El Despertar Secreto de la IA en Diciembre

Andre Karpathy, un titán de la inteligencia artificial que fue pionero en la conducción autónoma en Tesla, cofundó OpenAI e incluso acuñó el término "vibe coding", hizo recientemente una asombrosa admisión que resonó en todo el mundo tecnológico. Hablando en el evento anual de IA de Sequoia, confesó: "Nunca me había sentido tan atrasado como programador". Esta declaración, de una de las mentes más influyentes del campo, señaló una aceleración sin precedentes en las capacidades de la IA.

Para Karpathy, esta profunda sensación de ser superado por la tecnología no fue meramente desalentadora; fue una compleja mezcla de emociones. Describió el sentimiento como "una mezcla de ambos, sin duda" —simultáneamente estimulante por el puro progreso que representaba y profundamente inquietante para su propia posición profesional. Un sentimiento tan sincero de un experto líder subraya la velocidad radical del avance de la IA.

Esto no fue una evolución gradual de las herramientas. Karpathy identificó un punto de inflexión preciso: "Diciembre fue este punto claro". Durante un descanso, con más tiempo para experimentar, notó un cambio dramático, casi instantáneo, en las capacidades de los últimos modelos de IA. Donde antes editaba y corregía meticulosamente trozos de código generado, de repente, "los trozos simplemente salían bien", y declaró: "No recuerdo la última vez que lo corregí".

Los modelos de IA, combinados con sus arneses operativos avanzados, se transformaron de útiles asistentes de código en desarrolladores casi autónomos. Matthew Berman, presentador de "Why is AI so smart but also so dumb?", profundizó en esto, explicando que estos sistemas ya no solo ofrecían fragmentos; ahora podían construir aplicaciones completas de principio a fin. Este nuevo paradigma de confianza y salida impecable llevó a Karpathy a adoptar el "vibe coding" —una interacción fluida, casi intuitiva con la IA que redefine fundamentalmente el acto de programar.

Berman enfatizó que cualquiera que hubiera experimentado la IA un año antes, quizás a través de las primeras iteraciones de ChatGPT, necesitaba "volver a mirar a partir de diciembre". El cambio fue fundamental y drástico, particularmente en el "agentic, coherent workflow". La confesión de Karpathy no es solo una reflexión personal; señala un cambio fundamental que afecta a cada desarrollador, ingeniero y profesional tecnológico a nivel global. Este repentino "despertar de diciembre" altera irrevocablemente el panorama de la competencia tecnológica y el futuro del trabajo mismo.

Diciembre marcó un punto de inflexión distintivo para las herramientas de IA agentic, un 'punto claro' donde las capacidades se transformaron fundamentalmente. Andre Karpathy, cofundador de OpenAI y la mente detrás de la conducción autónoma de Tesla, notó este cambio durante un descanso, observando un salto cualitativo en el rendimiento del modelo. Esto no fue simplemente una actualización incremental; señaló un cambio profundo en la capacidad de la IA para ejecutar tareas complejas de manera coherente y fiable.

Antes de este mes crucial, los desarrolladores que utilizaban IA para codificar a menudo se encontraban inmersos en una laboriosa danza. Los sistemas de IA generaban trozos de código, pero estos frecuentemente requerían una edición y depuración manual extensiva. Las herramientas eran útiles, ofreciendo fragmentos, pero su salida rara vez era impecable, exigiendo una intervención humana constante para ensamblar software funcional. Los programadores seguían estando en gran medida al mando, corrigiendo y refinando meticulosamente las sugerencias de la IA.

Luego llegó diciembre. Karpathy describió una mejora repentina y dramática: los fragmentos de código "simplemente salían bien". Siguió pidiendo más, y el sistema cumplió, produciendo consistentemente resultados correctos. No podía recordar la última vez que tuvo que corregir la AI, lo que lo llevó a un estado de creación sin esfuerzo que denominó "vibe coding". Este nuevo paradigma significaba confiar cada vez más en el sistema, yendo más allá de la mera asistencia hacia una colaboración genuina.

Esto representó un cambio monumental, pasando de simples fragmentos de código a un desarrollo de aplicaciones completo de principio a fin. La AI, de repente, podía construir aplicaciones enteras, materializando software complejo con una fiabilidad sin precedentes y una supervisión humana mínima. Matthew Berman, un destacado comentarista de AI y presentador del video "Why is AI so smart but also so dumb?", se hizo eco de la experiencia de Karpathy, enfatizando que "something changed with the models plus the harnesses" haciéndolos "incredibly good".

Berman destacó esto como una "transición marcada", enfatizando que muchos pasaron por alto esta profunda evolución. Instó a aquellos que descartaron la AI después de encuentros anteriores menos impresionantes con herramientas como ChatGPT a "volver a mirar a partir de diciembre". La tasa de progreso era "una locura", señaló, alterando fundamentalmente el panorama para los agentic, coherent workflows. Matt Shumer, una voz reconocida en AI, articuló aún más esta transformación en su ensayo "Something Big Is Happening", observando una mejora en los modelos "más de lo que jamás pensó que fuera posible en tan poco tiempo", remodelando fundamentalmente no solo la programación, sino la economía en general. Esto no fue un parche menor; fue un salto cualitativo en inteligencia y utilidad.

Atrás quedaron los días en que la AI actuaba meramente como un sofisticado generador de code snippet. El cambio hacia el agentic coding marca una transformación fundamental, yendo mucho más allá del antiguo flujo de trabajo de copiar y pegar. Anteriormente, los desarrolladores usaban herramientas como ChatGPT para obtener fragmentos de código aislados, luego los unían manualmente, depurando y editando según fuera necesario. Esto era útil, pero seguía siendo una línea de montaje en gran medida impulsada por humanos.

Este salto transformador se debe a una potente combinación: modelos de AI subyacentes drásticamente mejorados junto con "harnesses" más efectivos. Estos 'harnesses' permiten a los modelos encadenar tareas complejas de manera coherente, ejecutando múltiples pasos sin la intervención humana constante. Andre Karpathy, reflexionando sobre su experiencia, señaló que para diciembre, los fragmentos de código "simplemente salían bien", eliminando la necesidad de correcciones y fomentando una profunda confianza en el sistema.

Lo que surge es una AI que funciona menos como un asistente inteligente y más como un desarrollador junior en ciernes. Estos agentes avanzados pueden construir aplicaciones enteras desde cero, demostrando una nueva capacidad para el trabajo independiente. Matthew Berman, un destacado comentarista de AI, destacó esta distinción, enfatizando que la AI ya no solo proporciona fragmentos; "literalmente podría hacerlo todo de principio a fin". Esta capacidad sustenta el concepto de "vibe coding" que Karpathy describió.

Cualquiera que haya desestimado las capacidades de la AI incluso hace un año debe reevaluar inmediatamente su destreza actual. La tasa de progreso es "una locura", como lo expresó Berman, lo que hace que las impresiones anteriores queden obsoletas. El December moment representa una transición clara hacia un flujo de trabajo de AI fundamentalmente diferente y más coherente. Para obtener más información sobre la perspectiva de Karpathy sobre las limitaciones y el potencial de la AI, explore Why AI Isn't as Smart as You Think: Karpathy's Brutal Truth About Artificial Intelligence.

Andre Karpathy, cofundador de OpenAI y exjefe de AI en Tesla, ofrece un marco profundo para este cambio sísmico, definiendo tres eras distintas de desarrollo de software. Software 1.0 implicaba escribir código explícito basado en reglas, donde los ingenieros humanos elaboraban meticulosamente cada instrucción. Este paradigma tradicional dominó la computación durante décadas, con resultados deterministas basados en la lógica definida por humanos.

Software 2.0 surgió con el advenimiento del deep learning, donde la "programación" se transformó en la curación de enormes conjuntos de datos y el entrenamiento de neural networks. Los desarrolladores organizaban grandes cantidades de datos, definían objetivos y seleccionaban arquitecturas de neural network, permitiendo que la red aprendiera sus propios pesos y representaciones internas. Esta era significó programar implícitamente a través de datos, en lugar de código explícito.

Ahora, Karpathy postula la llegada de Software 3.0, un paradigma centrado enteramente en la creación de prompts para large language models (LLMs). Esto representa una redefinición fundamental de la computadora misma. Aquí, los pesos del modelo preentrenado del LLM funcionan como la CPU, ejecutando operaciones complejas y razonando basándose en su vasto conocimiento aprendido.

La ventana de contexto, ese espacio finito donde residen la entrada del usuario y la salida del modelo, actúa como la RAM, la memoria a corto plazo de esta nueva arquitectura informática. Esta analogía aclara cómo un LLM procesa la información, interpretando el contexto inmediato para generar respuestas coherentes y realizar tareas intrincadas.

La programación en Software 3.0 se convierte en el arte de elaborar prompts precisos y gestionar hábilmente esta ventana de contexto. Los desarrolladores ya no escriben líneas de código; en cambio, utilizan la ventana de contexto como su principal "palanca sobre el intérprete", como lo describe Karpathy. Este enfoque guía al potente LLM preprogramado a través de tareas intrincadas y procesos computacionales.

Esta potente nueva "computadora" obtiene sus inmensas y versátiles capacidades de una forma implícita de programación derivada directamente de sus datos de entrenamiento. Al ingerir vastas extensiones de todo internet —texto, código, imágenes y más— los LLMs aprenden implícitamente a realizar múltiples tareas en innumerables dominios y bases de conocimiento, construyendo eficazmente una inteligencia generalizada. Internet mismo se convierte en la base de código definitiva y no estructurada para este nuevo paradigma.

En consecuencia, la programación pasa de la instrucción explícita a la cuidadosa orquestación de un intérprete inteligente de propósito general. Este nuevo flujo de trabajo, ejemplificado por el 'December Moment' de la AI agéntica, altera fundamentalmente cómo los ingenieros construyen e interactúan con sistemas complejos, ampliando los límites de lo que el software puede lograr en un panorama digital cada vez más autónomo.

Vibe coding surge como la consecuencia directa de adoptar el paradigma Software 3.0 de Andrej Karpathy. Ya no se escriben reglas explícitas ni se entrenan meticulosamente pesos aprendidos; los desarrolladores ahora programan mediante la indicación a un modelo de lenguaje grande, confiando implícitamente en el sistema. Este profundo cambio redefine el rol central del programador, transformándolo de un arquitecto de código meticuloso a un orquestador de la intención más amplia de la IA.

Los desarrolladores ahora entran en un verdadero estado de flujo, guiando la "vibe" o dirección general de la IA en lugar de depurar líneas individuales o errores de sintaxis. El proceso se vuelve menos sobre la corrección precisa del código y significativamente más sobre la transmisión de un resultado deseado o una visión arquitectónica. Esto permite que la IA agéntica complete autónomamente detalles intrincados y genere funcionalidades complejas, fomentando una asociación altamente intuitiva y colaborativa.

Este nuevo modelo de programación señala una transición fundamental de un enfoque de codificación determinista a uno de codificación probabilística. En lugar de definir rígidamente cada paso lógico y función, los desarrolladores articulan un objetivo de alto nivel, una "vibe" abstracta. El LLM luego genera probabilísticamente código funcional y coherente que se alinea precisamente con esa intención expresada, sintiéndose más como dirección creativa que como ingeniería tradicional.

La propia experiencia de Karpathy subraya poderosamente este profundo cambio. Él identificó un "punto claro" en diciembre del año pasado donde herramientas agénticas como Claude Code transformaron fundamentalmente sus capacidades. Anteriormente, él editaba rutinariamente "fragmentos de código" que requerían refinamiento, pero con los modelos más recientes, observó una sorprendente consistencia donde "los fragmentos simplemente salían bien".

"No recuerdo la última vez que lo corregí," afirmó Karpathy, destacando la fiabilidad sin precedentes de estos sistemas avanzados. Esta nueva precisión fomentó una confianza profunda y acelerada en la IA, impulsando su adopción del vibe coding. El enfoque del desarrollador se desplaza completamente a refinar las indicaciones, iterar en la estrategia de alto nivel y gestionar las salidas de la IA, confiado en su ejecución de tareas complejas.

El cambio de paradigma descrito por Karpathy se extiende profundamente a la instalación de software. Atrás quedaron los días de lidiar con complejos scripts de shell o seguir meticulosamente guías de dependencia de varios pasos. Considere la instalación de una herramienta como "Open Claw". En el mundo del Software 1.0, esto podría exigir un comando `curl | bash` extenso, asumiendo configuraciones de sistema y gestores de paquetes específicos, a menudo fallando debido a discrepancias ambientales.

Ahora, bajo el marco de Software 3.0, tu nuevo script de instalación es un simple párrafo de texto dirigido a un agente de IA. En lugar de un comando preciso, dices: "Instala Open Claw por mí." El agente entonces interpreta esta intención, comprendiendo las especificidades de tu sistema, resolviendo dependencias y ejecutando los pasos necesarios de forma autónoma, imitando a un administrador de sistemas experimentado.

Ejemplos de here.now y Journey Kits ilustran aún más esta transición. Sus indicaciones de instalación van más allá de comandos rígidos para articular lógica condicional, como: "Si tienes npm, haz esto... si no, haz aquello." Esto descarga eficazmente toda la carga de depuración específica del entorno, gestión de dependencias y toma de decisiones del usuario a la inteligencia inherente del agente de IA. El agente posee la conciencia contextual para navegar por diversos sistemas operativos, herramientas instaladas y posibles conflictos.

Este enfoque demuestra ser significativamente más potente porque aprovecha al máximo la capacidad emergente del agente para razonar, adaptarse y autocorregirse. Los desarrolladores ya no escriben instrucciones explícitas y frágiles; simplemente describen el resultado deseado. Este cambio fundamental modifica el modelo de interacción, permitiendo que la AI maneje los detalles intrincados, a menudo frustrantes, de la configuración del sistema, la resolución de errores e incluso la configuración posterior a la instalación. Comprender esta capacidad es clave para apreciar el rápido progreso en agentic coding, aunque también destaca las discusiones en curso sobre la verdadera "comprensión" de los modelos de AI frente a sus impresionantes capacidades de reconocimiento de patrones. Para más información sobre los matices de las capacidades cognitivas de la AI, lea The Limitations of Large Language Models for Understanding Human Language and Cognition - PMC.

Un principio fundamental en la inteligencia artificial, "la lección amarga", afirma el triunfo inevitable de la computación general y escalable sobre las heurísticas creadas por humanos. Este principio, articulado por el pionero de la AI Richard Sutton, postula que la computación de fuerza bruta y los datos masivos superan consistentemente las reglas intrincadas y ajustadas manualmente o el conocimiento específico del dominio. Defiende el poder del aprendizaje sobre la ingeniería explícita.

Andre Karpathy experimentó esta lección de primera mano durante su papel fundamental liderando la AI en Tesla. Las primeras iteraciones de Tesla Autopilot operaban con una arquitectura híbrida, combinando neural networks con un extenso código C++ escrito por humanos. Los ingenieros codificaron minuciosamente instrucciones explícitas y complejas máquinas de estado para manejar escenarios de conducción específicos y casos límite, creando un frágil mosaico de reglas.

El giro radical y posterior de Tesla abrazó por completo la lección amarga. El sistema se transformó en una red neuronal pura, de extremo a extremo, ingiriendo directamente datos de sensores brutos —cámaras, radar, ultrasonidos— y generando comandos de control. Esto eliminó miles de líneas de reglas definidas por humanos, reemplazándolas con un sistema de aprendizaje singular y unificado entrenado con inmensos conjuntos de datos de conducción en el mundo real.

Los resultados fueron nada menos que revolucionarios. La red de extremo a extremo demostró capacidades de generalización vastamente superiores, navegando situaciones complejas y novedosas con una robustez sin precedentes. No solo funcionó mejor, sino que también se volvió significativamente menos compleja de mantener, eliminando la deuda técnica acumulada de innumerables heurísticas frágiles codificadas por humanos. Esta transición sirvió como una poderosa validación de la premisa central de la lección amarga.

La profunda y práctica experiencia de Karpathy con este cambio de paradigma en Tesla moldea profundamente su comprensión de la actual revolución de la AI y su conceptualización de Software 3.0. Fue testigo de cómo un sistema evolucionaba de una compleja mezcla de inteligencia humana y de máquina a una entidad elegantemente simple y basada en datos. Este conocimiento de primera mano sustenta su creencia de que el futuro del software reside en la instrucción de agentes inteligentes.

Su "December Moment" —la comprensión de que las herramientas de IA agénticas podrían construir aplicaciones completas de principio a fin— es la lección amarga que se manifiesta en la propia codificación. El auge de vibe coding y el cambio hacia scripts de instalación de un solo párrafo son consecuencias directas. Los programadores ya no definen cada paso lógico intrincado; articulan una intención de alto nivel, confiando en la computación subyacente y masivamente escalada del LLM para ejecutarla. Esto no es meramente una mejora incremental; representa una re-arquitectura fundamental de cómo se concibe, desarrolla y mantiene el software. La era de las reglas explícitas y codificadas a mano está dando paso a la era de la inteligencia aprendida y emergente.

La cruda ilustración de Karpathy de este cambio de paradigma se centra en una aplicación de menú aparentemente simple. Un programador podría abordar esto inicialmente con vibe coding, elaborando código tradicional para la funcionalidad central, y luego integrando componentes de IA para características como el reconocimiento de imágenes o la generación dinámica de contenido. Este enfoque híbrido, aunque aprovecha la IA, todavía se arraiga en las reglas explícitas de Software 1.0.

Sin embargo, el verdadero poder de Software 3.0 se manifiesta en un método radicalmente diferente. Imagina presentar un modelo multimodal con solo una fotografía de un menú y una única frase declarativa: "use Nano Banana to overlay images on this menu." El agente entonces interpreta autónomamente la imagen, comprende el contexto y ejecuta la tarea completa, sin requerir más codificación manual.

Esto demuestra la asombrosa outwards creep de las capacidades de las redes neuronales de extremo a extremo. Donde antes los desarrolladores construían meticulosamente capas de software – base de datos, backend, frontend, librerías de procesamiento de imágenes – ahora, toda la pila colapsa. El Large Language Model (LLM) se convierte en el intérprete y ejecutor universal, abstraiendo las complejidades de la ingeniería de software tradicional.

El LLM absorbe eficazmente las funciones de los sistemas operativos, los compiladores e incluso marcos de aplicaciones completos. Sus vastos pesos aprendidos, derivados de inmensos conjuntos de datos, le permiten comprender la intención y generar salidas complejas, incluidos diseños visuales y elementos interactivos, directamente a partir de prompts de alto nivel. Esto no se trata solo de generar fragmentos de código; se trata de que el LLM *sea* el entorno computacional.

Las implicaciones futuras son profundas: para un número creciente de tareas, el acto de escribir código tradicional y explícito se volverá cada vez más redundante. Los desarrolladores pasarán de instruir a las máquinas con sintaxis precisa a comunicar los resultados deseados a través del lenguaje natural, aprovechando la vasta base de conocimiento implícito del LLM para manifestar aplicaciones. La era de la aplicación de un solo prompt no es una fantasía lejana, sino una realidad inminente.

Los desarrolladores deben ahora girar hacia una filosofía agent-first, diseñando sistemas que abracen la inteligencia inherente de la IA en lugar de limitarla con reglas prescriptivas. Esto significa ir más allá de automatizar tareas individuales; en su lugar, construir marcos donde los agentes interpreten autónomamente objetivos de alto nivel y orquesten flujos de trabajo complejos. Considera cómo un agente puede adaptarse dinámicamente a desafíos imprevistos, en lugar de simplemente ejecutar un script estático.

Tu habilidad principal cambia de implementar meticulosamente procesos a articular con precisión los *resultados* deseados. Bajo el paradigma Software 3.0 de Andre Karpathy, el desarrollador define el "qué" —el propósito y la funcionalidad de la aplicación— y delega el "cómo" al LLM subyacente. Esto requiere una nueva disciplina en la elaboración de prompts claros e inequívocos que comuniquen la intención, permitiendo al agente generar el código o las acciones necesarias.

Cultivar una intuición profunda para este nuevo paradigma exige experimentación incesante con los modelos más recientes. Interactúa directamente con plataformas de vanguardia como Claude, GPT y otras. Solo a través de la interacción práctica se puede desarrollar la sensibilidad de vibe coding que Karpathy describió, comprendiendo los matices sutiles del comportamiento agéntico y prediciendo sus respuestas. Matthew Berman enfatiza esta necesidad urgente de reevaluar las capacidades de la IA, especialmente después de los avances transformadores de diciembre.

Esta era redefine el rol del desarrollador, de un codificador de bajo nivel a un arquitecto de intención de alto nivel. En lugar de escribir funciones prolijas, ahora elaboras directivas concisas, confiando en que el agente gestione los intrincados detalles de implementación. Esto se alinea con la 'bitter lesson', donde la inteligencia general y escalable supera inevitablemente a las heurísticas frágiles y creadas por humanos.

Los fundadores y equipos deben reevaluar estratégicamente todo su stack de desarrollo, centrándose en definir los problemas en su nivel de abstracción más alto. El objetivo ya no es construir cada componente desde cero, sino hacer 'prompting' de manera efectiva a los modelos agénticos para que construyan la solución de principio a fin. Para obtener más información sobre la naturaleza paradójica de la inteligencia de la IA, donde puede ser increíblemente inteligente y sorprendentemente tonta a la vez, explora Why some artificial intelligence is smart until it's dumb | Knowable Magazine. Este reinicio fundamental requiere un cambio de mentalidad, no solo de dominio de herramientas.

El 'Momento de Diciembre' señaló más que un progreso incremental; marcó un cambio de fase en las capacidades de la IA. La profunda realización de Andre Karpathy –sentirse "más atrasado como programador"– subraya esta aceleración no lineal. No estamos experimentando un ascenso constante, sino más bien una serie de saltos exponenciales.

Esta rápida evolución expone una paradoja peculiar: la IA parece 'tonta' cuando está limitada por reglas explícitas de Software 1.0. Cuando intentamos microgestionar o forzarla a heurísticas rígidas y definidas por humanos, su rendimiento flaquea.

Sin embargo, su profunda 'inteligencia' emerge cuando se le otorga agencia dentro de su entorno nativo de Software 3.0. Confiar en el sistema, permitiéndole interpretar la intención de alto nivel a través de 'prompts' en lenguaje natural, desbloquea capacidades de principio a fin sin precedentes. El cambio de depurar fragmentos a hacer 'vibe coding' de aplicaciones completas ejemplifica esto.

Considera las implicaciones: Si el pasado diciembre trajo un cambio tan drástico y fundamental, ¿qué promete el próximo punto de inflexión? ¿Cómo se preparan los desarrolladores, gerentes de producto y fundadores para estas aceleraciones inevitables e impredecibles? Mantenerse informado a través de recursos como el Join My Newsletter de Matthew Berman para Regular Updates se vuelve crucial, pero la mera observación es insuficiente.

La 'bitter lesson' nos enseña que la computación generalizada y escalable triunfa inevitablemente sobre las especificidades creadas por humanos. Este principio se está manifestando ahora a un ritmo sin precedentes. La única manera de mantenerse verdaderamente al día, de evitar quedarse atrás como Karpathy sintió inicialmente, es a través de la participación activa.

Construir, experimentar y abrazar el ritmo acelerado del cambio no son opcionales; son fundamentales. Esto no se trata solo de adoptar nuevas herramientas; se trata de cambiar todo nuestro enfoque hacia la creación de software. El tsunami del progreso de la IA está aquí, y solo aquellos que cabalguen sus olas darán forma al futuro.

¿Qué es 'Software 3.0' según Andre Karpathy?

Software 3.0 es un nuevo paradigma de computación donde la programación pasa de escribir código explícito (Software 1.0) o entrenar modelos con conjuntos de datos (Software 2.0) a solicitar a un modelo de lenguaje grande. El LLM actúa como un intérprete, y la ventana de contexto es la palanca principal para dirigir la computación.

¿Por qué diciembre de 2023 fue un mes crucial para el desarrollo de la IA?

Alrededor de diciembre de 2023, los principales modelos de IA experimentaron un salto significativo en capacidad, especialmente en flujos de trabajo de agentes. Pasaron de generar fragmentos de código a construir de manera confiable aplicaciones completas y complejas de principio a fin con una corrección mínima, un cambio sentido por muchos desarrolladores de vanguardia.

¿Qué es el 'vibe coding'?

El 'vibe coding' es un término acuñado por Andre Karpathy para describir un estado de programación donde el agente de IA es tan efectivo y confiable que el desarrollador puede confiar en él para manejar tareas complejas. El proceso se vuelve menos sobre la microgestión del código y más sobre guiar a la IA hacia el resultado deseado con indicaciones de alto nivel.

¿Qué es la 'lección amarga' en IA?

La 'lección amarga' postula que, a largo plazo, la computación de propósito general y la escalabilidad (como en las redes neuronales de extremo a extremo) siempre superarán a los sistemas que dependen de reglas y heurísticas complejas diseñadas por humanos. Es una apuesta por el poder de escalado de los datos y los modelos sobre la programación manual.