Esto es Suma Positiva: tecnología, startups, venture capital, modelos mentales, rendimiento y longevidad.
Las mejores herramientas para prosperar y no perderte lo esencial en la era de la inteligencia artificial.
Una newsletter semanal y la comunidad privada Health & Wealth donde estas ideas se comparten y se ponen en práctica, en buena compañía.
Esta edición de Suma Positiva ha sido patrocinada por:
Volver a tu mejor tú empieza por conocerte mejor.
Cuidarte no siempre consiste en hacer más. A veces empieza por entender qué está pasando en tu cuerpo y qué merece realmente tu atención.
Holo reúne tus analíticas, informes y datos de salud para ayudarte a verlos con contexto. Y con la Analítica Avanzada puedes conocer más de 110 marcadores, interpretados por nuestro equipo médico, junto a un plan de acción personalizado para ti.
Conoce Holo
F*ck negatividad
Vivimos asediados por un bombardeo continuo de malas noticias, pero la realidad es que un día cualquiera en nuestra vida está lleno de cosas extraordinarias que apenas vemos: agua caliente, comida asegurada, un techo, personas que nos quieren, un cuerpo que funciona y, a veces, simplemente un día sin sobresaltos.
El problema es que nos acostumbramos a lo bueno hasta volverlo invisible.
De vez en cuando conviene detenerse y recordar que muchas de las cosas que hoy damos por hechas habrían sido un lujo, un sueño o incluso un milagro para casi cualquiera en otro tiempo.
Seis cosas buenas que tenemos delante de las narices y casi no vemos:
La ducha de hace 200 años. Agua caliente al instante, algo que ni los reyes podían tener hace 200 años. Tú la disfrutas antes incluso de estar lo bastante despierto como para valorarla.
El estómago lleno. Nunca has tenido que organizar tu día pensando en cómo conseguir comida. Durante la mayor parte de la historia de la humanidad, eso era precisamente lo normal. Lo nuestro no lo es: es un privilegio.
Las cinco llamadas. En tu móvil hay cinco personas que lo dejarían todo por ti. Párate a contarlas. Esa sí es riqueza de verdad, y además está viva.
La lluvia sobre el tejado. Escuchar cómo cae la lluvia sobre un tejado que es tuyo mientras tú estás seco debajo. Esta noche hay alguien ahí fuera, bajo esa misma lluvia, deseando tener justo eso que tú apenas notas.
Un cuerpo que funciona. Hoy has subido unas escaleras sin pensarlo. Hay un ala entera de cualquier hospital llena de personas que darían cualquier cosa por poder hacer ese gesto tan corriente.
Un día normal. Sin crisis, sin malas noticias, sin salas de espera. Ese día que probablemente olvidarás es exactamente el día que otra persona daría cualquier cosa por tener.
Entender el ADN humano dejará de ser buscar una aguja en un pajar gigantesco
Cada pocos días escuchamos que la IA va a acabar con nosotros de una u otra forma.
Yo prefiero pensar justo lo contrario: que va a ayudarnos a resolver algunos de los problemas más importantes que tenemos.
Y hay uno que, como sabéis, me interesa e importa especialmente: la salud.
Fijaos qué locura lo que acaba de anunciar Google Deepmind: AlphaGenome Atlas, una herramienta que predice el impacto de todas las mutaciones de una sola letra posibles en el genoma humano: unas 9.000 millones.
El genoma humano es una cadena de unos 3.000 millones de parejas de bases nitrogenadas (A, C, G, T), por lo que en cada posición hay tres cambios posibles.
Una forma sencilla de entender el ADN es pensar que contiene dos tipos de información. Por un lado están las recetas para fabricar proteínas, las moléculas que hacen gran parte del trabajo dentro de nuestras células. Pero el ADN también contiene algo igual de importante: las instrucciones que deciden cuándo, dónde y cuánto se utiliza cada una de esas recetas. Es decir, no solo importa qué proteína fabrica una célula, sino en qué momento la fabrica, en qué tejido y en qué cantidad.
Durante mucho tiempo, la genética se centró sobre todo en la primera parte, porque era más fácil de interpretar: si una mutación cambia una proteína importante, es relativamente sencillo imaginar cómo puede provocar una enfermedad. El problema es que la inmensa mayoría del genoma (el 98%, el llamado ADN “oscuro”) no codifica proteínas y muchas de las variantes genéticas asociadas a enfermedades comunes se encuentran precisamente en esas regiones reguladoras. No estropean directamente una proteína, sino que alteran sus “controles”: hacen que un gen se active demasiado, demasiado poco, en el lugar equivocado o en el momento equivocado.
Y ahí empieza la dificultad. Encontrar una mutación dentro de un gen es relativamente fácil. Entender qué hace una mutación situada en una región reguladora puede ser muchísimo más complicado. Es como encontrar un error no en una receta, sino en uno de los millones de interruptores que controlan cuándo se cocina cada plato.
AlphaGenome Atlas utiliza IA para predecir qué efecto pueden los 9.000 millones de posibles cambios de una sola letra del ADN sobre el funcionamiento del genoma: si alteran la actividad de un gen, el procesamiento del ARN o, finalmente, la producción de proteínas. A cada variante le asigna una puntuación para ayudar a los investigadores a distinguir rápidamente las que probablemente sean irrelevantes de las que merece la pena estudiar.
La importancia está en reducir radicalmente el espacio de búsqueda. En lugar de enfrentarse a miles de millones de posibles mutaciones casi a ciegas, los científicos disponen de un mapa que señala dónde pueden estar las más interesantes. Una especie de Google Maps de las mutaciones humanas, pensado para acelerar la comprensión de las enfermedades y, con el tiempo, el desarrollo de mejores diagnósticos y terapias.
El trabajo del ingeniero de software ha cambiado, y no necesariamente para bien.
Por dar la contrapartida a los mensajes optimistas anteriores, este es el testimonio de un ingeniero de software que nos cuenta en qué se ha transformado su trabajo. ¿Pasará algo similar con otras profesiones?
Estoy harto de esta mierda. Se acabó.
El estado actual de la ingeniería es horrible. Llevo medio mes en un nuevo puesto en una gran empresa y aquí nadie sabe nada. Las especificaciones, el código, los tests, los PRD, los tickets, la resolución de esos tickets, los informes… absolutamente todo lo hace Claude Code.
A nadie de mi equipo le gusta esto. Nos están obligando a sacar todo el trabajo posible, lo más rápido posible. He oído varias veces a la alta dirección decir que escribir código y subirlo a producción ya no es un cuello de botella, así que ¿por qué vamos tan lentos?
La gente está trabajando 12 ó 13 horas al día básicamente para pulsar Enter. Nadie lee nada. En la empresa, los humanos ya no hacen prácticamente nada por su cuenta. Todo el mundo, literalmente todo el mundo, desde un ingeniero L1 hasta uno L7, hace lo mismo: hablar con Claude.
No hay ninguna sensación de logro. Nadie está resolviendo bugs de verdad. En realidad, nadie está pensando ya. Todo lo hacen los LLM.
Es tremendamente deshumanizante. Y, sinceramente, no me importaría tanto si al menos nos diesen tiempo para revisar el código y entender qué está pasando y dónde va cada cosa. Pero no. El objetivo es simplemente sacar cosas. Pase lo que pase.
Jev y la nueva promesa de la IA: decisiones ubicuas, rápidas y baratas
Jev es un nuevo modelo de inteligencia artificial creado por TypeSafe AI, una compañía fundada por Diogo Almeida junto a Erik Gafni y Sasha Sheng. Almeida había trabajado anteriormente en OpenAI y participó en el desarrollo de InstructGPT y de las técnicas de RLHF que estuvieron en el origen de ChatGPT. Su nuevo proyecto parte de una intuición distinta: los grandes modelos de lenguaje son extraordinarios generando texto y razonando, pero quizá no sean la herramienta adecuada para todas las pequeñas decisiones que empieza a tomar el software.
El nombre Jev es una referencia a William Stanley Jevons y a su conocida paradoja: cuando una tecnología hace mucho más eficiente el uso de un recurso, el consumo total de ese recurso puede terminar aumentando. La idea encaja bien con la ambición del proyecto. Si una decisión tomada por una inteligencia artificial se vuelve muchísimo más barata, probablemente no utilizaremos la misma cantidad de inteligencia gastando menos, sino que acabaremos utilizándola en muchos más lugares.
Durante los últimos años hemos aprendido a utilizar modelos como ChatGPT, Claude o Gemini para una cantidad cada vez mayor de tareas. Escriben, resumen, programan, analizan documentos y mantienen conversaciones bastante sofisticadas. Pero, a medida que estos modelos empiezan a integrarse en el software, estamos empezando a utilizarlos también para algo mucho más sencillo: tomar decisiones.
Imaginemos una empresa que recibe un correo de un cliente. Quizá el sistema sólo necesite decidir si el asunto es urgente, qué departamento debería ocuparse de él y si existe riesgo de que el cliente abandone. Un gran modelo de lenguaje puede resolver perfectamente este problema. El inconveniente es que estamos utilizando una tecnología extraordinariamente sofisticada para producir una respuesta muy sencilla.
Jev nace de esa observación. Su propuesta es que, si lo que queremos de una máquina es una decisión, quizá no tenga demasiado sentido utilizar para ello una máquina diseñada fundamentalmente para escribir. En lugar de producir una respuesta abierta, Jev recibe una serie de alternativas definidas de antemano y escoge entre ellas. Puede decidir, por ejemplo, que el riesgo de abandono de un cliente es bajo, medio o alto; que una operación es normal o sospechosa; o que un documento pertenece a una determinada categoría. Además, puede devolver una medida de confianza sobre esa decisión.
La diferencia parece pequeña, pero cambia bastante la naturaleza del problema. Los grandes modelos de lenguaje producen respuestas pensadas para personas. Una persona puede interpretar matices, perdonar que la respuesta no tenga exactamente el formato esperado o detectar que el modelo ha contestado algo extraño. El software necesita algo distinto: respuestas predecibles, estructuradas y fáciles de utilizar como entrada de la siguiente acción.
Hasta ahora hemos resuelto este tipo de problemas principalmente de tres maneras.
Reglas fijas (if x then y): si una factura supera los 10.000 euros, la enviamos a revisión. Funcionan muy bien cuando podemos expresar con precisión aquello que queremos detectar, pero mucho peor cuando intentamos convertir en una regla cosas como “este cliente parece estar enfadado” o “esta operación resulta sospechosa”.
Machine learning clásico (entrenar modelos específicos para cada problema). Entrenas un modelo para detectar fraude, spam, analizar sentimiento, etc. Pueden ser muy eficientes, pero normalmente requieren datos etiquetados, entrenamiento, mantenimiento y un modelo diferente para cada problema.
LLMs: Utilizar directamente un gran modelo de lenguaje y explicarle mediante un prompt qué queremos que decida. Esta última opción es extraordinariamente flexible y explica buena parte del éxito de los LLM. El inconveniente es que hemos acabado utilizando modelos enormes, generalistas y relativamente caros para resolver millones de pequeños problemas que, una vez formulados correctamente, consisten únicamente en escoger una opción. Y, como sabemos, usar estos modelos es caro y lento.
Jev intenta ocupar ese espacio intermedio. Mantiene una de las propiedades más valiosas de los modelos modernos —la posibilidad de describir el problema en lenguaje natural— pero limita deliberadamente el espacio de respuestas. Una manera intuitiva de pensarlo es como un “if inteligente”. Los programas están llenos de instrucciones del tipo “si ocurre esto, haz aquello”. Hasta ahora, ese “esto” tenía que poder expresarse de manera bastante precisa: si el precio supera 100, si han pasado treinta días o si el usuario ha pulsado este botón. Con un sistema como Jev podemos imaginar condiciones mucho más cercanas a la forma en que pensamos las personas: si este cliente parece dispuesto a cancelar, si este contrato parece arriesgado, si esta noticia es relevante o si este agente se ha desviado de su objetivo.
Se dice que Jev no alucina, pero esto no significa que Jev no pueda equivocarse. Si le preguntamos si una operación es fraudulenta puede decir que sí cuando la respuesta correcta era no. Lo que cambia es el tipo de error posible. Si sólo hemos definido dos respuestas, “sí” y “no”, Jev no puede inventarse una tercera. Puede equivocarse dentro del espacio de decisión, pero no salirse de él. Esa diferencia puede ser muy importante cuando quien recibe la respuesta no es una persona, sino otro programa.
La otra gran diferencia es económica. Según los benchmarks publicados por la propia compañía, Jev puede resolver determinadas tareas de decisión decenas o incluso cientos de veces más barato que un gran modelo de lenguaje, además de hacerlo con mucha menor latencia.
Jev consigue buena parte de esa ventaja renunciando a capacidades. No puede escribir un ensayo, mantener una conversación abierta, generar código complejo o enfrentarse a un problema que exige una larga cadena de razonamiento. Tampoco puede decidir algo que no hayamos previsto de alguna forma en el espacio de respuestas. Ése es su principal trade-off: sacrifica generalidad a cambio de coste, velocidad y predictibilidad.
Y precisamente por eso lo más interesante de Jev quizá no sea hacer más barato aquello que ya hacemos hoy, sino permitir cosas que hoy no tienen sentido económico.
Pensemos, por ejemplo, en un agente de inteligencia artificial navegando por Internet para completar una tarea. Durante el proceso podría necesitar hacerse continuamente preguntas sencillas: si la página contiene información útil, si está avanzando hacia su objetivo, si debería hacer clic en un enlace, si la respuesta que acaba de obtener parece correcta o si ha llegado el momento de pedir ayuda a un modelo más potente. Ninguna de estas decisiones es particularmente sofisticada, pero un agente puede necesitar cientos o miles para completar una sola tarea.
Si cada una requiere llamar a un gran modelo, el coste y el tiempo se acumulan rápidamente. Si cada decisión cuesta prácticamente nada, podemos imaginar una arquitectura distinta: el gran modelo se utiliza sólo cuando realmente necesitamos generar algo, razonar en profundidad o enfrentarnos a una situación nueva, mientras que modelos mucho más pequeños se encargan de observar, clasificar, decidir, comprobar y enrutar.
Eso permitiría tener agentes funcionando de forma continua sobre miles de correos, conversaciones, documentos o transacciones, recurriendo al modelo grande únicamente cuando sucede algo relevante. También permitiría introducir inteligencia en partes del software donde hoy no tendría sentido económico hacerlo: evaluar cada interacción con un cliente, clasificar dinámicamente cada elemento de un catálogo, comprobar cada paso de un proceso automatizado o adaptar continuamente el comportamiento de una aplicación.
Jev no es un competidor de ChatGPT, Claude o Gemini. Es algo complementario. Los grandes modelos seguirían siendo la herramienta a la que recurrimos cuando necesitamos pensar, escribir o enfrentarnos a problemas nuevos. Sistemas como Jev se podrían ocupar de la enorme cantidad de pequeñas decisiones que ocurren entre medias.
Gracias por leer Suma Positiva.
Si te ha gustado esta edición, no te olvides de dar al ❤️ y de compartirla por email o redes sociales con otras personas a las que les pueda gustar.
Suscríbete para no perderte ninguna futura edición.