El mundo de la IA está lleno de infraestructura vieja con órganos estocásticos.

Esa frase probablemente explica mejor que nada por qué me siento lento últimamente. No porque haya dejado de importarme la IA. No porque ya no sepa construir. No porque las herramientas me hayan superado. Si acaso, las herramientas fueron en dirección opuesta: me hacen más rápido generando código, más rápido prototipando, más rápido tocando capas que antes abordaba una por una.

Y aún así, dentro del trabajo, me siento más lento.

La Trampa de la Creación Barata

Esta es la parte incómoda. La IA me da la sensación de que todo debería moverse más rápido, pero cuanto más la uso en serio, más tiempo termino invirtiendo en las partes que no se aceleran limpiamente. El código aparece rápido. El borrador aparece rápido. El flujo de trabajo aparece rápido. Pero luego necesito entender qué es lo que realmente hace. Necesito probar el límite entre componentes. Necesito verificar que el resultado no solo es plausible, sino suficientemente correcto para sobrevivir al contacto con la realidad.

Quizás esta es la primera trampa real del desarrollo con IA:

Crear se volvió barato. Verificar, no.

Suena simple, casi obvio, pero creo que es la razón por la que muchos sentimos este extraño desajuste entre velocidad y agotamiento. Ahora podemos producir más superficie de la que podemos inspeccionar cómodamente. Una funcionalidad que habría tomado días en esbozarse puede aparecer en horas. Una ruta de backend, un componente frontend, una cadena de prompts, un test, un script de despliegue, un diagrama de flujo: todo puede generarse lo suficientemente rápido como para crear la ilusión de que todo el proceso se comprimió.

Pero el proceso completo no se comprimió.

La parte costosa se movió.

Todavía tienes que entender el sistema. Todavía tienes que validar los supuestos. Todavía tienes que probar el comportamiento de extremo a extremo. Todavía tienes que preguntarte si la cosa es estable, mantenible, segura, observable y alineada con la intención original. La IA abarató el primer borrador, pero también facilitó producir primeros borradores en más capas a la vez. Así que la carga final a menudo se vuelve mayor, no menor.

Antes de la IA, había una fricción natural en el desarrollo. Escribías más lento, así que la producción y la comprensión estaban más cerca. Ahora la producción puede adelantarse a la comprensión. Puedes construir más rápido de lo que puedes digerir. Y cuando eso pasa, el cuello de botella se vuelve obvio.

No es escribir.

Ni siquiera es programar.

Es juicio.

El Ruido del Hype

El mundo de la IA recompensa el movimiento. Recompensa a quienes reaccionan rápido, renombran rápido, empaquetan rápido, comentan rápido y publican antes de que el concepto se enfríe. Cada semana hay un nuevo modelo, un nuevo benchmark, un nuevo framework de agentes, un nuevo «esto lo cambia todo», una nueva herramienta que aparentemente va a reemplazar a la mitad de la industria y luego desaparece en un archivo de GitHub dos semanas después.

En algún momento, me cansé de perseguirlo.

No por completo. Todavía sigo el campo. Todavía me importa lo que importa. Pero ya no tengo la energía para tratar cada lanzamiento, cada demo, cada hilo y cada producto de IA con fondo degradado como si mereciera mi atención completa. Una prueba de concepto no es un producto. Una cadena de prompts no es cognición. Un wrapper no es infraestructura. Un dashboard no es un sistema operativo para la inteligencia solo porque alguien escribió «agentic» en la sección principal.

Después de un tiempo, el ruido se vuelve caro.

Lo Viejo Vuelve, Pero Diferente

Cuando dejé de perseguir cada actualización, pasó algo extraño. No me volví menos interesado en la IA. Me volví más interesado en cosas más viejas.

Sistemas distribuidos. Permisos. Bucles de control. Optimización de redes. Separación de preocupaciones. Enrutamiento. Handshakes. Retroalimentación. Sistemas biológicos. Colonias de hormigas. Virus. Evolución. Sistemas adaptativos complejos.

Cuanto más miro la IA, más veo problemas antiguos regresando en un sustrato nuevo. No copiados perfectamente. No resueltos automáticamente. Pero regresando. Las mismas familias de problemas siguen apareciendo bajo lenguaje más nuevo. ¿Cómo coordinan las partes? ¿Quién tiene acceso a qué? ¿Dónde ocurre una decisión? ¿Qué pasa cuando un componente falla silenciosamente? ¿Cómo evitas que la incertidumbre local se convierta en corrupción global? ¿Cómo mantienes un sistema observable cuando algunos de sus órganos hablan en probabilidades?

Por eso sigo diciendo que la infraestructura de IA a menudo se siente como infraestructura vieja con órganos estocásticos. El cuerpo es familiar. Los órganos se comportan diferente.

El Problema de la Correlación en los Errores

Imagina un pipeline como este:

A > B > C > verificación final

Si la verificación final pasa, el sistema continúa. Si falla, el sistema redirige a otro lado. Es simple. También es riesgoso, porque una alucinación temprana puede viajar por toda la cadena antes de ser inspeccionada.

Así que hacemos el proceso más granular:

A > check > B > check > C > check > evaluar checks

Eso se siente mejor, y en muchos casos lo es. La granularidad le da al sistema una tasa de muestreo más alta. Interrumpe la acumulación. Atrapa problemas antes. Pero no reduce mágicamente la incertidumbre del modelo. Reduce la incertidumbre propagada. Reduce el radio de explosión. Reduce la probabilidad de que un mal paso contamine todo lo downstream. Esas son ganancias reales.

Pero la incertidumbre atómica permanece.

Y aquí está la parte que creo que importa más que el eslogan habitual de seguridad de IA: más verificaciones no ayudan mucho si todas comparten el mismo punto ciego.

Los errores generativos a menudo están correlacionados. El mismo modelo, con la misma familia de prompts, leyendo el mismo tipo de entrada, puede reproducir la misma conclusión equivocada varias veces. Un pipeline puede coleccionar muchas marcas verdes que todas comparten el mismo defecto. En ese punto, la granularidad no crea seguridad. Crea falsa confianza de alta resolución.

Esa es la diferencia entre varianza y sesgo.

Los checks granulares ayudan con la varianza. Atrapan desviaciones aleatorias, locales, únicas. No corrigen el sesgo. Si el verificador está sistemáticamente equivocado, agregar más instancias del mismo verificador principalmente multiplica el error.

La Reparación: Descorrelación

La reparación no es solo reintentar. La reparación es descorrelación.

Diferentes modelos. Diferentes prompts. Diferentes ángulos de evaluación. Diferentes representaciones de la misma tarea. Diferentes supuestos de fallo. A veces incluso diferentes modalidades de verificación, donde un componente evalúa estructura, otro verifica hechos, otro verifica restricciones y otro busca contradicciones.

Eso ya no es reintento clásico. Eso está más cerca de la especiación.

No haces robusto un sistema repitiendo el mismo organismo. Lo haces robusto introduciendo suficiente variación para que un punto ciego no se convierta en una enfermedad de toda la colonia. De la misma manera que los sistemas biológicos sobreviven no porque cada unidad sea perfecta, sino porque la diversidad cambia cómo se propaga el fallo.

Lentitud con Salida

He pasado casi tres años leyendo Ant Encounters. No porque el libro fuera imposible de leer más rápido, sino porque cada página seguía conectándose con algo más. Una pequeña observación sobre hormigas se convertía en una pregunta sobre decisiones locales, comportamiento global, asignación de tareas, coordinación distribuida.

Comparado con el ritmo del mundo de la IA, esto se ve absurdamente lento.

La gente publica cinco opiniones sobre cinco herramientas nuevas antes del almuerzo, y yo todavía estoy atascado en una analogía biológica de un libro que ni siquiera trata sobre IA.

Pero quizás «atascado» es la palabra equivocada.

Quizás esto no es leer. Quizás esto es compilar.

La página no se está consumiendo. Se está vinculando. Entra en un contexto hecho de trabajo viejo, ideas inconclusas, cicatrices técnicas, arquitectura de software, curiosidad biológica y frustración con productos superficiales de IA. El resultado no es velocidad. El resultado es compresión. Una entrada pequeña crea una gran reorganización interna.

Eso es valioso, pero tiene un problema serio.

Es invisible.

Y quizás ese es el miedo real detrás de la pregunta «¿soy lento?». No que sea realmente lento. El miedo es que mientras conecto puntos, el campo seguirá avanzando sin ver nada de esto. El miedo es que la profundidad sin output visible se vuelva indistinguible de la ausencia. El miedo es que el mundo de la IA es tan ruidoso, tan acelerado y tan adicto al vocabulario fresco que si no produzco constantemente algo visible, desapareceré dentro del zumbido.

Pero a veces me escondo detrás de la profundidad.

Puedo sentirlo cuando una conexión se queda privada más de lo que debería. Puedo sentirlo cuando un pensamiento se vuelve más complejo en mi cabeza porque publicarlo lo haría más pequeño, expuesto y fácil de criticar. Puedo sentirlo cuando «todavía lo estoy pensando» empieza como disciplina y lentamente se convierte en refugio.

Ese es el modo de fallo que debo detectar.

Porque el pensamiento lento es valioso solo si eventualmente se vuelve visible, comprobable, compartible o ejecutable. De lo contrario, es solo complejidad privada. Puede sentirse profundo internamente, pero desde fuera no tiene peso.

Un Ritmo Diferente

El discurso actual de la IA está lleno de gente diciendo «mira esto nuevo». Quizás hay espacio para alguien que diga «mira este principio antiguo que regresa en una forma extraña, y mira con cuidado dónde se rompe la analogía».

Eso no es más lento.

Es un ritmo diferente.

Un ritmo que no compite bien con el hype a corto plazo, pero quizás envejece mejor.

Quiero entender lo que sigue siendo verdad después de que la palabra de moda se haya ido.

Ese tipo de trabajo es más lento por naturaleza. No puedes conectar biología, sistemas distribuidos, arquitectura de software y orquestación de IA a la velocidad de un hilo de lanzamiento de producto. No puedes construir un modelo mental duradero reaccionando a cada notificación. No puedes entender un campo solo consumiendo sus afirmaciones más nuevas.

Pero puedes desaparecer mientras haces trabajo profundo en silencio.

Esa es la advertencia que tomo en serio.

No «eres demasiado lento».

Más bien:

Tu lentitud necesita output.

Lento e invisible es peligroso. Lento y trazable es diferente. Lento y ejecutable es diferente. Lento y publicado es diferente. Lento y conectado a experimentos, código, diagramas, argumentos, fallos y razonamiento público se convierte en un cuerpo de trabajo.

Así que quizás la respuesta es sí, soy lento.

Pero no soy lento porque esté perdido.

Soy lento porque estoy tratando de entender la maquinaria en lugar de solo repintar el dashboard. Soy lento porque cada nueva idea de IA parece arrastrar detrás una pregunta mucho más antigua. Soy lento porque no confío en la velocidad cuando la velocidad es principalmente presión social. Soy lento porque sigo encontrando fantasmas útiles de campos más antiguos dentro de las palabras de moda más nuevas.

El riesgo no es ser lento.

El riesgo es dejar que el trabajo se quede atrapado dentro de mi cabeza hasta que el mundo no tenga forma de distinguir la profundidad del silencio.