La productividad ya no depende de escribir
Diario de Innovación #392
Hay una escena que probablemente se repite en tu día a día.
Le pides a ChatGPT, Claude o Gemini que redacte un documento, revise un informe o modifique un archivo. Lees el resultado por encima. Todo parece correcto. Haces un pequeño cambio, vuelves a pedir otra modificación. Y otra más. Y otra.
Al cabo de unos minutos has construido un documento mejor del que habrías escrito tú solo.
O eso crees.
Porque el verdadero problema ya no es escribir el documento.
El verdadero problema es saber si sigue siendo correcto después de que una inteligencia artificial lo haya modificado veinte veces.
Y ese puede convertirse en el gran cuello de botella de la próxima década.
Hasta hace unos años el cuello de botella del trabajo intelectual era producir el contenido. Los entregables finales eran los realmente importantes.
Escribir un informe.
Preparar una presentación.
Modificar un contrato.
Actualizar una hoja de cálculo.
La inteligencia artificial ha reducido ese coste de forma espectacular. Hoy cualquiera puede generar en segundos un documento que hace apenas dos años requería horas de trabajo.
Pero los cuellos de botella nunca desaparecen.
Simplemente cambian de sitio.
Antes dedicábamos una hora a escribir y cinco minutos a revisar.
Ahora dedicamos treinta segundos a generar… y veinte minutos a comprobar que todo sigue teniendo sentido.
La IA no ha eliminado el trabajo.
Ha desplazado el esfuerzo desde la creación hacia la verificación.
Y eso es precisamente lo que acaba de demostrar un nuevo estudio de Microsoft Research.
Lo interesante del trabajo no es que los modelos cometan errores. Eso ya lo sabíamos.
Lo realmente novedoso es la pregunta que plantea.
Hasta ahora casi todos los benchmarks evaluaban si un modelo era capaz de resolver una tarea concreta.
Este paper cambia completamente el enfoque.
La pregunta ya no es:
¿Puede un LLM editar correctamente un documento?
La pregunta pasa a ser:
¿Puede hacerlo veinte veces seguidas sin deteriorarlo?
Porque ese será exactamente el trabajo de los agentes de IA que empiezan a llegar a nuestras empresas.
No responderán una única pregunta.
Trabajarán durante horas —o incluso días— sobre los mismos documentos, modificándolos una y otra vez.
Para comprobarlo, los investigadores han creado DELEGATE-52, un benchmark que simula flujos de trabajo reales en 52 profesiones distintas, desde ingeniería y programación hasta contabilidad, música, genealogía o documentación científica.
En lugar de evaluar una única interacción, someten a los modelos a veinte modificaciones consecutivas sobre el mismo documento para comprobar si son capaces de conservar toda la información intacta.
Los resultados invitan a la prudencia.
Incluso los modelos más avanzados terminan degradando aproximadamente una cuarta parte del contenido tras esas veinte interacciones consecutivas. Y el problema empeora cuanto más largos son los documentos, cuanto mayor es el número de modificaciones o cuando existen otros archivos relacionados que distraen al modelo durante el trabajo.
Sin embargo, el hallazgo más interesante no está en ese porcentaje.
Está en cómo aparecen los errores.
Uno podría imaginar que el documento se deteriora poco a poco, como una fotocopia que pierde calidad cada vez que vuelve a imprimirse.
Pero no ocurre así.
El estudio demuestra que la mayor parte del deterioro no proviene de cientos de pequeños fallos acumulados.
Proviene de unos pocos errores críticos que aparecen de forma inesperada y explican alrededor del 80 % de toda la degradación observada.
Durante varias modificaciones consecutivas todo parece funcionar perfectamente.
Y, de repente, un dato desaparece.
Una referencia cambia.
Un apartado queda incompleto.
Una estructura se altera.
El documento sigue pareciendo correcto.
Pero ya no lo es.
Y precisamente por eso estos errores resultan tan peligrosos: son silenciosos.
No rompen el documento.
Lo erosionan.
Esta conclusión tiene una consecuencia que va mucho más allá de los modelos actuales.
Durante meses hemos hablado de cómo la inteligencia artificial multiplicará la productividad de los trabajadores del conocimiento.
Y probablemente sea cierto.
Cada empleado podrá generar más informes, más código, más análisis, más propuestas y más documentación que nunca.
Pero eso abre una pregunta mucho más incómoda.
¿Quién revisará todo ese trabajo?
Porque revisar no escala igual que generar.
Si antes un profesional producía diez documentos a la semana y ahora produce cien gracias a la IA, no puede dedicar diez veces más tiempo a verificarlos.
Ahí aparece el nuevo cuello de botella.
No tecnológico.
Humano.
Y quizá esa sea una de las grandes transformaciones del trabajo intelectual que todavía estamos infravalorando.
Durante décadas enseñamos a las personas a escribir mejor.
Ahora tendremos que enseñarles también a revisar mejor.
A detectar inconsistencias.
A identificar pequeños cambios que alteran el significado de un documento.
A distinguir entre algo que simplemente “suena bien” y algo que realmente es correcto.
Porque el recurso escaso ya no será producir conocimiento.
Será confiar en él.
Hace unos años decíamos que Internet había convertido la información en un recurso abundante.
La inteligencia artificial está haciendo exactamente lo mismo con la creación de contenido.
Pero, como suele ocurrir, cuando una abundancia aparece, otra escasez ocupa su lugar.
Y la nueva escasez tiene nombre.
La capacidad de verificar.
Quizá dentro de unos años no recordemos qué modelo escribía mejor.
Recordaremos cuál era capaz de trabajar durante cientos de pasos sin introducir un único error.
Porque la próxima gran carrera de la inteligencia artificial ya no consistirá en generar más.
Consistirá en ser fiable.
Y ese puede ser el verdadero requisito para que los agentes de IA dejen de ser simples asistentes y se conviertan, de verdad, en compañeros de trabajo.
🌍 El eco del mercado
🚀 La nueva riqueza tecnológica se concentra en tres nombres. Anthropic, OpenAI y SpaceX ya superan el valor agregado de los grandes exits tecnológicos de los últimos 25 años. No es solo una burbuja de valoración: es una señal de concentración extrema del capital en IA, compute y espacio.
🍏 Apple ata 30.000 millones en chips estadounidenses con Broadcom. Apple firma un acuerdo multianual con Broadcom para producir más de 15.000 millones de chips inalámbricos en EE. UU.
🇨🇳 China financia IA y chips desde el mercado. Zhipu AI e Iluvatar CoreX lanzan colocaciones secundarias para captar capital destinado a hardware e investigación.
📈 Alibaba vuelve a gustar al mercado por IA y chips propios. Las acciones de Alibaba suben con fuerza por las expectativas de crecimiento en IA y el papel de sus chips T-Head.
🧠 Claude convierte el uso diario en dependencia. Anthropic añade nuevas funciones a Claude que hacen más cómodo volver al asistente una y otra vez. Más que una mejora de producto, es una estrategia de hábito.
Lectura estratégica: el moat no está solo en el modelo. Está en convertirse en capa diaria de trabajo.
🏗️ La IA empresarial descubre que el código era la parte fácil. Generar código con IA es rápido. Hacer que funcione dentro de una gran empresa, con sistemas vivos, compliance y mantenimiento, es otra historia.
🗣️ OpenAI lleva la voz de ChatGPT a conversaciones más naturales. GPT-Live permite que ChatGPT escuche y hable al mismo tiempo, reduciendo interrupciones y acercando la interacción a una conversación real.
🏠 Amazon quiere que Alexa vuelva a la carrera agéntica. Moonraker apunta a una Alexa capaz de ejecutar tareas complejas en una sola interacción. Amazon no quiere quedarse fuera de la capa doméstica de agentes.
⚡ Los agentes de IA ya chocan con el coste energético. Un estudio advierte que algunas tareas agénticas pueden consumir hasta 136,5 veces más que una consulta de chatbot tradicional.
🔐 La IA avanzada entra en lógica de soberanía nacional. EE. UU. ya ha mostrado que puede condicionar el acceso a modelos avanzados. China estudia restricciones similares. Europa mira desde fuera.
🛰️ Blue Origin busca 10.000 millones y entra en otra liga. Blue Origin prepara su primera gran ronda privada, con una valoración prevista de 130.000 millones de dólares.
🐶 Starlink baja al collar del perro. Fi Ultra incorpora conectividad vía Starlink para rastrear mascotas en zonas sin cobertura móvil.
👁️ Meta cruza otra línea con las fotos públicas de Instagram. Meta permite generar imágenes de IA usando fotos de perfiles públicos de Instagram, con opción de exclusión.
📡 Caltech quiere mirar el universo en tiempo real. El Deep Synoptic Array usará 1.650 antenas para convertir señales de radio en imágenes casi instantáneas.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
📚 PD. Si quieres profundizar en por qué la supervisión humana sigue siendo imprescindible en la era de la IA y cómo diseñar sistemas más fiables, estas lecturas son un excelente punto de partida:
Cointeligencia de Ethan Mollick. Una de las mejores guías para aprender a colaborar con la IA sin caer en la falsa sensación de que siempre tiene razón.
The AI Engineering Blueprint de Chip Huyen. Una visión práctica sobre cómo construir aplicaciones de IA robustas, poniendo el foco en la evaluación, la observabilidad y la fiabilidad.
Designing Machine Learning Systems de Chip Huyen. Explica por qué desplegar un modelo es solo el principio y cómo mantener su calidad a lo largo del tiempo.
Human Compatible de Stuart Russell. Un clásico moderno sobre el reto de alinear los sistemas de IA con los objetivos humanos y por qué la supervisión seguirá siendo esencial.
Ruido: Un Fallo en el Juicio Humano de Daniel Kahneman, Olivier Sibony y Cass R. Sunstein. Aunque no habla de IA, ayuda a entender por qué revisar decisiones —humanas o artificiales— es mucho más complejo de lo que creemos.
🛠️ PD2. El kit del buen revisor. Si el cuello de botella ya no es escribir sino revisar, quizá sea buen momento para equipar tu escritorio como el de un auténtico editor.
Atril de lectura ajustable para libros y documentos. Perfecto para revisar informes o manuales durante horas con una postura mucho más cómoda.
Lupa de escritorio con iluminación LED. Ideal para revisar documentos impresos, esquemas o planos con el máximo detalle.
Pluma estilográfica Lamy Safari. Porque las mejores anotaciones siguen haciéndose a mano, y revisar un documento con una buena estilográfica tiene algo de ritual.
Subrayadores STABILO BOSS Original (pack de colores). Un clásico para destacar ideas clave, inconsistencias o cambios importantes durante una revisión.
Bloc de notas Rhodia A4 punteado. Excelente calidad de papel para tomar notas, comparar versiones y documentar cambios mientras trabajas con la IA.
La IA puede escribir el primer borrador. Las mejores decisiones siguen empezando con un lápiz, una buena revisión… y el ojo crítico de quien sabe qué está buscando.