El caso para convertirse en un adoptante temprano

Cómo las nuevas tecnologías resuelven nuevas formas de problemas, y por qué la experimentación temprana es una mejor inversión de tu tiempo

Un astronauta artesanal de cartón arma un prototipo verde azulado en un banco de trabajo corriente, junto a un cuaderno abierto y un rollo de cinta.

Hace un par de meses, TypeSafe lanzó Jev, una especie totalmente nueva de modelo de lenguaje llamada modelo de decisiones. Últimamente he estado obsesionado con él, pero para ser totalmente honesto, me tomó más de una semana entender de qué se trataba y, sobre todo, qué clase de problemas resuelve (como una nueva especie de modelos de lenguaje). Esa es la motivación detrás de este artículo: ¿cómo absorbemos como sociedad las nuevas tecnologías a medida que descubrimos nuevos tipos de problemas moldeados de una forma que encaja con ellas? Esa es una habilidad. Y creo firmemente que la mejor manera de desarrollarla es convertirse en un adoptante temprano.

El consejo de “adaptarse a la IA” puede dejarte más ansioso sin aclarar tu próxima decisión. Pienso que una respuesta concreta consiste en destinar parte del tiempo laboral a la exploración: probar nuevas capacidades antes de que sus aplicaciones estén definidas. Para los empleados, eso significa que los empleadores deben aceptar el tiempo dedicado a aprender y experimentar sin un entregable inmediato.

Mover la aguja hacia la exploración

Explotación significa aplicar y mejorar métodos que ya conoces.

Exploración significa investigar alternativas cuyo valor sigue siendo incierto.

Ambas compiten por el mismo tiempo, tal como lo describió James March en su trabajo sobre el aprendizaje organizacional.1 Con un método familiar, puedes estimar lo que el esfuerzo de hoy va a producir. En cambio, un experimento puede dejarte con razones suficientes para abandonar la nueva idea.

La IA puede alterar ese equilibrio al ayudar a los investigadores a mejorar la propia IA. En noviembre de 2026, METR evaluó la investigación sobre IA en Anthropic y concluyó que la asistencia de la IA probablemente explicaba gran parte de la aceleración reciente de Anthropic en el desarrollo de modelos.2 Esta evaluación es incierta y está parcialmente censurada; no establece una aceleración generalizada en toda la tecnología.

Un flujo de trabajo que antes descartabas por ser demasiado lento o poco fiable puede volverse práctico a medida que esas capacidades mejoran. Depender únicamente de los métodos conocidos significa seguir lidiando con limitaciones que tal vez ya no apliquen. La exploración te da la oportunidad de descubrir qué límites han cambiado y qué puedes construir ahora. Cuanto más rápido cambien las capacidades relevantes para tu trabajo, más seguido valdrá la pena poner a prueba si tu enfoque actual todavía tiene sentido.

Encontrando un problema con la forma de Jev

Jev, el modelo de decisiones de TypeSafe, responde a preguntas acotadas sobre un contexto suministrado con valores que el software puede procesar: una elección entre opciones definidas, una puntuación frente a una rúbrica, o la probabilidad de una pregunta de sí/no.3 Es un modelo de lenguaje que no genera texto. Los desarrolladores pueden plantear varias preguntas independientes al mismo tiempo y combinar las respuestas dentro del código. Es como una instrucción condicional (if) capaz de entender condiciones redactadas en lenguaje natural. Sus características principales son:

  • Es extremadamente económico.
  • Es extremadamente rápido.
  • Sus decisiones están calibradas (a diferencia de las estimaciones aproximadas de otros LLM).
  • Lo veo como un LLM convertido en código.
El estado y las preguntas ingresan a Jev; las salidas incluyen probabilidades, opciones y puntuaciones.
Valores ilustrativos. Toque para ampliar. Interfaz: documentación de TypeSafe.

Esto me voló la cabeza, pero no de inmediato, así que si te estás preguntando “¿por qué este tipo cree que las decisiones son geniales?”, simplemente explóralo ;) .

Conocer esa interfaz deja pendiente el trabajo más difícil: encontrar una aplicación útil. La clasificación ya existe. Un LLM también puede devolver salidas estructuradas. Antes de añadir otro modelo, un desarrollador necesita una razón de peso para esperar mejores decisiones o una menor sobrecarga operativa.

Considera un asistente de IA con un amplio catálogo de procedimientos o “habilidades”. Una solicitud para editar una presentación existente puede requerir instrucciones diferentes a las de una solicitud para crear una desde cero. Las descripciones abreviadas pueden hacer que esos procedimientos parezcan intercambiables. Cargar las instrucciones incorrectas puede desviar al asistente hacia el flujo de trabajo equivocado antes de empezar la tarea. Del mismo modo que leer las instrucciones para algo incorrecto te confundirá.

El ejemplo de selección de habilidades de TypeSafe utiliza Jev para clasificar candidatos y luego examina a los finalistas utilizando descripciones más detalladas.4 Las preguntas tienen salidas definidas: qué habilidad listada encaja y si algún candidato encaja en absoluto. El código puede pasar una sugerencia al agente o decidir no sugerir ninguna.

El proveedor reporta una menor cantidad de cargas de habilidades incorrectas e innecesarias en su prueba.4 Las solicitudes fueron sintéticas y la evaluación midió la selección inicial en lugar de la finalización exitosa de tareas completas.

Un asistente selecciona las instrucciones cada vez que una solicitud puede requerir un procedimiento. Los errores de selección afectan el trabajo posterior. Una etapa de decisión dedicada podría mejorar dicha selección; su precisión y la sobrecarga adicional determinan si debe formar parte del sistema. Un formato de salida válido por sí solo dice poco sobre si la decisión fue correcta.

Resultados tangibles:

  • Más rápido (Jev es mucho más rápido que los LLM normales) → tienes que esperar mucho menos por la respuesta.
  • Más económico (los tokens de entrada usados para una decisión en Jev son tokens que un LLM costoso no tiene que consumir) → tu presupuesto de IA (o el de tu empresa) no explota, y el retorno financiero de la inversión en IA pasa de negativo a positivo.
  • Más confiable (ponemos una decisión sencilla frente a un proceso costoso → te aseguras de que sea el proceso correcto) → menos errores y menos frustración.

Aprender a reconocer aplicaciones útiles

Aprender a reconocer ese encaje forma parte de convertirse en un adoptante temprano. Los candidatos útiles implican juicios repetidos sobre entradas desordenadas, con una respuesta acotada sobre la cual el código puede actuar. Un problema antiguo puede volverse práctico de abordar cuando esos juicios cuestan menos o llegan más rápido.

El trabajo de diseño implica decidir qué juicios pueden acotarse antes de que un modelo comience a generar texto. Las reglas fijas deben permanecer en el código. Jev se puede evaluar para aquellos pasos que requieren interpretar contexto, mientras que un modelo de lenguaje convencional se encarga del trabajo que necesita generación o razonamiento extendido. Comprender dónde ubicar cada capacidad es útil más allá de cualquier modelo en particular.

  • Boris Cherny describe el aprendizaje de la API de Anthropic a través de un prototipo de terminal que evolucionó hasta convertirse en Claude Code.5
  • El relato de Andy Jassy sobre AWS explica el valor de ofrecer a los desarrolladores componentes de infraestructura que ellos mismos pudieran combinar. De ahí surgió AWS.6
  • La presentación de la oferta pública inicial (IPO) de Google vincula los prototipos de Google News y AdSense for content con el tiempo de exploración de los empleados.7

Hacer de la exploración parte del trabajo remunerado

Un informe de septiembre de 2026 de MIT Sloan describe una investigación realizada en un centro médico y un bufete de abogados.8 Los empleados mantuvieron su participación cuando la experimentación recibió apoyo continuo y reconocimiento profesional. En cambio, donde el trabajo adicional pasó desapercibido, los participantes se retiraron. Se trató de una comparación cualitativa, no de una prueba controlada de políticas de gestión.

Los empleados necesitan examinar los errores con sus colegas y revisar las aplicaciones a medida que los modelos cambian. Las organizaciones que deseen fomentar este esfuerzo deben presupuestarlo.

Tiempo protegido significa modificar otras expectativas. Si la carga de trabajo se mantiene intacta, alguien termina pagando el costo con una fecha límite incumplida o una noche pasada en blanco poniéndose al día. El reconocimiento también debe ir más allá de los lanzamientos exitosos. Descubrir que un enfoque falla puede evitar que el siguiente equipo repita el mismo error. Las evaluaciones de desempeño deberían otorgar crédito a los empleados por los hallazgos útiles que comparten.

De lo contrario, la invitación a convertirse en adoptante temprano favorece de manera desproporcionada a quienes pueden absorber el costo. El tiempo libre, la seguridad financiera y el permiso para interrumpir la rutina están distribuidos de forma desigual. Si la exploración desarrolla un criterio útil, las oportunidades desiguales para practicar podrían contribuir a disparidades económicas. La magnitud de ese efecto sigue siendo incierta; la razón para hacer que el aprendizaje sea accesible no depende de predecirlo.

Quiero que más personas tengan la manera de participar en este progreso, incluidas aquellas preocupadas por lo que la IA hará con sus empleos. La experimentación no puede prometer seguridad laboral; sin embargo, las empresas sí pueden ofrecer a los empleados una oportunidad justa para aprender durante su jornada remunerada.

Empieza con un problema recurrente en un trabajo que entiendas y una nueva capacidad que pueda cambiar la forma en que lo abordas.

Sources

Footnotes

  1. James G. March. Exploration and Exploitation in Organizational Learning, Organization Science 2, no. 1 (1991): 71-87. ↩

  2. METR. Independent Assessment of AI R&D Acceleration at Anthropic in October 2026 (5 de noviembre de 2026). ↩

  3. Documentación de TypeSafe: Introduction, Models y Confidence, consultado el 11 de noviembre de 2026. ↩

  4. TypeSafe. Skill suggestion, recetario consultado el 11 de noviembre de 2026. ↩ ↩2

  5. Casey Newton, Platformer. Claude Code’s creator on the end of the software engineer (27 de mayo de 2026). ↩

  6. Andy Jassy, Amazon. Amazon CEO Andy Jassy’s 2023 Letter to Shareholders (11 de abril de 2024). ↩

  7. Google Inc. Form S-1 Registration Statement (29 de abril de 2004), carta de los fundadores. ↩

  8. MIT Sloan Office of Communications. Why some organizations turn AI experiments into business value while others quietly fail (9 de septiembre de 2026). ↩

No te pierdas el próximo

Todos los últimos artículos directamente en tu bandeja de entrada.

Artículos relacionados

Un bodegón de manualidades de cartón sobre papel blanco: un pequeño templo clásico al estilo de un banco central, con sus cuatro columnas construidas con microchips negros con pines dorados, y un único chip turquesa montado en la puerta.

¿Se está convirtiendo Nvidia en la Reserva Federal del cómputo?

Nvidia está yendo más allá de la venta de chips y ayudando a financiar la infraestructura de IA construida a su alrededor.
Leer más
Un bodegón de manualidades de cartón sobre papel blanco: un pequeño graduado de papel con birrete se encuentra donde un camino de cartón se bifurca. A la izquierda, el camino se vuelve gris oscuro y se rompe en fragmentos dispersos que desaparecen bajo una hoja rasgada de papel crema. A la derecha, tres carriles continuos de color turquesa se ensanchan y se alejan hacia el horizonte.

La brecha en la contratación por IA:
mi guía para recién graduados y empresas

La presión sobre los puestos iniciales ocurre a través de empleos que nunca se llegan a publicar, lo que hace que el impacto sea casi invisible para los rastreadores de despidos.
Leer más
Un bodegón de manualidades de cartón: a la izquierda, un carrete de cable oscuro etiquetado como '.com' con cables sueltos y baldosas de microchips de cartón dispersas; a la derecha, una pila de unidades de rack de servidores de cartón etiquetadas como 'IA' — la era de las puntocom al lado del despliegue de la IA.

IA vs .com:
dónde la historia rima y dónde no

El despliegue de la IA no es solo una apuesta por la demanda. Es una apuesta a que el cómputo seguirá siendo escaso el tiempo suficiente para recuperar el costo de su construcción.
Leer más