A salvo del último modelo
En septiembre de 2024 me propuse construir mi primera startup, Lira.
En la superficie era una red de aprendizaje autodidacta para escuelas, universidades y empresas. Por debajo, estaba pensada para ser tres cosas a la vez: un lugar donde los estudiantes realmente aprenden, un motor de talento que detecta la capacidad temprano y la encamina hacia los empleadores y, más al fondo, una señal cognitiva lo bastante limpia como para informar las decisiones de instituciones e incluso de responsables de políticas públicas. Una solución muy temprana al Olodo Uprising.
Una IA que aprende contigo, te encuentra donde estás y entiende a un estudiante con más profundidad de la que jamás podría un docente mal pagado con un aula desbordada. El perfil que construía te seguiría al mundo laboral, dándoles a los empleadores una imagen más fiel de la que un currículum jamás da.
LinkedIn, en esencia, reconstruido desde cero. Lo cual resultaba apropiado, porque para entonces mi propia cuenta de LinkedIn había sido eliminada tres veces, con apenas respuestas automáticas sobre cómo yo había violado los términos de servicio. Términos que, cuando por fin logré hablar con personal humano, no supieron nombrar.
Yo ya me había convencido de que todo el sistema de contratación estaba roto de todos modos. Demasiado estático, demasiada fricción, una caja negra donde la mayoría de las postulaciones parecía desvanecerse. Así que decidí que alguien debía reemplazarlo, y que ese alguien bien podía ser yo.
En su momento parecía desmesuradamente ambicioso. Construir tres productos coordinados eran años de trabajo y un equipo que no tenía, así que por un tiempo pareció que esta idea me quedaba grande. La mayor parte del escepticismo apuntaba a la construcción: complejidad técnica, costo y tiempo.
La misma restricción que se ha disuelto, de forma predecible, con cada nuevo lanzamiento de un modelo de frontera. Lo sé porque desde entonces he construido Paylo, una plataforma de comercio de dos lados con ambiciones bastante grandes, mayormente solo, al otro lado de ese cambio.
Lo que en 2024 parecía exceso de ambición, hoy es el andamiaje de un fin de semana.
¿Debí haber seguido con ella?
No, pero no por esa razón. «Demasiado ambicioso» era una crítica sobre la construcción, pero eso estaba a punto de volverse barato. Los modelos iban a mejorar, rápido, y el costo de escribir software iba a caer con ellos. El tiempo de iteración sería significativamente más corto. Apenas una molestia.
La mayoría de quienes hacían esa crítica no tenía esa información, así que responderla habría significado responder la pregunta equivocada. La única opción sensata era rechazar el marco. No necesitas permiso para construir sobre lo que sabes. Lo que fuera a matar a Lira iba a tener que ser otra cosa.
Entonces, si la construcción no era el problema, ¿cuál era?
Así se suponía que funcionaba Lira. Las escuelas y universidades la adoptan como el sistema por defecto para asignar tareas. Todo estudiante necesita estudiar, así que se convierte en el lugar donde estudian. Herramientas de estudio por un lado, un perfil cognitivo creciente por el otro, y el perfil es el verdadero producto.
Pero pronto descubrí que las universidades tenían sus propios ecosistemas. Sus propias jerarquías, su propia política, sus propias razones por las que las cosas se hacían como se hacían. Dejó de ser una cuestión de si el software era bueno, o de si siquiera podía construirse. Había un problema más profundo detrás de todo, y el software no podía tocarlo. Quién decide. Quién tiene que cambiar su forma de trabajar. Quién pierde algo si esto se adopta y, sobre todo, a quién conoces que pueda hacérselo llegar a quien decide, si es que a alguien le importa.
Además de eso, las soluciones digitales como esta fracasan más veces de las que funcionan en Nigeria, por razones que no tienen nada que ver con el código: electricidad poco confiable, conectividad irregular, lo poca que es la gente que puede permitirse el dispositivo en primer lugar, y el enorme peso de adaptación que haría falta para llegar a quienes no pueden.
Simplemente no valía el esfuerzo. Así que tomé la decisión difícil y maté el proyecto.
De vuelta al presente. GPT-6 Astra salió el jueves. Las listas de bajas aparecieron puntuales, y cada pocos meses el ciclo se repite: una tanda de equipos reales con tracción impresionante despierta y descubre que toda su propuesta de valor fue lanzada como una función por una empresa con un modelo más grande y mejor distribución. Luego vienen las publicaciones. ChatGPT mató mi startup. OpenAI mató mi startup.
Algunas son bromas, otras son obituarios, y da tristeza verlo. Pero nada de eso fue una sorpresa. Los modelos son una marea, y las mareas vienen con tabla. OpenAI publicó las leyes de escalado en 2020: la capacidad sube con el cómputo y los datos, sobre una curva que se puede graficar. Cada lanzamiento desde entonces es una lectura de esa curva. Un laboratorio que lanza un modelo está anunciando que el agua llegó a la marca que dijeron que llegaría.
Así que cada empresa alcanzada por un lanzamiento estaba, simplemente, parada debajo de una línea de flotación ya publicada.
Lira no lo estaba. Si un modelo de frontera hubiera sido mi único problema, habría seguido adelante, porque un modelo mejor solo mejora mi producción sin reemplazar mi razón de existir. Murió por el factor humano. Relaciones, jerarquías, quién tiene la última palabra, si alguien cambiaría su comportamiento para adoptarla.
De eso quiero hablar:
¿Qué es, exactamente, lo que estas empresas no pueden matar?
Empieza por el dinero
El financiamiento y la investigación que fluyen hacia la IA no son lo que se gasta para conseguir un mejor autocompletado. A esa escala, la única meta coherente es la capacidad sobre todo aquello que pueda expresarse en código. Enmarcarlo como ganancia o como misión no cambia la implicación: si la meta se alcanza, todo lo que vive como código —que es la mayor parte de la infraestructura digital del mundo— queda al alcance de tres o cuatro empresas.
Hacia qué están construyendo
Hay dos maneras de ser dueño de todo lo que corre sobre código.
Una es ser la tienda: el lugar donde se compra la inteligencia y donde las startups se convierten en apps. La tienda de GPT y los directorios de conectores son bocetos tempranos de esto, y MCP es la tubería que corre por debajo, donde cada herramienta se convierte en un plug-in de la plataforma que la invoca.
La otra es ser el chip: sentarse en silencio debajo de todos, como hacen Intel, Nvidia y Qualcomm, y cobrar una parte de todo sin necesidad de ser visto.
No creo que vayan a elegir.
Apple construyó ambas.
La tienda decide qué recibe distribución, el backend cobra por todo lo demás, y una empresa que posee las dos no tiene razón alguna para dejar algo sobre la mesa. Las startups en esa plataforma harán lo que hicieron las apps en los teléfonos: ser toleradas hasta que la función llegue integrada en el sistema operativo.
Siendo así, lo que importa ahora es qué queda fuera del alcance del modelo incluso a una capacidad mucho mayor, y por qué.
Tres razones por las que algo queda fuera
- Es privado: el modelo no puede verlo.
- No está permitido: el modelo no puede actuar sobre ello.
- Es estructural: existe por cómo están organizados las personas, la ley y los sistemas físicos, y ninguna cantidad de inteligencia cambia esa organización.
Aunque la IA puede ayudarte a cubrir estas brechas más rápido que antes, no puede hacerlas desaparecer. Si algún día desaparecen, será porque cambió el diseño básico de internet, no porque un modelo se volvió más listo.
Flotabilidad
Se me ocurrió una prueba básica. Cuatro preguntas, aplicables a cualquier producto o empresa. Un «sí» en las tres primeras significa que se hunde; un «sí» en la cuarta significa que flota. Tres síes y un no, y eres una función que será automatizada. Con un sí en la cuarta, tienes un foso, aunque igual debes vigilar la ineficiencia operativa y los requisitos de capital, porque un foso no te administra el negocio.
-
¿Está construido sobre algo que ya está en el conjunto de datos global, y solo sobre eso? Entonces puede ser matado ahora. El modelo ya leyó lo que tú leíste.
-
¿Corre sobre código? Si aún no está muerto, lo estará en unos años. El código es lo que están gastando el dinero en poseer.
-
¿Depende de comprender por completo un sistema digital, uno no humano? Entonces será matado. Los sistemas digitales son legibles para los modelos de una forma en que las personas no lo son.
-
¿Depende de algo sobre lo que la sociedad está construida, en lugar de algo construido sobre la sociedad? Privacidad. Confianza. Tutela. Responsabilidad. Regulación. El interés personal de alguien en un resultado.
Estas cosas no están en el conjunto de datos y no se pueden poner ahí, porque son relaciones entre personas, o reglas que las personas hicieron sobre las demás, no descripciones de ellas. En el futuro previsible, están a salvo de cada lanzamiento. Esta categoría es lo que mató a Lira. Ahora protege todo lo que he construido desde entonces.
Todo lo que no se asienta en ese escalón superior probablemente será arrastrado por el agua.
Negro, blanco y mucho gris
En un extremo, lo que el agua se lleva. Todo lo que se almacena y se recupera en lugar de resolverse de nuevo. Hechos, cifras, constantes, definiciones, el problema resuelto, el texto de referencia. Mucho de lo que machacamos en las aulas para construir el mundo que tenemos vive aquí, y los modelos ya lo hacen bien. La memoria está casi resuelta.
Si tu trabajo es recordar la respuesta, el modelo también la recordó.
Pero razonar no es recordar. Las matemáticas nuevas, la física sin resolver, una derivación que nadie ha hecho aún: esas no son respuestas almacenadas, y los modelos son visiblemente peores en ellas que en la recuperación. En el momento en que perturbas un problema para que la versión memorizada no encaje, el rendimiento cae. Eso no es ni la zona segura ni la zona arrasada.
Es el medio en disputa, que es exactamente donde se está gastando el dinero. Así que no archives la frontera bajo «ya perdido».
En el otro extremo, lo que resiste. La moral, la ética, la fe, la emoción, la confianza. Aunque un modelo puede producir frases sobre ellas sin parar, no son hechos que recuperar. Son relaciones entre personas y los compromisos que las personas hacen entre sí. No puedes poner un compromiso en un conjunto de datos. Solo puedes describir uno.
Y luego la ancha franja gris en medio, que es donde estará el verdadero debate de los próximos años.
Tomemos el derecho. Un modelo que lee cada estatuto y recita la cláusula pertinente es memoria. La IA está asistiendo, y eso está bien. Esa es la parte arrasada haciendo trabajo útil. Pero un modelo que interpreta la ley, que decide qué significa para ti con tu historia, tu experiencia y tus circunstancias personales, es un acto completamente distinto. En ese punto la IA ya no está recuperando datos. Está asumiendo un rol que tenía autoridad porque una persona era responsable de él. El peligro nunca fue que el modelo conociera el texto. Es que al modelo se le entregue la interpretación, porque en la interpretación es donde vivía la relación humana, y el modelo solo puede actuar sus palabras sin cargar con nada de la responsabilidad.
Todo lo que está en el gris está ahí porque corta en ambos sentidos. La mayor parte del discurso que viene no será sobre capacidad. Será sobre esta clasificación: qué es negro, qué es blanco y quién llega a trazar la línea a través del gris.
Nunca he dedicado tiempo a algo que un modelo simplemente no podía hacer todavía. Eso es apostar contra la curva, y la curva no pierde. Paylo se asienta al otro lado de la línea, donde el modelo me hace más rápido pero no puede reemplazar la razón por la que un comprador y un vendedor que nunca se han visto confían en la misma transacción.
El código ya no es el foso
Cuando presenté mi pitch en el Breet Builders Grant en junio, dije que el código es solo un arnés. En su momento no le di importancia. Pero escribiendo ahora me doy cuenta de que eso probablemente necesitaba más contexto.
Un sistema complejo solía costarte un equipo. Dos ingenieros durante seis meses eran entre 120.000 y 200.000 dólares en salarios antes de que apareciera un solo cliente, y esa era la versión austera. Así que el código era aquello para lo que levantabas dinero, y como era la parte cara, se convirtió en la parte protegida.
Hoy el repositorio es casi gratis. Lo que cuesta dinero es la cosa que lo escribe, y esa pertenece a tres o cuatro empresas que la cobran por token.
El código sigue siendo propietario. Solo que ya no es tuyo nada más. El valor está en lo que sostiene en su lugar, en cómo se despliega y en el terreno donde se despliega.
Redibujar la línea
Cada escalón que baja el costo sube el agua, y los modelos gratuitos deberían igualar a Astra en cuestión de semanas. El escalón superior se mantiene seco por las razones de arriba, mientras todo lo que está debajo se moja cada vez más.
Las cosas sobre las que he construido se asientan en ese escalón, pero el código que uso para servirlas no. Está justo al borde. Lo que significa que, a esta velocidad, la línea cruza algo mío cada trimestre, y tengo que redibujarla.
Eso es solo mantenimiento básico.