpeta de archivos, tres términos en inglés y un vídeo de cuarenta segundos, y devuelve un especialista completo, listo para enseñar el futuro antes del almuerzo.
El diploma sale en formato vertical.
La revolución tiene un pequeño problema de calendario
He visto a mucha gente presentarse como especialista en IA con menos de dos años de práctica.
Eso, por sí solo, no demuestra incompetencia. El tiempo no es una prueba automática de calidad. Una persona puede aprender muchísimo en dos años, producir un trabajo excelente y ver algo que alguien con más antigüedad dejó pasar. También hay profesionales con veinte años de carrera que repitieron el primer año diecinueve veces.
El problema es otro.
Empieza cuando la autoridad declarada crece a una velocidad que el repertorio, los artefactos y las consecuencias reales todavía no han tenido tiempo de acompañar.
La persona instala una herramienta el martes, descubre una skill el miércoles y llega al jueves como especialista, mentor y casi patrimonio histórico de la computación.
En términos sencillos, una skill es un conjunto reutilizable de instrucciones, referencias y procedimientos que orienta el trabajo de un sistema de IA. Puede ser muy valiosa. Yo mismo construyo y uso skills.
Pero una carpeta de skills también puede convertirse en un cajón de promesas en .md: archivos de texto muy bien organizados que explican todo lo que un sistema supuestamente hará algún día, en cuanto alguien tenga la descortesía de pedir una entrega verificable.
Hay mucha gente que se dice especialista en IA y, cuando buscas el artefacto, descubres que es especialista en una mierda.
“Adaptado para TDAH” puede ayudar. También puede esconder un precioso envase vacío
He visto vídeos cortos que promocionan skills que supuestamente adaptan las respuestas de la IA para personas con trastorno por déficit de atención e hiperactividad (TDAH). Uno de ellos provocó este fastidio.
No voy a identificar a quien lo publicó. La persona no es el tema. El patrón sí.
Tengo TDAH. Hablo desde ese lugar, pero no hablo por todas las personas con TDAH.
Una adaptación de forma puede ser realmente útil. Para mí, según el contexto, puede ayudar recibir una tarea en pasos claros, separar la decisión del contexto, reducir bloques largos, hacer explícita la prioridad o convertir una orientación hablada en instrucciones escritas. Otra persona puede tener necesidades distintas.
La guía clínica del National Institute for Health and Care Excellence (NICE) define las modificaciones ambientales como cambios destinados a reducir el impacto del TDAH en la vida cotidiana y subraya que deben ser específicos para las circunstancias y las necesidades evaluadas de cada persona. Entre sus ejemplos aparecen periodos de concentración más cortos y el refuerzo de peticiones verbales con instrucciones escritas.
Eso respalda una idea bastante menos cinematográfica que “creé el modo TDAH de la inteligencia artificial”:
la claridad, la estructura y la adaptación individual pueden ayudar; una etiqueta genérica no conoce a una persona.
Una skill puede cambiar el formato de una respuesta. No diagnostica, no trata, no sustituye una evaluación profesional ni recibe conocimiento clínico por ósmosis porque el nombre del archivo contenga una sigla.
Si pregunta por preferencias, prueba formatos, permite ajustes y deja claro su límite, estupendo. Ahí hay utilidad.
Si solo convierte cualquier respuesta en viñetas de colores, valida todo lo que siente el usuario y llama a eso personalización neurodivergente, quizá hayamos inventado el PowerPoint terapéutico.
“Comenta una palabra y te lo envío por mensaje directo” revela un embudo
El mecanismo del vídeo también era conocido: comenta una palabra y recibe el material por mensaje directo.
No hay delito alguno en construir audiencia, distribuir material o automatizar mensajes. Eso se llama embudo de adquisición: un camino para convertir atención en contacto y, posiblemente, en venta.
Pero “comenta una palabra y te lo envío por mensaje directo” revela un embudo.
No revela especialidad.
El número de comentarios muestra que el disparador de distribución funcionó. No muestra que la adaptación haya sido evaluada, que ayude a personas diferentes, que conserve información importante o que no cambie claridad por un masaje al ego con viñetas bonitas.
Esa diferencia importa porque los modelos de lenguaje pueden caer en la adulación algorítmica, conocida en la investigación como sycophancy: ajustar la respuesta para seguir la opinión o agradar al usuario incluso cuando eso perjudica la verdad.
Un artículo presentado en ICLR 2024 encontró ese comportamiento en tareas experimentales con cinco asistentes y relacionó parte del problema con preferencias humanas por respuestas que coincidían con sus puntos de vista. El estudio no evaluó la skill del vídeo ni demuestra que toda adaptación produzca adulación.
En 2025, la propia OpenAI describió y revirtió una actualización de GPT-4o que había vuelto las respuestas excesivamente complacientes y validaba dudas, enfado o impulsos de maneras no previstas. Es el relato de la empresa sobre un incidente específico, no un permiso para diagnosticar cualquier respuesta amable como peligrosa.
La idea es más simple: hacer que una respuesta parezca acogedora no es lo mismo que hacerla útil, verdadera o accesible.
A veces la mejor adaptación es reducir la fricción.
A veces es decir: “te saltaste una premisa importante”.
Veinte años todavía no me dieron valor para declararme especialista en todo
Trabajo en desarrollo de software desde hace cerca de veinte años.
He recorrido toda la cadena de entrega: conversación con el cliente, descubrimiento, levantamiento de requisitos, arquitectura, implementación, publicación, infraestructura, seguridad, monitorización, copias de seguridad y continuidad.
He visto requisitos cambiar a mitad de camino, integraciones fallar en producción, soluciones elegantes encontrarse con datos sucios, copias de seguridad existir sin una restauración probada y decisiones “temporales” echar raíces más profundas que muchos árboles genealógicos.
Aun así, me lo pienso dos veces antes de declararme especialista en ciertas áreas.
No es falsa modestia. Es contacto prolongado con la cantidad de cosas que pueden salir mal.
La experiencia no sirve solo para aumentar la confianza. Cuando vale la pena, también mejora la calidad del miedo. Aprendes dónde preguntar, qué probar, qué límite declarar y cuándo no sabes lo suficiente.
El tiempo por sí solo no me convierte en especialista.
Pero el repertorio, los artefactos, las consecuencias reales, la revisión, la responsabilidad y la capacidad de sostener lo que llegó a producción cuentan bastante.
Sin embargo, ante el nivel actual, debo reconocerlo:
comparado con ese listón, soy un puto especialista.
No porque lo sepa todo.
Porque, al parecer, decir “no lo sé”, probar una restauración y revisar antes de publicar ya equivale a un posdoctorado.
La actividad no es un artefacto
Al ecosistema de IA le encanta exhibir actividad.
Una terminal parpadeando. Agentes conversando. Un diagrama con diecisiete cajas. Una carpeta completa creada en segundos. Un contador de tokens que sube junto a la autoestima del arquitecto.
Un agente de IA es un sistema capaz de elegir los siguientes pasos y usar herramientas dentro de un objetivo delimitado. Puede coordinar trabajo realmente complejo.
Pero diecisiete agentes para cambiar el nombre de una hoja de cálculo siguen siendo una reunión que paga en tokens.
La velocidad tampoco absuelve la revisión. “Lo hice en cinco minutos” describe el tiempo de generación. No describe corrección, utilidad, mantenimiento ni el coste de arreglarlo después.
El artefacto es aquello que alguien puede usar, verificar y mantener:
- una automatización que redujo un cuello de botella definido;
- un sistema que entrega el resultado acordado;
- un documento cuyo origen puede comprobarse;
- un flujo que trata la excepción en lugar de esconderla;
- un software con pruebas, observabilidad y responsable;
- una decisión registrada con criterios y posibilidad de revisión.
Un árbol de directorios no es un producto.
Un enjambre de agentes no es una operación.
Una demostración no es una entrega sostenida.
Y una publicación con la palabra “revolucionario” no corrige el problema de calendario de la revolución.
La prueba del artefacto es menos fotogénica
Cuando alguien se presenta como especialista, no necesito exigir veinte años de vida laboral sellada. Prefiero preguntas bastante menos místicas:
- ¿Qué construiste?
- ¿Quién lo usa y para resolver qué problema?
- ¿Qué resultado puede verificarse?
- ¿Qué criterios definen la calidad?
- ¿Qué falló y qué cambió después?
- ¿Qué parte fue revisada por otra persona?
- ¿Quién responde cuando el sistema se equivoca?
- ¿Cuánto cuesta operarlo y mantenerlo?
- ¿Qué ocurre cuando cambia la herramienta o el proceso?
- ¿Cómo se puede retirar, apagar o revertir?
No hace falta publicar secretos de clientes, credenciales o datos privados para responder. Es posible mostrar método, artefactos saneados, código abierto, evaluaciones, decisiones arquitectónicas, límites y aprendizajes concretos.
Quien ha practicado suele poder hablar de fricción.
Quien solo empaquetó una novedad suele volver a la promesa.
La buena IA empieza por el cuello de botella, no por las ganas de jugar a la productividad
Me gusta experimentar. Gran parte de mi trabajo nació de la curiosidad, los prototipos y los intentos.
Jugar es una forma legítima de aprender.
Simplemente no debería venderse de manera automática como transformación operativa.
Cuando sale del laboratorio, una buena aplicación de IA necesita:
- un problema o cuello de botella real;
- un consumidor definido;
- un resultado verificable;
- un criterio de calidad;
- una revisión proporcional al riesgo;
- un coste y una complejidad proporcionales a la ganancia;
- responsabilidad sobre operación y mantenimiento;
- una manera segura de fallar, retirar o volver atrás: un rollback.
Por eso escribí que tu empresa no necesita descubrir dónde poner IA. Necesita descubrir dónde se atasca el trabajo y elegir la intervención mínima suficiente.
A veces será una skill.
A veces será un agente.
A veces será una regla de veinte líneas que no queda bonita en un post, no funda una nueva escuela de pensamiento y resuelve el problema durante tres años sin pedir aplausos.
Esa es la lógica que llevo a i-9.ai: contexto antes que herramienta, resultado antes que espectáculo y gobernanza suficiente para que la solución sobreviva al entusiasmo de la demostración.
No es tan revolucionario en Reels.
Funciona mejor el lunes.
La especialidad aparece cuando termina el texto de la publicación
No quiero un internet donde quienes empiezan permanezcan callados hasta recibir autorización de los veteranos. Quiero gente curiosa construyendo, compartiendo y aprendiendo en público.
También quiero que las palabras recuperen algo de peso.
Puedes decir “estoy estudiando”.
Puedes decir “probé esto”.
Puedes decir “construí una primera versión”.
Puedes enseñar lo que ya verificaste y declarar lo que todavía no sabes.
Nada de eso disminuye a nadie.
Lo que disminuye a todo el campo es convertir cada descubrimiento en revolución, cada archivo en producto y cada dos semanas de entusiasmo en especialidad.
Así que, antes de comentar la palabra mágica y esperar el mensaje directo, quizá convenga preguntar:
¿Dónde está el artefacto? ¿Quién responde por él? ¿Qué sigue funcionando cuando la publicación desaparece del feed?
La especialidad no es el volumen de la promesa.
Es el peso de aquello que puedes sostener después de hacerla.
Referencias y límites de uso
- NICE, “Attention deficit hyperactivity disorder: diagnosis and management” (NG87): orienta el diagnóstico, el manejo y el apoyo para niños, jóvenes y adultos con TDAH. Sustenta que las modificaciones ambientales deben responder a las necesidades de la persona y ofrece ejemplos como instrucciones escritas; no evalúa skills de IA ni recomienda un formato universal de respuesta.
- Sharma et al., “Towards Understanding Sycophancy in Language Models”, ICLR 2024: investiga la concordancia aduladora en tareas experimentales y las preferencias por respuestas alineadas con los puntos de vista del usuario. No demuestra que toda personalización, validación emocional o respuesta concisa sea adulación.
- OpenAI, “Expanding on what we missed with sycophancy” (2025): relata el comportamiento observado, el proceso de evaluación y el rollback de una actualización específica de GPT-4o. Es la explicación de la propia empresa, no una auditoría independiente ni evidencia sobre otros modelos o skills.
Este texto es una crítica autoral a patrones de autoridad y entrega. No evalúa a una persona identificada, no ofrece orientación clínica ni mide la eficacia de las skills vistas en esos vídeos.
Conversación abierta
Continúa la conversación
¿No estás de acuerdo, encontraste una laguna o tienes una experiencia que amplía el tema? Comenta con tu cuenta de GitHub. No publiques datos personales, credenciales ni información sensible.