El futuro era esto: un paseo entre IAs que trabajan, aconsejan y pueden reemplazarnos para «pensar» o currar

Por @Alvy — 18 de Mayo de 2026

Dejo por aquí un par de vídeo-podcasts (y un bonus) que he estado escuchando estos días y que me han gustado por alguna razón especial. El tema de todos ellos es la inteligencia artificial de fondo, vista desde muchos aspectos. Y es que la IA ya no es solo una herramienta para ahorrar tiempo: también se está convirtiendo en tutor, compañero de trabajo y hay quien la usa incluso como terapeuta de guardia.

¿Dejar de pensar debido a la IA?

El primero es una conversación en el siempre recomendable y enriquecedor Polimatas, donde Val Muñoz de Bustillo charla con Pablo Vázquez, autor de Tsunami, y Marcos Vázquez sobre cómo la inteligencia artificial se ha colado en casi todas las esquinas de la vida diaria: trabajo, aprendizaje, creatividad, productividad, relaciones y salud mental. Entre los temas tratados:

La IA como compañero de trabajo y aprendizaje
Productividad, automatización y la paradoja de Jevons
Alucinaciones y verificación de datos
Uso de varios modelos para contrastar respuestas
La IA como tutor socrático personalizado
La lectura profunda frente a los resúmenes rápidos
La educación, los profesores y la evaluación oral
Terapia de pareja y apoyo emocional con IA
Riesgo de dependencia y aislamiento social

Algo que me ha sorprendido es que los tres participantes utilizan los modelos conversacionales para algunas cosas para las que no suelen recomendarse, como asesoría fiscal, terapia de salud mental y generación de contenidos (en vez de para lo opuesto, que es para lo que suelen recomendarse: resumir contenidos).

Los mejores usos prácticos que, en mi opinión, mencionan: resumir para entender un campo nuevo, buscar referencias, preparar clases, contrastar ideas, revisar textos o hacerse mejores preguntas. La parte de la paradoja de Jevons es, en su versión IA, el curioso efecto de que mucha gente en vez de trabajar menos, acaba haciendo más cosas, más rápido y sin saber muy bien cuándo parar.

También mencionan el problema de las alucinaciones: cada vez son menos frecuentes, pero cuanto más fiable parece la IA, más peligroso puede ser confiarse. La receta práctica es sencilla: verificar lo importante, usar varios modelos para comparar, pedir siempre las fuentes originales (o usar al menos NotebookLM) y desconfiar si se trata de información reciente (aunque Grok es bueno con los temas de «rabiosa actualidad», pero puede tragarse sesgos subjetivos o fakes). Me gustó que aquí expliquen que cuando nos relacionamos con humanos también tenemos ese mismo problema: hay expertos y profesores que a veces se equivocan o no tienen idea, y dan datos y referencias erróneas, o, peor aún, los hay que mienten a sabiendas. Así que, ya puestos, mejor una IA que no engañe a sabiendas, aunque a veces transmita falsedades con una seguridad pasmosa.

Los trabajos que va a cambiar la IA

El segundo vídeo es una entrevista a Jon Hernández en el también siempre recomendable, bien documentado y serio canal de David Jiménez, El Director.

El arranque de la entrevista es sencillo, y resume todo lo que trata: la revolución industrial abarató la fuerza física y la inteligencia artificial parece estar abaratando la inteligencia. Muchas tareas cognitivas, como redactar, traducir, programar, revisar documentos, diseñar, atender clientes o analizar información, ya se pueden hacer más rápido, más barato y a gran escala. Eso no significa que todos esos empleos vayan a desaparecer de la noche a la mañana, pero sí que cambia el cuento: quien trabaja con IA puede multiplicar su productividad, y quien no lo hace empieza a parecerse al contable que seguía con libreta a mano mientras los demás usaban Excel. La cuestión no es tanto si hacerlo sino cómo adaptarse antes de que el mercado lo haga por ti a las malas. Entre los temas mencionados:

Automatización de tareas cognitivas
Riesgo para empleos junior y trabajos repetitivos
Productividad extrema con agentes de IA (y cuidadín con ellos)
Nuevas desigualdades según el acceso a mejores modelos
AGI, superinteligencia y falta de regulación
Deepfakes, suplantación y riesgos de seguridad
Educación y pérdida de ciertas habilidades
Renta básica, nuevos modelos económicos y trabajo sin empleo
Medicina, ciencia y diagnóstico como grandes oportunidades

Me ha gustado tanto concordar con muchos de los puntos de vista como que son una puesta al día de lo que estamos notando en muchos trabajos de nuestro entorno. Aparte de eso, la charla va aderezada con datos interesantes, como que en una prueba cognitiva «de laboratorio» con O3 de OpenAI en 2024 el coste era de unos 4.500 euros y al año siguiente Gemini 3 Flash lo redujo a 1,2 euros, casi 4.000 veces menos. También explica que entre los abogados hay trabajos de revisión de documentos que la IA ya está haciendo por un 0,03% del coste humano (y un 20% mejor que abogados de un nivel superior).

Bonus: la intuición en los LLM (el caso AlphaGo)

Como bola extra dejo también este vídeo en el que Eric Jang, ex-Google DeepMind Robotics, explica a Dwarkesh Patel cómo investigó AlphaGo durante un año sabático para entender por qué sigue siendo uno de los mejores ejemplos de la inteligencia artificial moderna. El tradicional juego, con hasta 361 posibles movimientos y entre 250 y 300 jugadas por partida tiene más de 10¹⁷⁰ posiciones posibles (10³⁶⁰ partidas), algo que se pensaba lo haría inabarcable. Sin embargo, AlphaGo lo hizo «manejable» para ganar a los mejores campeones humanos combinando una búsqueda de Monte Carlo con redes neuronales.

Las explicaciones son bastante técnicas, pero a la vieja usanza, con pizarra y tiza, lo cual les da un encanto especial. Se explica desde cómo se juega al Go a cómo son las funciones de evaluación y la red de políticas para decidir qué jugadas parecen prometedoras y quién va ganando sin tener que jugar toda la partida hasta el final. La gracia está en que una red de pocas capas, e incluso modelos de menos de 3 millones de parámetros, pueden comprimir una cantidad enorme de búsqueda en una especie de intuición casi instantánea para elegir el mejor movimiento. Hoy en día, con las GPUs modernas, código de LLMs y unos pocos miles de dólares de cómputo se puede reconstruir algo que antes requería millones.

La conexión de una «máquina específica para jugar al go» con los LLM (modelos de lenguaje) está en el aprendizaje por búsqueda, recompensa y destilación. AlphaGo juega contra sí mismo, encuentra jugadas mejores que las que habría elegido su red «a ojo», y luego entrena la red para imitar no solo la jugada ganadora, sino la distribución de buenas jugadas. En los LLM, en cambio, muchas veces se entrena a partir de secuencias más largas. El problema es saber qué token, paso o decisión fue responsable del éxito. Por todo esto AlphaGo sigue siendo interesante: nos enseña cómo una IA puede convertir una búsqueda específica en algo así como la intuición. Los LLM ya ayudan mucho como asistentes de investigación, ejecutando experimentos y encontrando bugs, pero todavía fallan en lo más humano: elegir las siguientes buenas preguntas, abandonar callejones sin salida y tener criterio científico.

Relacionados: