La leyenda de la IA que se hizo rica invirtiendo en bolsa
Que la IA bate al mercado, que un bot se hizo millonario solo, que los modelos se autofinancian los servidores. Cuatro leyendas con un hecho real detrás y una conclusión falsa delante.
LLMs
Jarvis, Her, Person of Interest: la IA que el cine pintó y que ya tenemos en el bolsillo
Jarvis, Her, Person of Interest y otras cinco piezas — cine, series, libros y conceptos — que ya no imaginan la IA sino que viven sus dilemas reales en nuestro día a día. La IA que el cine pintó y que ya tenemos en el bolsillo.
De Kubrick a los Wachowski: ocho películas que adelantaron los dilemas reales de la IA
Ocho películas, de HAL en 1968 a Eagle Eye en 2008, que pintaron los problemas técnicos actuales de la IA décadas antes de que tuvieran nombre. Un recorrido por las que anticiparon alineamiento, autopreservación, manipulación y vigilancia.
Afinando tu Pepito Grillo: descubrimiento, ventana óptima y la asimetría psicológica
La primera versión del Pepito Grillo tenía una grieta. Cómo afinar el prompt con fase de descubrimiento, la ventana óptima del método y la asimetría psicológica del sombrero negro.
Tu Pepito Grillo de IA: cómo construir un asistente que te critique
Los LLMs te aprueban por defecto. El valor real está en pedirles que te critiquen. Cómo construir tu Pepito Grillo de IA con los 6 sombreros de De Bono.
Cómo se entrena un LLM. Parte 6: RLAIF y Constitutional AI
Cuando el humano es el cuello de botella, ¿se puede sustituir por otro modelo? Anthropic respondió que sí — pero solo si el criterio se escribe en una constitución pública. RLAIF, Constitutional AI y por qué Claude tiende a inventar menos.
Por qué NVIDIA: el chip, el foso CUDA y la fiebre del compute
NVIDIA superó brevemente a Apple como empresa más valiosa del mundo gracias a la IA. Pero su monopolio no es de silicio: es de un ecosistema de software (CUDA) que llevan construyendo desde 2006. Por qué nadie le quita el sitio.
Cómo se entrena un LLM. Parte 5: las grietas de RLHF
RLHF funcionó, pero tiene grietas serias que motivaron todo lo que vino después. Reward hacking, cuello de botella humano, sesgos heredados, PPO frágil y KL como freno y no guardarraíl: las cinco limitaciones estructurales y la respuesta del campo a cada una.
El trabajo humano invisible detrás de los LLMs. Parte 2: la paradoja del modelo amable
Cuando tu chatbot rechaza educadamente generar contenido tóxico, esa amabilidad es el reverso de la exposición sin filtro de quien lo entrenó. La paradoja moral, los sesgos culturales que se cuelan y hacia dónde apunta la industria.
El trabajo humano invisible detrás de los LLMs. Parte 1: quién, dónde, cómo
Detrás de cada ChatGPT, Claude o Gemini hay miles de personas en Nairobi, Manila o Calcuta haciendo clic 8 horas al día. Quiénes son, qué hacen y a qué precio.