📺 Vídeo de estudio recomendado hoy: https://www.youtube.com/watch?v=IxkvVZua28k
El fin del software estático: Cómo OpenAI y Anthropic rediseñan el futuro
Kevin Weil y Mike Krieger, ex-líderes de Instagram y actuales jefes de producto en OpenAI y Anthropic, revelan por primera vez los desafíos de construir herramientas cuando la tecnología base cambia cada dos meses. En esta conversación, exploran cómo el rol del Product Manager ha mutado hacia la investigación y por qué el razonamiento de los modelos es la nueva frontera del software.
Pregunta central: ¿Cómo se construye un producto global sobre una tecnología que evoluciona más rápido que nuestra capacidad para diseñar interfaces para ella?
Puntos clave
- El paso de construir sobre bases fijas a trabajar con capacidades emergentes e impredecibles.
- La importancia crítica de las evaluaciones (evals) como la nueva habilidad fundamental para los Product Managers.
- El diseño para sistemas no deterministas donde el mismo input no siempre garantiza el mismo output.
- La evolución hacia agentes proactivos y el escalado de la inteligencia a través del razonamiento en tiempo de ejecución.
⏱️ Tiempo de lectura: aprox. 7 minutos · Te ahorra unos 34 minutos frente a ver el vídeo.
¿Quieres tomar notas mientras ves el vídeo? Haz clic en la imagen de abajo y deja que AI Notebook extraiga los puntos clave por ti 👇
El cambio de paradigma en el desarrollo de producto
De la ingeniería de software a la “arqueología” de modelos
En el desarrollo de software tradicional, sabías exactamente qué podían hacer las computadoras antes de escribir la primera línea de código.
Ahora, el ciclo de retroalimentación se ha invertido por completo, obligando a los equipos a lidiar con modelos que cada dos meses adquieren habilidades que nadie en la historia del mundo había visto antes, lo que genera un estado de asombro constante pero también una presión técnica sin precedentes para no quedar obsoletos en cuestión de semanas.
Kevin Weil destaca que ya no se trata solo de entender al usuario, sino de descubrir, casi como un arqueólogo, qué propiedades emergentes tiene el modelo que acaba de salir del “horno de investigación” y cómo esas capacidades pueden resolver problemas reales.
💡 Profundizando
Q: ¿Qué es lo más difícil de pasar de una red social como Instagram a la IA?
A: La falta de una base tecnológica fija; en IA, las capacidades del producto son un “objetivo móvil”.
Q: ¿Cómo reacciona el sector empresarial ante estos cambios constantes?
A: Existe una tensión cultural, ya que las empresas piden hojas de ruta a 60 días, algo casi imposible cuando la investigación es estocástica.
Q: ¿Es útil un modelo que solo acierta el 60% de las veces?
A: Sí, siempre que el diseño del producto incluya al humano en el bucle para corregir y validar el resultado final.
La nueva caja de herramientas del Product Manager
Evals y prototipado rápido como motor de calidad
El rol del Product Manager ha mutado hacia una figura que debe dominar la redacción de evaluaciones o “evals” para medir si un modelo realmente está mejorando o simplemente “se siente” diferente en una tarea específica.
Si no sabes medir el éxito de una respuesta ambigua, no puedes construir un producto de IA confiable.
Mike Krieger sugiere que la mejor forma de desarrollar esta intuición es ensuciarse las manos con los datos, analizando dónde falla el modelo y ajustando los prompts de forma iterativa, permitiendo que la inteligencia artificial incluso ayude a calificar sus propios resultados para acelerar el ciclo de desarrollo de meses a meros días.
💡 Profundizando
Q: ¿Por qué son tan importantes los “evals”?
A: Porque los modelos son no deterministas; sin métricas rigurosas, es imposible saber si un cambio en el prompt rompió algo más.
Q: ¿Cómo ayuda la IA a los PM en su día a día?
A: Se utiliza para prototipar interfaces en figma o código de forma instantánea, permitiendo probar ideas antes de involucrar al equipo de diseño.
Q: ¿Qué diferencia a un PM de investigación de uno de producto?
A: La frontera se ha borrado; hoy todos los PM en IA necesitan habilidades técnicas para ajustar modelos y evaluar datos.
Del chat a los agentes: El futuro del razonamiento
El salto del Sistema 1 al Sistema 2 en la inteligencia artificial
Modelos como o1 representan un cambio de paradigma al pasar de la respuesta instantánea e intuitiva a un proceso de razonamiento deliberado que permite al sistema formar hipótesis y refutarlas antes de hablar, algo que Kevin Weil compara con la forma en que los humanos resolvemos problemas científicos complejos o acertijos difíciles.
Estamos pasando de una IA que simplemente completa texto a una que piensa activamente durante segundos o incluso horas.
Esta proactividad permitirá que los asistentes dejen de esperar órdenes pasivamente para empezar a anticipar necesidades, como preparar borradores de presentaciones o revisar el correo electrónico para detectar tendencias críticas antes de que el usuario siquiera abra su computadora por la mañana.
💡 Profundizando
Q: ¿Qué significa que un modelo tenga “razonamiento”?
A: Que puede pausar, evaluar diferentes caminos para resolver un problema y corregirse a sí mismo antes de entregar una respuesta.
Q: ¿Qué es el “Computer Use” que mencionó Anthropic?
A: Es la capacidad del modelo para interactuar con la pantalla, mover el cursor y usar aplicaciones como lo haría un humano para completar tareas tediosas.
Q: ¿Cómo afectará esto a la educación del usuario?
A: Los productos deben volverse educativos, explicando sus propias capacidades a medida que el usuario interactúa con ellos.
Conclusiones clave
La industria se aleja rápidamente de la interfaz de chat rígida hacia experiencias multimodales y agentes que pueden usar computadoras de forma autónoma. El desarrollo ya no se trata de lanzar funciones perfectas, sino de gestionar la incertidumbre y diseñar sistemas que fallen de forma elegante cuando el modelo no tiene la confianza suficiente para actuar.
El desafío final no es solo técnico, sino profundamente cultural. Debemos educar a una nueva generación de usuarios y trabajadores para que confíen en sistemas que, aunque no son perfectos al 100%, ofrecen una utilidad económica masiva. La clave reside en encontrar el equilibrio entre la potencia bruta del modelo y una interfaz que devuelva el control al ser humano.
Preguntas y Respuestas
Q1: ¿Por qué comparan la IA con los anuncios de Apple en la época de Instagram?
A1: Porque antes un anuncio externo podía alterar tu hoja de ruta; ahora, los avances de los propios equipos de investigación internos son los que “disrumpen” el producto desde dentro constantemente.
Q2: ¿Qué es el “Mendoza Line” de la IA mencionado en la charla?
A2: Es una referencia a ese nivel de éxito del 60% donde una tarea ya es lo suficientemente útil como para ser lanzada al mercado, siempre que el diseño sea el adecuado.
Q3: ¿Cómo ven la interacción de los niños con la IA?
A3: Los niños son “nativos de la IA”; no tienen el prejuicio de que la computadora deba ser determinista y se sienten cómodos manteniendo conversaciones largas y creativas con ella.
Q4: ¿Qué es el escalado en tiempo de consulta (query time)?
A4: Es la técnica de permitir que el modelo use más capacidad de cómputo para “pensar” antes de responder, en lugar de solo depender de lo que aprendió durante su entrenamiento inicial.
Q5: ¿Cómo afecta el no determinismo al diseño de interfaces?
A5: Rompe la intuición de los últimos 25 años donde un mismo clic siempre hacía lo mismo; ahora el diseño debe centrarse en mecanismos de retroalimentación y corrección rápida.
Q6: ¿Cuál es el riesgo de que la IA escriba sus propios “evals”?
A6: El riesgo es que el criterio humano se pierda; por ello, es vital que los humanos sigan revisando los casos de fallo para asegurar que el modelo no se esté “auto-engañando”.
Q7: ¿Qué papel juega la personalidad del modelo?
A7: Es fundamental para la retención; los usuarios empiezan a desarrollar relaciones de empatía con los modelos, eligiendo uno u otro según lo “cercano” o “distante” que se sienta su tono.
