El mandato de 'Eliminar todo'
Boris Cherny, el visionario creador de Claude Code, lanzó recientemente una granada en la comunidad de desarrollo de IA con una directiva provocadora: "Cada 6 meses, elimina toda tu capa de IA". Esto no fue una mera sugerencia; aterrizó como un mandato existencial, provocando inmediatamente una tormenta de debate y preocupación en foros de desarrolladores y canales de redes sociales a nivel mundial.
Este audaz pronunciamiento envió una onda sísmica a través del ecosistema, malinterpretado en gran medida como un despido universal de la experiencia en ingeniería de prompts ganada con tanto esfuerzo. La conclusión inmediata y generalizada fue que modelos de vanguardia como Opus 5 habían avanzado tan drásticamente que hacían que todas las cadenas de prompts, lógica personalizada y barreras de seguridad intrincadas creadas meticulosamente anteriormente fueran totalmente obsoletas. La comunidad luchó con la noción de que sus minuciosos esfuerzos para guiar a LLMs menos capaces ahora no solo eran innecesarios, sino quizás incluso perjudiciales.
La implicación dolió profundamente, golpeando el núcleo de la identidad del desarrollador. Sugería que meses, incluso años, de elaborar reglas globales intrincadas, habilidades especializadas y ganchos sofisticados —toda la capa de IA personalizada de los desarrolladores— fueron etiquetados repentinamente como equipaje desechable y sin valor. Este esfuerzo colectivo, aparentemente reducido a la irrelevancia por el ritmo implacable de la innovación de los LLM, generó una preocupación generalizada en la comunidad. Muchos desarrolladores cuestionaron el valor inmediato de sus inversiones sustanciales en la construcción de sistemas de IA robustos, temiendo que su propiedad intelectual ganada con tanto esfuerzo fuera ahora obsoleta.
Más allá del hype: La verdad de la ablación
El provocador mandato de "eliminar toda tu capa de IA" de Cherny, el creador de Claude Code, suena inicialmente como un llamado al nihilismo digital. Pero una mirada más cercana revela que no estaba abogando por una purga ciega del progreso ganado con tanto esfuerzo. En cambio, Cherny defiende un proceso de evaluación sistemático y respaldado por la investigación: la ablación.
La ablación, un término tomado directamente de la investigación en IA, significa comenzar desde una pizarra completamente en blanco. Imagina eliminar cada prompt, cada regla global, cada habilidad personalizada que has construido minuciosamente. Luego, reintroduces estos elementos línea por línea, evaluando sistemáticamente el impacto de cada adición. Esta reevaluación meticulosa revela qué contribuye realmente al rendimiento de tu IA y qué se ha vuelto redundante o incluso restrictivo.
Esto no es solo un ejercicio académico; es una visión crucial del comportamiento moderno de los LLM. Los modelos más nuevos, como Opus, prosperan con objetivos de nivel superior y barreras de seguridad robustas, no con instrucciones demasiado específicas paso a paso. Los prompts excesivamente prescriptivos, que alguna vez fueron una necesidad para modelos menos capaces, ahora a menudo ahogan sus capacidades emergentes. La ablación te ayuda a identificar estos cuellos de botella instructivos, permitiéndote "dejar que el modelo cocine" con una guía mínima e impactante y desbloquear todo su potencial.
El punto ciego de los mil millones de tokens
La ablación sistemática de Cherny, aunque teóricamente sólida, presenta un obstáculo práctico asombroso para la mayoría de las operaciones. Este proceso exige eliminar un prompt de sistema completo, luego reintroducir meticulosamente cada habilidad, gancho y regla global línea por línea para medir su impacto individual. Tal evaluación exhaustiva exige un costo extremo en tokens, horas de desarrollador y recursos de ingeniería, lo que lo convierte en un ejercicio prohibitivo.
Este consejo, sin embargo, proviene de una perspectiva de recursos casi ilimitados. Como empleado de Anthropic, Cherny opera con un presupuesto de tokens con el que la mayoría de las empresas solo pueden soñar. Menciona casualmente la ejecución de sesiones de agentes durante "dos semanas", especificando incluso "14 días, 15 días" para una sola tarea. Este es un lujo imposible para los equipos que pagan por token o que luchan constantemente contra los límites de velocidad en modelos potentes como Opus 5, donde cada interacción conlleva un costo real.
Para la gran mayoría de las empresas, una ablación completa del sistema cada seis meses sigue siendo una fantasía costosa y disruptiva, no una estrategia viable. Si bien la intención de optimizar eliminando prompts innecesarios es loable, este nivel de iteración sistemática y cargada de tokens simplemente no es factible para entornos empresariales típicos. Es un lujo de nivel de investigación, alejado de las realidades financieras de la mayoría de los equipos de desarrollo que aprovechan Claude by Anthropic o cualquier otro LLM.
¿Te está gustando? Recibe uno así en tu bandeja cada mañana.
un correo al día · date de baja en dos clics · sin rastreadores de terceros
Una forma más inteligente de podar sus prompts
En lugar de una eliminación total, surge una estrategia más inteligente para la gestión de prompts a partir de un espectro de contexto. Debemos diferenciar entre las "reglas globales" siempre activas (los prompts del sistema fundamentales que definen la personalidad y las directivas principales de su IA) y las "habilidades" o "subagentes" bajo demanda que ejecutan tareas específicas y modulares. Esta distinción es crucial para una optimización pragmática.
Los esfuerzos agresivos de ablación deben dirigirse primero a estas reglas globales. Representan el mayor costo de tokens, consumiendo recursos con cada inferencia, y conllevan el mayor riesgo de restringir excesivamente los LLM modernos. La perspectiva de Boris Cherny, a pesar de su interpretación inicial, se mantiene aquí: muchas instrucciones fundamentales, esenciales para modelos más antiguos, ahora obstaculizan activamente las nuevas y potentes iteraciones como Opus 5.
Por lo tanto, mantenga sus reglas globales quirúrgicamente ajustadas, revisándolas con frecuencia para eliminar cualquier directiva innecesaria. Por el contrario, trate las habilidades y los subagentes como activos más duraderos. Estos componentes especializados se activan solo cuando es necesario, incurriendo en costos bajo demanda, no de forma continua. Revisarlos anualmente, en lugar de cada seis meses, ahorra un tiempo de ingeniería sustancial y mitiga el "punto ciego de los mil millones de tokens" de la ablación a gran escala. Este enfoque equilibrado prioriza la eficiencia y el impacto, asegurando que su capa de IA se mantenga nítida sin revisiones constantes y prohibitivamente costosas.
Preguntas frecuentes
¿Qué es el método de 'ablación' de IA?
La ablación es un proceso de evaluación sistemática de los prompts y reglas de un sistema de IA. Implica eliminar todo el prompt del sistema y luego volver a agregar cada línea o componente individualmente para probar su impacto en el rendimiento con un nuevo modelo.
¿Por qué el creador de Claude sugirió eliminar toda su capa de IA?
El punto de Boris Cherny fue que los LLM modernos son tan capaces que a menudo no necesitan las instrucciones demasiado específicas y paso a paso requeridas por los modelos más antiguos. Él aboga por la ablación para eliminar restricciones innecesarias y permitir que el modelo funcione de manera más efectiva.
¿Es práctico realizar una ablación completa en su sistema de IA?
Para la mayoría de los desarrolladores y empresas, una ablación completa cada seis meses no es práctica. El proceso requiere mucho tiempo y es muy intensivo en tokens, lo que lo hace muy costoso y potencialmente disruptivo para el desarrollo en curso.
¿Cuál es un enfoque más pragmático para mantener los prompts eficientes?
Una estrategia más inteligente es centrar los esfuerzos de ablación en las partes de su capa de IA que se utilizan con más frecuencia y que consumen más tokens, como las reglas globales y los prompts del sistema. El contexto bajo demanda, como las habilidades o los subagentes, puede revisarse con menos frecuencia.