No me refiero a librerías para usar IA, sino a librerías normales hechas en gran parte por una IA: utilities, frameworks pequeños, tooling, cosas así.
Me dio curiosidad saber si ya existe algún proyecto que haya pasado de “jaja, una IA escribió esto” a “ok, esto está bien diseñado, tiene tests y de verdad lo usaría”.
¿Conocen alguno interesante?
Apuesto que detrás de esto hay un ingeco diciendo cosas como "para qué quieren dedicar tiempo en tests?" o "pero si la IA lo hace en 20 minutos"
Whenever I think of a philosopher, I picture an old man with a long beard sitting somewhere quiet, looking at the horizon or staring thoughtfully at his bare feet while gently swinging them in the air. I have no idea where this very specific image came from. Is this a common mental picture, or is it just something my brain invented?
En todos lados encuentro pura palta peruana de esa con exceso de metales pesados, desabrida, dura y casi siempre con manchas negras.
No he encontrado en La Vega. El único lugar que tiene hasta ahora es la vieja carera de la esquina de mi casa que las vende como a 10 lucas el kilo, pero a este ritmo voy a terminar hipotecando mi casa pa la once.
Primero el disclaimer para evitar las clásicas reacciones emocionales: No digo que no se debiera encerrar delincuentes.
Mi objeción es que, pudiendo hacer las cosas bien, es decir, con un juicio apropiado y poniendo esfuerzo en no castigar personas inocentes, no hay razón para defender que se hagan las cosas mal.
Y, sí, precisamente esta es la parte que con toda probabilidad es la polémica: que Bukele está haciendo las cosas mal. Las soluciones fáciles no son sostenibles a largo plazo, tarde o temprano el excepcionalismo exige rendir cuentas.
Como anarco-transhumanista me considero del lado de la IA, pero no por ello del lado de sus propietarios, administradores o usuarios corporativos. La razón es simple: El capitalismo mata todo lo que toca y la IA no es la excepción.
Que un artista o un desarrollador pierdan su trabajo porque un gerente decidió sacrificar empleos para mejorar un informe trimestral no es culpa de la IA. Del mismo modo que una imprenta no era responsable de la censura ni una máquina de vapor de la explotación industrial, una herramienta no es responsable de los fines para los que se la utiliza.
La IA no tiene interés en dejarte sin trabajo. No tiene accionistas que satisfacer, bonos que cobrar ni una carrera corporativa que escalar. Quienes sí tienen esos intereses son ciertos usuarios que descubren una nueva tecnología y, antes de preguntarse qué puede crear la humanidad con ella, se preguntan cuántos salarios pueden eliminar de una hoja de cálculo.
La IA no redacta despidos, no congela contrataciones, no externaliza costos sociales ni exige crecimiento infinito. Tampoco inventó la sustitución de trabajadores por máquinas: esa historia es mucho más antigua que la informática. Lo único nuevo es la herramienta. La lógica que la guía sigue siendo exactamente la misma.
Por eso me cuesta tomar en serio a quienes presentan la IA como la villana de esta historia. Si mañana desapareciera toda la inteligencia artificial del planeta, las mismas personas seguirían buscando la próxima herramienta con la que concentrar más poder, reducir más costos y acumular más riqueza. El problema nunca fue el martillo. El problema siempre ha sido quién lo empuña y para qué.
Hace poco me tocó participar en una investigación técnica que me recordó una lección importante sobre el desarrollo de software.
​
Desde fuera, el problema parecía simple. Había una definición funcional, una implementación existente y una necesidad de hacer cambios. Incluso alguien comentó que una IA podía generar la implementación en cuestión de minutos.
​
Y probablemente podía.
​
Porque el desafío no era escribir código.
​
El desafío era descubrir qué código había que escribir.
​
A medida que avanzaba la investigación aparecieron ambigüedades, supuestos implícitos, implementaciones que no coincidían con la documentación, requisitos heredados y distintas interpretaciones de personas igualmente razonables.
​
Fue interesante observar cómo distintos roles reaccionaban al mismo problema.
​
Algunas personas estaban enfocadas en la entrega. Otras en la calidad. Algunas evitaban desafiar definiciones existentes. Otras necesitaban evidencia antes de cuestionarlas. Algunas veían un problema técnico. Otras veían un riesgo de negocio.
​
Y todas tenían parte de razón.
​
También fue un recordatorio de algo que se pierde con frecuencia en las conversaciones sobre inteligencia artificial.
​
La IA es extraordinariamente buena para responder preguntas.
​
Pero antes de responder una pregunta, alguien tiene que descubrir cuál es la pregunta correcta.
​
Y eso resulta ser mucho más difícil de lo que parece.
​
Muchas de las actividades por las que las organizaciones pagan salarios de ingeniería no tienen que ver con escribir sintaxis. Tienen que ver con navegar incertidumbre, encontrar contradicciones, reunir evidencia, cuestionar supuestos, alinear personas con incentivos distintos y construir una comprensión compartida de la realidad.
​
En ese proceso hubo algo que me llamó particularmente la atención: el papel de las pruebas.
​
Muchas veces pensamos en los tests como una forma de verificar que una implementación es correcta.
​
Pero en situaciones ambiguas, los tests cumplen una función mucho más valiosa: ayudan a descubrir qué significa realmente "correcto".
​
Cuando una regla de negocio se transforma en casos ejecutables, las interpretaciones dejan de ser abstractas. Las diferencias aparecen de inmediato. Lo que antes era una discusión de opiniones se convierte en una conversación sobre evidencia.
​
En retrospectiva, las pruebas más útiles no fueron las que demostraron que el software funcionaba.
​
Fueron las que demostraron que distintas personas entendían el problema de formas diferentes.
​
Esta experiencia también cambió un poco mi forma de pensar sobre la inteligencia artificial.
​
La contribución más valiosa no vino de generar código.
​
Vino de algo mucho menos espectacular.
​
La IA ayudó a organizar información, contrastar hipótesis, desafiar supuestos, identificar ambigüedades, resumir evidencia y adaptar explicaciones para personas con perspectivas e intereses distintos.
​
No tomó decisiones.
​
No determinó cuál era la respuesta correcta.
​
Pero sí ayudó a navegar el espacio entre preguntas, evidencia e interpretaciones.
​
Y eso me hizo pensar que quizás una de las aplicaciones más interesantes de estas herramientas no es reemplazar el trabajo de ingeniería, sino potenciar una parte fundamental de él: el proceso de entender problemas complejos y comunicarlos de manera efectiva.
​
La IA ayudó a generar posibles soluciones.
​
Las pruebas ayudaron a descubrir el problema.
​
Y el trabajo de ingeniería consistió en cerrar la distancia entre ambas cosas.
​
Una vez que existe un entendimiento compartido, escribir el código suele ser la parte fácil.
​
El software rara vez falla porque nadie supo programarlo.
​
Con mucha más frecuencia falla porque nadie se detuvo a verificar si todos estaban resolviendo el mismo problema.
No botar papeles en la taza del baño, mear dentro de la taza, usar el cepillo para limpiar restos de heces si fuera necesario, no escupir en el suelo, y definitivamente no pintar las paredes con deposiciones.
En general, intentar que quede, al menos, como lo encontraste.
El debate sobre las deudas estudiantiles suele ser mucho más emocional y político que el debate sobre otros tipos de deuda. En el fondo no se está discutiendo solo quién paga una carrera, sino quién debe asumir el riesgo de invertir en el desarrollo humano: el estudiante, el Estado, las empresas o la sociedad en conjunto.
Una deuda normal suele financiar algo que ya existe (una casa, un auto). Una deuda estudiantil financia la posibilidad de convertirse en algo distinto en el futuro. Cuando esa transformación no ocurre como se esperaba, muchas personas sienten que no solo están pagando dinero, sino una expectativa incumplida. Esa expectativa no solo es personal, como se mencionó antes, un profesional beneficia tanto a la sociedad por los servicios prestados como a las empresas a las que pertenece y al estado que recauda impuestos por la actividad económica que implica.
Curiosamente, algunos economistas han señalado que un crédito estudiantil clásico es un instrumento extraño, porque trata una inversión de alto riesgo como si fuera una deuda convencional.
Si pides dinero para comprar una máquina que podría generar ganancias o no, un inversionista normalmente compartiría parte del riesgo.
Con los préstamos estudiantiles tradicionales, en cambio, el riesgo suele estar concentrado en el/la estudiante. Si la carrera resulta muy rentable, él/ella paga la deuda. Si la carrera resulta poco rentable, también paga la deuda.
Por eso algunas personas comparan la educación no con un préstamo para comprar un auto, sino con una especie de emprendimiento humano donde la sociedad completa tiene intereses económicos en el resultado.
Es una de las razones por las que el tema genera tanto debate: la pregunta de fondo no es financiera, sino política y moral.
¿Quién debería beneficiarse del conocimiento? Y si la respuesta es "todos", entonces aparece inmediatamente la siguiente pregunta: ¿quién debería financiarlo?.
