Pulso IA #68 | | Lo que funciona en la demo
La publicación semanal de Amplify: claridad, estrategia y comunidad para ampliar tu ventaja con inteligencia artificial.
Google tenía el modelo terminado. Lo probó, vio cómo se rompía en una cosa concreta, y lo tiró entero a la basura.
No era un prototipo: era Gemini 3.5 Pro, el buque insignia, casi listo para salir. Reconstruirlo desde cero cuesta cientos de millones de dólares y varios meses. Lo hicieron igual. Y el motivo tiene menos que ver con la calidad del modelo que con dónde falló: aguantaba bien las tareas sueltas y se venía abajo justo cuando había que encadenar muchas seguidas. Funcionaba en la demo. No funcionaba en la máquina.
Esa distancia — entre lo que se comporta en un entorno controlado y lo que sobrevive al contacto con la realidad — es la historia de la semana, y aparece en casi todo lo que pasó. También, probablemente, en tu propio negocio.
Latidos de la semana
Google tiró a la basura un modelo terminado. El sitio exacto donde se rompió es la noticia.
Google DeepMind descartó la base de Gemini 3.5 Pro y reinició el preentrenamiento desde cero, retrasando el lanzamiento de junio a mediados de julio. Según las filtraciones, el modelo descartado fallaba en dos cosas: no mantenía la consistencia al generar gráficos complejos, y se desmoronaba en las cadenas recursivas de llamadas a herramientas — esas secuencias en las que un agente usa una herramienta, coge el resultado, decide con él la siguiente, y así decenas de veces seguidas.
El segundo fallo es el que importa, porque es exactamente aquello sobre lo que Google apostó toda esta generación de modelos: los agentes que trabajan solos. La grieta apareció justo en el sitio donde pensaban vender. Un modelo capaz de contestar bien una pregunta suelta pero incapaz de sostener una cadena larga no habría sido un lanzamiento flojo: habría sido una demostración pública de que no llegan a lo que ellos mismos dijeron que era el futuro. Cuando el listón se mueve, entregar lo casi correcto se vuelve peor que entregar tarde. Y esa aritmética también es la tuya: lo que ayer era “suficientemente bueno para salir” hoy depende de dónde falle, no de cuánto acierte.
(Nota: casi todo esto viene de filtraciones y reportes de terceros, no de Google. El lanzamiento estaba previsto para el 17 de julio — cuando leas esto ya sabremos si llegó.)
Coinbase pasó del 40% al 95% de código escrito con IA en cinco meses. Lo interesante es el 5% que no tocaron.
Rob Witoff, responsable de plataforma de Coinbase, contó esta semana que entre el 95% y el 100% del código de la empresa ya se escribe con modelos de lenguaje. En febrero era el 40%. Cada ingeniero lleva entre cinco y diez agentes trabajando a la vez, y en conjunto hacen el equivalente al trabajo de unos 1.200 empleados. La empresa despidió a unas 700 personas en mayo.
Hasta ahí, la lectura obvia: la IA sustituye programadores. Pero el detalle que casi nadie ha subrayado es dónde pusieron el freno. El prototipado está automatizado al 100%. Los sistemas centrales van a medias. Y la criptografía — la parte donde un error significa perder el dinero de los clientes — la siguen revisando expertos humanos, línea por línea. No la automatizaron al 95% porque no podían. La dejaron a mano porque ahí equivocarse cuesta demasiado.
Ese es el mapa que merece la pena copiar. La pregunta no es qué parte de tu trabajo puede hacer la IA, sino en qué parte te puedes permitir que se equivoque. Prototipar, borradores, primeras versiones, explorar opciones: automatiza sin miedo, porque el coste de un error es rehacerlo. Lo que va firmado, lo que toca dinero, lo que llega al cliente sin que nadie más lo mire: ahí el 5% manual no es atraso tecnológico, es criterio.
Illinois obliga a auditar la IA. Y los auditados están escribiendo la ley.
El 6 de julio, Illinois se convirtió en el primer estado en exigir auditorías de seguridad independientes y anuales a los grandes desarrolladores de IA — los que facturan más de 500 millones al año: OpenAI, Anthropic, Google, Meta, xAI. Hasta aquí, una noticia regulatoria más. Lo que la hace interesante es quién la empujó.
Anthropic quiere que los siguientes estados vayan más lejos. OpenAI quiere que todos converjan en una misma base común — su jefe de asuntos globales lo llama “federalismo inverso”: conseguir que los estados se copien entre sí hasta formar, de facto, una ley nacional. Ambas empresas están redactando la regulación que las va a regular, y lo hacen en los estados porque Washington lleva un año atascado. Los grupos alineados con uno y otro laboratorio se gastaron más de 23 millones de dólares en unas primarias de Nueva York. Veintitrés millones. En unas primarias estatales.
La lectura para quien no está en esa mesa es sencilla y algo incómoda: las reglas de un mercado no las escribe quien tiene razón, las escribe quien aparece. Está pasando ahora mismo, en tu sector también, aunque con menos ceros.
El 7% que debería preocuparte más que cualquier lanzamiento.
Un estudio de Teradata publicado esta semana, con mil responsables de tecnología en seis países, encontró que solo el 7% de las empresas han llegado al punto en que la IA les da resultados medibles. El 68% siguen experimentando. Y el obstáculo principal que identifican no son los modelos: es la infraestructura de datos.
No lo desarrollamos aquí — es el tema de la sección de profundidad. Pero deja instalada la pregunta, porque no es un problema de grandes empresas: si tu IA no te está dando lo que esperabas, ¿y si el problema no fuera la IA?
DeepSeek apaga sus modelos antiguos el 24 de julio.
Un aviso corto y práctico para quien tenga algo montado sobre la API de DeepSeek: el 24 de julio dejan de responder los nombres antiguos de sus modelos. No hay prórroga anunciada. Si algo tuyo depende de eso y nadie lo ha migrado, esta semana es la semana.
Lo apuntamos porque es la clase de fecha que no sale en los titulares y rompe cosas un martes por la mañana. La IA ya no es solo una herramienta que abres: para muchos negocios es ya una pieza de infraestructura, con lo que eso implica — mantenimiento, avisos que leer, y dependencias que se caen solas si nadie las mira.
Distinguir lo que funciona en la demo de lo que aguanta en producción es, cada semana, más rentable que estar al día de los lanzamientos. En Amplify Premium trabajamos esa distinción con casos concretos.
En profundidad
Y si el problema no fuera la IA
Hay un número que explica más sobre por qué tu IA no está funcionando que cualquier comparativa de modelos.
Un estudio de Teradata publicado esta semana — mil responsables de tecnología y datos en seis países — encontró que solo el 7% de las empresas han alcanzado la fase en la que la IA produce resultados medibles en el negocio. El 68% siguen experimentando o desarrollando. No es un dato aislado: en marzo, un estudio de Harvard Business Review con Cloudera preguntó a directivos si sus datos estaban listos para la IA, y solo el 7% dijo que completamente. Dos estudios distintos, dos muestras distintas, el mismo número.
Y en los dos, el culpable señalado es el mismo, y no es el que esperarías. No son los modelos. Son los datos.
Conviene entender por qué esto es más grave de lo que suena, porque “problema de datos” suena a algo aburrido que le pasa a los departamentos de informática. Piénsalo así: cuando un humano trabaja con información mala, se da cuenta, refunfuña y la corrige. Cuando un panel de control muestra un dato equivocado, ahí se queda, esperando a que alguien lo mire. Pero cuando un agente automático trabaja sobre información mala, no la muestra: actúa sobre ella. El error deja de estar a la vista y pasa a estar en marcha, multiplicado por todas las veces que el agente lo repita. Un sistema automático no arregla tu desorden. Lo ejecuta a escala.
Por eso los pilotos impresionan y luego mueren. Un piloto se monta en un entorno limpio: dos fuentes de datos ordenadas, un caso de uso elegido porque se ve bien, alguien mirando. La demo funciona. Y después se conecta a la realidad — sistemas que nunca se hablaron entre sí, datos con tres versiones distintas de la verdad, excepciones que nadie documentó — y ahí se rompe. No porque el modelo sea peor, sino porque la demo evitaba precisamente la parte difícil.
Y aquí es donde conviene girar el número hacia tu propio negocio, porque este no es un problema de grandes corporaciones con almacenes de datos. Es exactamente tu problema, en pequeño. Tu “infraestructura de datos” son las notas de clientes repartidas entre tu correo, un cuaderno y tu memoria. Es el precio que en realidad cobras, que no coincide del todo con el de tu web. Es el proceso que sabes hacer pero que nunca escribiste, y que por tanto solo existe mientras tú estés delante. Cuando le pides a la IA que redacte una propuesta, que resuma la situación de un cliente o que te prepare un presupuesto, le estás pidiendo que trabaje sobre eso. Y el resultado te decepciona, y tú concluyes que la herramienta no era tan buena.
La herramienta era buena. Estaba leyendo tu desorden.
La reacción intuitiva — ordenarlo todo antes de usar nada — es una trampa, y es la que mantiene a la mayoría en el 68% que sigue experimentando. Ordenarlo todo no se acaba nunca. El responsable de datos de Teradata lo dijo mejor que ningún consultor: intentar dejar listo todo tu conjunto de datos es probablemente la meta equivocada, y perseguirla es parte de por qué las empresas se atascan. Lo que funciona es lo contrario: ser despiadadamente selectivo. Elegir la parte de tu información que de verdad genera valor — una sola — y dejarla impecable. No las diez. Una.
Para casi cualquier negocio pequeño, esa parte es evidente en cuanto te la preguntas. Suele ser cómo describes lo que vendes y a quién. O el historial real de tus mejores clientes. O el proceso que repites cada semana y que solo vive en tu cabeza. Escribe eso bien, en un sitio, una vez. Y luego apunta la IA ahí.
El 93% no tiene un problema de inteligencia artificial. Tiene un problema de orden que la inteligencia artificial acaba de hacer visible. La buena noticia es que ordenar una cosa está al alcance de cualquiera esta misma semana. La mala es que nadie lo va a hacer por ti, porque no se ve, no se factura y no sale en ningún titular.
Herramienta de la semana
Una que no deberías instalar, y otra que sí
Esta semana lanzaron una herramienta que resuelve exactamente el problema del que acabamos de hablar. Y no te la vamos a recomendar. Merece la pena explicar por qué, porque en ese “no” hay más información útil que en la mayoría de los “sí”.
Lo que lanzaron. Se llama Screenpipe, salió el 15 de julio, y su promesa cabe en una línea: graba cómo trabajas y conviértelo en memoria buscable, procedimientos y agentes. Funciona en tu propio ordenador: captura lo que aparece en tu pantalla y lo que se dice por el micrófono, lo guarda en local, y deja que un asistente de IA consulte ese historial. Puedes preguntarle qué viste hace veinte minutos. Puede generarte el resumen de una reunión en cuanto termina, o un informe de en qué se te fue el día. No le tienes que contar tu contexto: lo tiene.
Es, sin exagerar, la respuesta más ambiciosa que ha construido nadie a la pregunta de la que hablábamos hace un momento: que la IA lo vea todo, sin que tengas que ordenarle nada.
Por qué no te la recomendamos. Tres razones, y las tres importan más que la herramienta.
La primera es práctica: se instala desde la línea de comandos. No es para ti si no eres técnico, y decir lo contrario sería venderte humo.
La segunda es el precio: 400 dólares de pago único. No es una suscripción que pruebas y cancelas.
La tercera es la que de verdad cuenta. Graba tu pantalla y tu micrófono de forma continua. Si eres consultor, en tu pantalla hay material confidencial de tus clientes todo el día. El proyecto ofrece filtros — puedes excluir aplicaciones, ventanas, campos de contraseña — pero eso significa que la protección depende de que tú configures bien una lista de exclusiones, y de que la mantengas. Y aunque se vende como local, la telemetría viene activada por defecto: “los datos se quedan en tu disco” no es lo mismo que “no sale nada de tu ordenador”. Su propio lanzamiento abrió un debate público bastante encendido sobre esto, y con razón.
Entonces por qué te la contamos. Porque señala hacia dónde va todo esto, y esa dirección sí te afecta aunque nunca la instales. La IA está pasando de ser algo que consultas a ser algo que tiene contexto sobre ti. Ese es el salto, y Screenpipe es su versión más extrema y más honesta: te enseña la factura completa — la técnica, la económica y la de privacidad — en lugar de esconderla. Las versiones cómodas de esta misma idea van a llegar a las herramientas que ya usas, con la factura mucho menos visible. Conviene haber pensado antes dónde está tu línea.
Lo que sí puedes hacer el lunes. La versión sensata de la misma idea se llama Scribe, y es lo contrario en todo: en vez de grabarlo todo siempre, grabas una cosa, una vez, a propósito. Instalas una extensión en el navegador, le das a grabar, haces ese proceso que repites cada semana como lo haces normalmente, y le das a parar. Al terminar tienes el procedimiento escrito, paso a paso, con capturas de pantalla. No lo has redactado tú: solo hiciste tu trabajo con el grabador puesto.
Eso es exactamente el “elige una cosa y déjala impecable” de la sección anterior, con el mínimo esfuerzo posible. Y tiene una ventaja sobre el vídeo: cuando el proceso cambia, editas un paso en vez de volver a grabarlo todo.
Acceso. Scribe tiene un plan gratuito con un límite de guías y captura solo desde el navegador; los planes de pago (que añaden captura de escritorio y exportación) rondan las dos o tres decenas de dólares al mes, con precios que varían bastante según la fuente y el tipo de plan — conviene mirarlos en su web antes de decidir. El límite del plan gratuito, por cierto, no es un problema aquí: si la tesis de esta semana es que ordenes una cosa, no necesitas cien.
Pregunta de la semana
Coinbase automatizó el 95% de su código y dejó a mano, deliberadamente, la parte donde equivocarse sale caro. Google tiró un modelo entero porque fallaba justo donde pensaba vender. Las dos decisiones son la misma decisión: saber exactamente dónde no te puedes permitir un error.
En tu negocio, ¿cuál es tu criptografía — esa parte donde da igual lo rápido que vaya todo lo demás, porque ahí un fallo lo paga el cliente y lo pagas tú?
Nos leemos la semana que viene.
— El equipo de Amplify
Casi todo el mundo está eligiendo herramientas. Muy poca gente está decidiendo dónde puede permitirse un error y dónde no. Esa segunda decisión es la que separa un negocio que escala de uno que solo va rápido. En Amplify Premium la trabajamos cada semana.