En la primera sesión recorrimos el mapa de la cadena física sobre la que se apoya todo esto, esa que va desde una única fábrica de máquinas de litografía en un pueblo de los Países Bajos hasta la aplicación que un cliente abre en su teléfono, y que en cada eslabón está dominada por unas pocas empresas que deciden los precios, los términos y las prioridades sin consultarnos (me refiero a nosotros, en América Latina). Recorrer ese mapa importa porque uno no puede supervisar la estrategia de IA de una organización sin ver la cadena completa sobre la que se apoya.

Pero hoy quiero escribir sobre lo que vino después, cuando bajamos del mapa global a la vida corporativa concreta y entramos en dos fenómenos que veo repetirse en muchas de las empresas grandes de la región. Uno lo llamo la adopción por defecto: la Inteligencia Artificial que llegó empaquetada en una renovación de contrato, el día que el proveedor de siempre activó el copiloto en las licencias que ya existían y la organización pasó a “tener IA” sin que nadie tomara una decisión estratégica. El otro, que encuentro más sutil y más caro, lo llamo la ilusión de adopción: creer que porque los colaboradores usan las herramientas, la organización ya se transformó.

Para preparar esa parte de la sesión leí un libro que parece (es) del siglo pasado. The Goal, de Eliyahu Goldratt, publicado en 1984, una novela sobre un gerente de planta que tiene noventa días para salvar su fábrica de la quiebra. Lo curioso de volver a un libro así en 2026 es descubrir que no envejeció. Envejeció el mundo alrededor, no el libro.

La historia que cuenta Goldratt arranca con una escena que podría estar ocurriendo esta semana en cualquier comité directivo. La planta instaló unos robots nuevos. Los robots reportan eficiencias espectaculares, cada estación donde trabajan muestra números que suben, y sin embargo la planta entera está a punto de cerrar. El mentor del protagonista lo desarma con dos preguntas de las que no hay cómo escapar: ¿despacharon más producto? ¿bajaron los inventarios? La respuesta a las dos es que no. Entonces, concluye el mentor, los robots no aumentaron la productividad.

Cambiemos los robots por licencias de IA y tenemos la reunión de un comité directivo promedio de este año. Las métricas que llegan naturalmente a un comité (usuarios activos por semana, consultas realizadas, licencias en uso) miden lo mismo que medían los indicadores de aquellos robots: actividad local. Y aquí hay una trampa doble. Lograr que esas cifras crezcan muchas veces cuesta un esfuerzo enorme, cualquiera que haya intentado que un equipo de verdad adopte una herramienta nueva lo sabe (yo lo sé por años de trabajar en educación online e intentar mostrarle a las empresas que nuestros cursos si son de los que la gente comienza y termina), y ese esfuerzo hace todavía más fácil confundir el número con un logro. Pero por más que haya costado subirlas, siguen midiendo que la gente usa la herramienta que le pusieron enfrente. No miden si eso acercó a la empresa a su meta.

El problema es que el uso no es valor. Y la distancia entre esas dos cosas, entre que una herramienta se use y que produzca valor, es lo que responde a la pregunta de si la adopción de IA de una empresa significa algo o no significa nada. Qué quiere decir usar la Inteligencia Artificial de manera sustantiva es una pregunta que me ha tenido pensando desde hace tiempo y que no voy a resolver hoy; se merece su propio texto. Por ahora me basta con marcar el borde: todo lo que sigue ocurre en esa distancia entre el uso y el valor.

Cuatro conceptos de 1926 que explican 2026

Buscando cómo articular esto con más precisión, llegué también a un artículo de Goldratt que me terminó de ordenar la cabeza: Standing on the Shoulders of Giants. Ahí analiza las metodologías de Henry Ford y de Taiichi Ohno, el ingeniero que diseñó el sistema de producción de Toyota, y extrae lo que ambos tenían en común en cuatro conceptos. Los voy a explicar porque cada uno, escrito inicialmente para una fábrica de autos de hace un siglo, describe con una exactitud curiosamente familiar lo que hoy no estamos haciendo con la IA:

1. Mejorar el flujo, es decir reducir el tiempo que va desde que entra el pedido hasta que se cobra, es el objetivo primario de las operaciones.

2. Ese objetivo debe traducirse en un mecanismo práctico que le indique a la operación cuándo no producir, para prevenir la sobreproducción.

3. Las eficiencias locales deben ser abolidas.

4. Y debe existir un proceso que enfoque el balanceo del flujo.

El tercero fue el que me detuvo. Las eficiencias locales deben ser abolidas. Al comienzo me sonó casi a error de traducción, pero muy rápido se me hizo obvio. ¿No es la eficiencia lo que perseguimos? La intuición de todo gerente, de todo director, de casi cualquiera que haya administrado algo, es que una operación efectiva es aquella donde cada recurso está ocupado el mayor tiempo posible. Si alguien no está trabajando es un desperdicio. Una máquina detenida es plata que se pierde. La eficiencia, dice el sentido común, se construye estación por estación, maximizando cada una.

Ford probó que esto es falso, con resultados. En sus líneas de flujo limitó deliberadamente el espacio entre estaciones de trabajo. La consecuencia atrevida de esa decisión es que cuando el espacio asignado se llena, el trabajador que alimenta esa estación tiene que parar. Debe quedarse quieto. Para lograr flujo, Ford tuvo que abolir las eficiencias locales, tuvo que aceptar que trabajadores capaces de producir se quedaran sin producir, porque entendió algo que va contra toda la sabiduría convencional: que mantener a cada estación ocupada al cien por ciento no produce operaciones efectivas. Produce inventario. Produce montañas de piezas a medio terminar acumulándose frente al verdadero cuello de botella, mientras la métrica de cada estación reporta, orgullosa, que va espectacular.

Ohno llevó la misma idea a un entorno mucho más difícil y le puso un mecanismo, el Kanban, cuya función esencial no es decirle a cada estación qué producir sino, sobre todo, cuándo no producir. En sus libros insiste varias veces en que no tiene ningún sentido animar a la gente a producir si lo que produce no se necesita en el corto plazo. La productividad de Toyota sigue sin ser igualada por ninguna otra ensambladora del mundo, y Goldratt señala por qué: las demás empresas copiaron las técnicas de Toyota pero apuntaron a ahorrar costos, mientras Ohno apuntaba obsesivamente a mejorar el flujo. Copiaron la aplicación y perdieron el concepto.

“What is obliterating the picture is that the end result of focusing on flow and ignoring local cost considerations is a much lower cost per unit. Exactly like the end result of abolishing local efficiencies is much higher efficiency of the labor force. If it looks strange it is because managers have not yet internalized the conceptual difference in guiding operations to concentrate on improving throughput rather than concentrating on reducing costs. One of the ramifications of concentrating on cost reduction is that almost all initiatives to foster a process of on-going improvement quickly reach the point of diminishing returns and as a result many deteriorate to lip service.”

Eliyahu M. Goldratt, "Standing on the Shoulders of Giants", Gestão & Produção, vol. 16, núm. 3 (2009)

El inventario de la era de la Inteligencia Artificial

Aquí es donde la fábrica de 1926 se vuelve un espejo de la oficina de 2026.

Cuando una organización le entrega IA a mil personas y celebra que mil personas la usan, está haciendo exactamente lo que hacía la planta con sus robots: optimizar estaciones locales. Cada persona, individualmente, produce más rápido. Pero ¿qué produce? Escribe más rápido, resume más rápido, genera más documentos. Si hay métricas de productividad enfocadas en la adopción y uso de la herramienta que se entregó, la métrica de cada estación sube. Y como la métrica implícita es “yo produzco más”, se siente como progreso, se siente como transformación.

Pero ¿a dónde va a parar ese supuesto tiempo liberado? En muchos casos se disuelve en el día, en más reuniones y más correos. O peor: se convierte en inventario. Y el inventario de la era de la IA tiene una forma tan reconocible que da algo de risa una vez que uno la ve. Es texto. Más reportes, más presentaciones, más resúmenes, más borradores, producidos más rápido que nunca, acumulándose a la espera de que alguien los lea.

La IA abarató escribir. En muchas organizaciones el verdadero cuello de botella es la atención de las pocas personas que tienen que leer los documentos, revisarlos y decidir sobre ellos. Producir más texto contra ese cuello de botella es, literalmente, la planta de los robots: reporte de aumento en eficiencias, probablemente desconectadas de las metas que hacen que el negocio crezca.

La adopción individual de IA, entregada sin rediseñar el flujo, es una fábrica de eficiencias locales. Y las eficiencias locales, ya lo sabíamos desde Ford, deben ser abolidas.

Tres preguntas para atravesar la ilusión

No escribo esto para argumentar que no adoptemos las herramientas. No es el punto. El punto es que la adopción individual sin rediseño del flujo es una trampa, y que casi nadie está haciendo el rediseño, porque rediseñar el flujo es difícil, aburrido y no tiene herramientas que parecen mágicas, mientras que repartir licencias es fácil y se puede anunciar en una reunión o, por qué no, en campañas políticas.

Al banco le propuse un test de tres preguntas para atravesar la ilusión de adopción. No requieren saber nada técnico y se le pueden hacer a cualquier afirmación de eficiencia con IA que llegue a la mesa.

La primera es quién captura el ahorro. El tiempo ahorrado no es valor, es potencial de valor. Si mil personas ahorran veinte minutos al día y nadie rediseña el proceso para capturar ese tiempo, el tiempo se evapora y jamás aparece en el estado de resultados. Para que el ahorro exista de verdad, alguien tiene que hacer algo estructural con él: reasignar trabajo y, ojalá, acortar un ciclo que le importe al cliente final. Es la misma pregunta que Ford le hizo a su línea de producción cuando decidió que una estación se detuviera. El ahorro no se queda en la estación. O el sistema lo captura, o no existió.

La segunda es si ese ahorro nos acerca a la meta. Es la pregunta del mentor de Goldratt, tal cual. Una hora ahorrada en un recurso que no es el cuello de botella no produce absolutamente nada; solo acumula inventario frente al verdadero cuello. Antes de celebrar una eficiencia, hay que preguntarse si ocurrió donde importa o si solo produjo más piezas para una pila que ya estaba creciendo.

La tercera es si cuesta menos de verdad. Aquí vive otra trampa común, que es comparar el costo de la herramienta contra el salario de una persona. En esa comparación la herramienta siempre gana porque está mal planteada, pues enfrenta el costo marginal de la máquina contra el costo total del humano y esconde los costos reales del proceso nuevo, que están en otra parte: el tiempo de verificar lo que la IA produjo, el retrabajo cuando se equivoca, el riesgo cuando nadie verifica. La comparación honesta es costo total del proceso nuevo contra costo total del proceso anterior. Y la respuesta cambia caso por caso.

Hay un detalle en el artículo de Goldratt que no quiero dejar pasar, porque es la advertencia más importante para cualquiera que vaya a tomar en serio todo esto. Cuando una empresa abolía sus eficiencias locales y balanceaba el flujo, aparecía de golpe una capacidad excedente enorme que antes estaba enmascarada. Y la reacción de demasiados gerentes, escribe Goldratt, era “ajustar” esa capacidad y quedarse con el ahorro. Es decir, despedir. Recortar a la gente que acababa de ayudar a la empresa a mejorar, premiándola con la pérdida de su empleo o el de sus compañeros. En todos los casos en que se hizo, la reacción inevitable deterioró el desempeño de la planta hasta dejarlo peor que al principio, porque nadie vuelve a colaborar con una mejora que sabe que termina en su propio despido.

La versión IA de ese error es idéntica y ya la estamos viendo. La fórmula más común que las empresas ensayan para capturar el ahorro de la IA es recortar su nómina. Y suele ser la peor, porque destruye la disposición misma de los equipos a adoptar una herramienta que sienten que existe para reemplazarlos.

Un estudio del MIT que circuló mucho el año pasado encontró que la enorme mayoría de los pilotos corporativos de IA generativa no producía impacto medible en resultados. La cifra citada fue noventa y cinco por ciento. Y la causa no era la tecnología. Era la integración con los procesos.

Cuando me he acercado a empresas de telecomunicaciones, banca e incluso educación he descubierto siempre lo mismo: procesos sostenidos por personas irremplazables que los cargan en la cabeza, sistemas antiguos que ya casi nadie entiende, flujos que existen por costumbre y no por diseño. No se puede automatizar lo que no se comprende. Como dice Bill Gates: la automatización aplicada a una operación eficiente magnifica la eficiencia; aplicada a una operación ineficiente, magnifica la ineficiencia.

De ahí sale la conclusión más contraintuitiva y, creo, la más valiosa de todo esto. La preparación para implementar IA casi nunca empieza en la tecnología. Empieza en documentar, simplificar y entender los propios procesos. En rediseñar el flujo, que es exactamente como en la planta de Ohno, un trabajo lento, sin demo y sin conferencias a las que todo el mundo quiere ir. Y por eso nadie lo vende.

Ford lo entendió en 1926. Ohno lo llevó más lejos en los años cincuenta. Goldratt lo escribió en 1984 y lo volvió a escribir, con Ford y Ohno de testigos, en el artículo que releí para preparar la primera sesión para los directivos del banco. Lo único nuevo que aporta la IA a esta historia tan vieja es la velocidad con la que ahora podemos fabricar el inventario equivocado.

Las eficiencias locales deben ser abolidas. Sigue siendo la frase más difícil de aceptar de toda la administración, y la más urgente de recordar justo ahora.

“Hey!! Work thing. We’d love to have you as the teacher for the Programación Básica course.”

Bloqueé el teléfono y seguí caminando.

El viaje era un regalo que Platzi me había prometido cuando cumplí diez años en la empresa. Solo pude tomarlo ahora, que ya no trabajo ahí. A veces las cosas llegan en el orden correcto aunque no sea el orden que uno esperaba.

Los cuestionamientos llegaron rápido. El curso de Programación Básica es uno de los más importantes de Platzi, existe desde que yo entré a trabajar ahí en 2014, siempre ha sido gratuito, y siempre lo ha dado Freddy, el CEO. Yo no soy programadora. Nunca lo he sido. He tomado muchos cursos, entiendo bastante, pero programar no es lo que yo hago.

Y sin embargo dije que sí. Casi de inmediato.

Lo que me convenció no fue la confianza de Jess sino una pregunta que me hice: ¿qué significa aprender a programar en 2026? Porque si la respuesta es “aprender sintaxis”, entonces no soy la persona correcta. Pero si la respuesta es otra cosa, quizás sí lo soy.

Cuando llegué de Japón me puse a trabajar. Leí, investigué, construí una primera propuesta de temario casi sola, y llegué al braintrust con bastante confianza. El braintrust es una actividad que hace Platzi cuando está planeando un curso: una reunión con personas expertas en educación, en producción, y en el tema que se va a enseñar. En el mío estaban Juan Pablo, mi amigo y el CPO de Platzi, y Maria Angélica, ingeniera y profesora de Platzi a quien llamamos Mus.

En algún punto de la reunión Juan Pablo contó una anécdota sobre Mus: ella había hecho recientemente un curso de Responsive Design con unas clases de CSS muy detallado, y después de lanzarlo se cuestionó mucho, porque en su trabajo del día a día ella no usa CSS así. Existe un framework que se llama Tailwind que básicamente se encarga de todo eso, y Mus había hecho un reel para Instagram contando exactamente eso. Juan Pablo dijo, entre risas, que había condenado su propio curso.

Lo contaron como anécdota jocosa, pero para mí fue una pregunta muy seria: si las herramientas cambian al ritmo al que está cambiando la tecnología, ¿qué es lo que realmente hay que enseñar? ¿Qué es lo que no se vuelve obsoleto?

La reunión terminó sin resolver eso, porque varios ya tenían otros compromisos. Pero Juan Pablo me dijo que en la noche me dedicaba un rato para pensar un poco más.

Esa noche Juan Pablo me preguntó qué había incluido en mi propuesta de temario. Se lo conté. Y luego me dijo qué creía él que eran los fundamentos que realmente no cambian, los que siguen siendo relevantes sin importar qué herramienta exista mañana: algoritmos y diagramas de flujo, lógica matemática, tablas de verdad, teoría de conjuntos, bases de datos relacionales, grafos.

Hay una curva que circula mucho en contextos de aprendizaje y creatividad que muestra cómo se siente el proceso de hacer algo nuevo. Primero hay un pico de confianza, cuando uno acaba de empezar y todavía no sabe lo que no sabe. Luego hay un descenso brusco cuando la realidad aparece: el valle de la desesperación. Yo había llegado al braintrust en el pico. Salí en el valle.

Pero el valle no es el final. Es donde empieza el trabajo real.

Después le conté a Juan Pablo del proyecto que había diseñado para anclar el curso: Ookini, un café de especialidad con un sistema de reservas. Él abrió un editor de texto y empezó a escribir. Yo hablaba, él escribía cosas que se veían así:

En un momento lo paré.

“Estoy viendo algo que no había pensado”, le dije. “Yo te estoy contando de este proyecto y tú lo que estás haciendo es armar una estructura de datos.”

Él levantó la vista y sonrió. Sí. Eso era exactamente lo que estaba haciendo.

Antes de pensar en cómo se iba a ver la aplicación, antes de pensar en qué iba a hacer cada botón, lo primero que había hecho era preguntarse: ¿qué entidades existen en este negocio? ¿Qué información necesito guardar sobre cada una? ¿Cómo se relacionan entre sí? Tenía tablas para los ítems del menú, para los usuarios, para las reservas, para las transacciones. Cada tabla con sus campos, cada campo con su tipo de dato.

Después se pasó a Claude Code, le dio contexto del proyecto, y escribió un prompt que me llamó la atención: no le estaba pidiendo que construyera nada. Le estaba preguntando sobre trade-offs de diseño. ¿Qué pasa si la cata semanal vive en la misma tabla que las reservas de café? ¿Qué pasa si vive en una tabla aparte? Piensa en performance, en experiencia de desarrollo, en escalabilidad a futuro.

Un ingeniero usando AI. Pero sabiendo exactamente en qué momento del proceso usarla.

Un detalle adicional es que Mus, que estuvo en ese braintrust cuestionando qué se debería enseñar hoy, se formó con Platzi Master, un proyecto que yo lideré en 2019. Esa historia la cuento completa en un capítulo de Crear desde acá. Seis años después estábamos sentadas en la misma reunión, preguntándonos lo mismo desde lados distintos.

Eso es lo que hace el tiempo cuando uno le da espacio.

Diez años trabajando en educación sobre programación, desarrollo, ingeniería y más recientemente inteligencia artificial me dieron una densidad de experiencia que no se puede acelerar. Pero esa misma cercanía también tiene un costo: cuando uno está adentro, demasiado cerca, algunas cosas simplemente no se ven. Hacen falta unos meses afuera, pensando en cosas aparentemente desconectadas, para que de repente todo se ordene de otra manera.

Este artículo no podría haber existido hace dos años. El nuevo curso de Programación Básica, probablemente, tampoco.

Mientras trabajaba en el curso, estaba también comenzando una consultoría para un centro de psicología en Bogotá. Una de las socias me había pedido ayuda con algo concreto: querían digitalizar ejercicios clínicos que el equipo ya usaba en consulta y convertirlos en pequeñas aplicaciones que los pacientes pudieran usar por su cuenta.

El primer ejercicio fue un registro de emociones. Lo construí con Lovable. Quedó bonito, funcionaba bien, a las socias les encantó. Tan pronto lo vieron me pidieron un segundo ejercicio, un registro de comportamientos difíciles en niños y adolescentes, muy similar al primero.

Mientras pensaba en eso, las socias me contaron otro problema: la operación administrativa, es decir, el registro de agendamiento y asistencia de pacientes y su facturación, estaba siendo demasiado complejo. Tenían dos asistentes que manejaban dos herramientas y los datos no se comunicaban de manera eficiente de una a otra sino que se duplicaban a mano. Pasaban de un software de agendamiento de citas a una tabla formulada y compleja en Excel, con campos que tienen la misma información con nombres distintos y otros datos que se agregan a mano y que viven en las cabezas de las asistentes.

Las socias habían pensado que necesitaban resolver esto con más conocimientos de Excel. Eso era resolver el problema equivocado.

En el módulo de automatización que enseñé en el programa ejecutivo de Liderazgo en la era de Inteligencia Artificial para Platzi, usaba un framework de cinco principios de Elon Musk para SpaceX. El segundo es delete parts and processes: antes de optimizar cualquier cosa, pregúntate si esa parte del proceso debería existir. La tabla de Excel del centro de psicología no necesitaba mejorarse. Necesitaba desaparecer.

Y debajo de eso había algo más: mucha información crítica vivía en cabezas y no en sistemas. El conteo de sesiones de un paquete de cuatro, las inasistencias, los cambios de duración de una consulta que afectan el precio y por lo tanto la factura. Un dato que viaja mal en una operación que toca facturación electrónica puede convertirse en un problema que es dispendioso y aburrido de resolver.

La pregunta que me quedó dando vueltas era la misma que me había hecho con las aplicaciones: ¿qué estructura de datos necesita este negocio para funcionar bien? Y esa pregunta, como con Ookini (el proyecto del Curso de Programación Básica), tendría que hacerse antes de tocar cualquier herramienta.

El tercer caso es diferente. No hay un momento de click ni una pantalla que mostrar. Hay una conversación con alguien de una institución de educación superior con la que estoy trabajando, alguien que tiene más contexto que nadie sobre la estrategia, y que me contó algo que no he podido dejar de pensar: el equipo técnico ya había empezado a entrevistar a las distintas áreas para entender cómo usan su CRM hoy, con el objetivo de comenzar a diseñar la estructura de datos. Pero nadie lidera la transformación. Oficialmente, nadie.

La institución tiene una estrategia ambiciosa. Tiene Salesforce implementado. Está próxima a migrar a un módulo especializado para educación. Tiene equipos técnicos trabajando. Tiene un centro de datos con potencial sin explotar. Lo que no tiene es alguien que se haga una pregunta que no es técnica: ¿qué necesita saber esta institución sobre sus estudiantes para tomar mejores decisiones?

Porque esa pregunta tiene que responderse antes de diseñar cualquier campo en cualquier sistema. Y no la responde un equipo técnico entrevistando áreas sobre cómo usan una herramienta hoy. La responde alguien con visión de negocio y mandato para hacerlo.

Lo que el equipo técnico está haciendo tiene sentido dentro de sus límites: mapear el estado actual, entender qué existe. Pero el estado actual de cómo usan el CRM las áreas es exactamente el problema. Cada área construyó su propia lógica dentro del mismo sistema. Una empresa puede existir dos veces porque dos áreas la registraron por separado sin saber que la otra también lo había hecho. Los datos están ahí, pero no se hablan, y no se hablan porque nadie definió antes qué es un estudiante para la institución como un todo, qué es una empresa, qué es una relación entre los dos.

Migrar a una herramienta más sofisticada sin resolver eso primero es como mudarse a una casa más grande sin ordenar primero lo que ya tienes. Todo cabe, pero nada se encuentra.

Todo esto me llevó a un recuerdo de hace catorce años.

Mi primera experiencia profesional fue una práctica universitaria en una empresa grande, de las de directorio telefónico y páginas amarillas, que en 2012 estaba en plena transformación digital. Yo era la única persona haciendo algo con redes sociales en toda esa organización. Me sentía experta. Tenía un poco más de veinte años y no sabía lo que no sabía, que es exactamente cuando uno cree que más sabe.

Lo que sí recuerdo con claridad es una reunión con toda la operación. Alguien preguntó quién estaba cansado de tener que pasar información de un software a otro, de asegurarse de que los datos de los clientes, las órdenes de compra y los requests quedaran bien registrados en cada sistema. La sala entera respondió. El dolor era colectivo y era real. Uno de esos softwares, por cierto, era Salesforce.

En ese momento no tenía vocabulario para entender lo que estaba viendo. Ahora sí: era exactamente el mismo problema. Datos en silos, sistemas que no se hablan, información que viaja mal entre herramientas. Catorce años después estoy sentada en reuniones de una institución de educación superior hablando de Salesforce y de datos que no se conectan.

El problema no es nuevo. Solo ahora lo puedo ver.

Todo esto me deja con preguntas que no sé responder.

Me pregunto si esto se enseña cuando uno estudia ingeniería de sistemas o ingeniería de software y solo yo no lo sé porque no estudié eso. ¿Estoy descubriendo el agua tibia? Incluso si la respuesta es sí, hay algo roto en esa solución: quienes entienden estos fundamentos no son necesariamente quienes van a tomar las decisiones de negocio. Y quienes toman esas decisiones lo delegan a los equipos técnicos, que van a resolver el problema técnicamente pero no van a hacerse las preguntas de negocio que nadie les está haciendo.

Los proyectos en los que estoy trabajando me lo muestran con claridad: equipos técnicos entrevistando áreas para mapear cómo usan el CRM hoy. Es un trabajo necesario. Pero si nadie con visión de negocio y mandato se pregunta qué necesita saber esta institución sobre sus usuarios para tomar mejores decisiones, cualquier herramienta nueva va a heredar los mismos problemas de la anterior.

Entonces quizás la pregunta no es qué significa aprender a programar en 2026. Quizás la pregunta es qué fundamentos de pensamiento tecnológico necesitan las personas que toman decisiones sobre sus negocios, y que hoy están delegando sin saber exactamente qué están delegando. Porque hay algo que no es delegable a los equipos técnicos: decidir qué necesita saber el negocio antes de que exista cualquier campo en cualquier sistema.

Si estudiaste ingeniería y esto te parece obvio, escríbeme. Quiero saber dónde y cómo se aprende.

Si trabajas en una organización grande y reconoces este problema, escríbeme. Quiero saber cómo se aborda cuando el daño ya está hecho y hay años de historia encima.

Si tomas decisiones de negocio y nunca te habías hecho estas preguntas, escríbeme. Quiero saber si esto resuena o si estoy descubriendo el agua tibia.

Y si todo lo que escribí aquí es la ingenuidad de alguien que está aprendiendo a ver algo que lleva décadas siendo obvio para otros, también escríbeme. Eso también me interesa saber.

Durante once años de colegio tuve una hora de música a la semana. Una. Y no era una hora particularmente buena. No aprendí a leer partituras, estudié en un colegio judío donde la historia del Holocausto era parte central de nuestra formación, y sin embargo nadie mencionó que la obra del compositor Richard Wagner fue adoptada por el régimen nazi como herramienta de propaganda, o que su música sigue siendo controversial en Israel. Nadie me explicó por qué una canción o un acorde en menor suena triste. Lo que sí hice fue aprender a tocar el xilófono. Por alguna razón la sala de música tenía múltiples de estos instrumentos que no he vuelto a ver. ¿Serían importantes en Cali o el Valle del Cauca? Eso tampoco lo aprendí. La clase de música no era tomada en serio ni por los estudiantes ni por el colegio. Era ese espacio blando en el horario, el que se podía sacrificar si había un evento, una reunión, un simulacro de evacuación.

Mientras tanto, la lectura recibió un tratamiento completamente distinto. Desde primero de primaria hasta once, leer y escribir fueron el centro de mi educación. Aprendí a decodificar letras, después oraciones, después párrafos. Me enseñaron gramática, ortografía, comprensión de lectura. Me asignaron libros, me evaluaron sobre ellos, me pidieron ensayos, resúmenes, análisis. La lectura era seria. Era importante. Era, junto con las matemáticas, la columna vertebral de todo lo demás.

Si hoy le pregunto a cualquiera de mis compañeros de colegio si escucha música todos los días, la respuesta sería obvia. Por supuesto. En la ducha, en el carro, cocinando, trabajando, haciendo ejercicio. La música está tan integrada en la vida cotidiana que preguntar si alguien la escucha es casi como preguntar si respira. Si les pregunto si leen todos los días, aunque sea quince minutos, el silencio sería mucho más largo. Algunos dirían que sí, pero serían los menos. La mayoría diría que no tiene tiempo, que le da sueño, que no ha encontrado nada que le enganche.

Esto no es solo mi experiencia. Encontré un informe de 2025 de la Universidad Javeriana sobre los hábitos de lectura basados en las pruebas Saber que dice que un tercio de los estudiantes de colegio no lee por diversión y que además el porcentaje de estudiantes que dedican más de dos horas semanales a leer por placer decae en la adolescencia del 14% al 11%. Mientras tanto, ¿existe una encuesta equivalente para la música? porque la pregunta sería absurda: ¿quién no escucha música por gusto o diversión?

Todo esto podría ayudarme a condenar al sistema educativo: la actividad que recibió menos atención formal, menos recursos, menos horas de clase y menos rigor pedagógico (la música) produjo consumidores apasionados de por vida. La que recibió todo el peso del sistema educativo no logró lo mismo. Una hora semanal mal enseñada contra once años de formación intensiva, y ganó la hora. ¿Es así?

Lo cierto es que no ganó la hora. Porque esa hora de música no produjo melómanos. Correlación no implica causalidad, aunque aquí la tentación de asumir lo contrario sea enorme. Probablemente sin esa hora semanal el resultado hubiera sido el mismo. La gente hubiera seguido escuchando música con la misma pasión, porque lo que crea el hábito de escuchar música no ocurre en un salón de clases. Ocurre en otro lugar. En un ecosistema que existe fuera del colegio pero que empieza a rodearnos desde que nacemos: la canción que suena en la radio mientras vas al colegio, o aquella que suena en la tienda cuando vas a comprar una empanada o a tomarte un café con tus amigas en la universidad, la playlist que comparte un amigo, el algoritmo que aprende lo que te gusta, el concierto al que vas con tu primer sueldo, la canción que te recuerda algo que no puedes nombrar.

La lectura no tiene ese ecosistema. O lo tiene, pero más pequeño, más frágil, más cargado de juicio. Y esa diferencia, creo que explica casi todo.

¿Qué tendría que pasar para que la lectura funcione como la música?

Si la lectura no necesita del sistema educativo para crear lectores de por vida (así como la música no lo necesitó para crear melómanos), entonces ¿por qué insistir en que el problema es de enseñanza? Creo que el problema es de entrada. De por dónde empezamos.

Cuando alguien me dice que no le gusta leer, mi primera reacción siempre es la misma: ¿leer qué? Porque decir que no te gusta leer es como decir que no te gusta la música. ¿Toda la música? ¿El vallenato, el reggaetón, el jazz, la electrónica, las cumbias, el K-pop? Es casi imposible que a alguien no le guste ningún tipo de música. Lo que pasa es que nadie tuvo que sentarse a descubrirlo con esfuerzo: la música nos encontró. Sonaba en algún lugar, nos enganchó algo, y a partir de ahí fuimos explorando. La lectura rara vez funciona así.

En el colegio, mi experiencia con la lectura obligatoria fue más o menos la de muchas personas: una lista de títulos decidida por alguien más, sin consulta, sin alternativas. Había que leer El Quijote, Cien años de soledad, La Vorágine. Obras que hoy, a mis 36 años y con un hábito de lectura que considero sólido, reconozco como monumentales. La Vorágine no la he podido terminar. Cien años de soledad la disfruté, pero hoy la valoro por razones que a los quince años no hubiera podido ver: la creación de un mundo, el surgimiento de las cosas, la curiosidad intelectual como chispa del conocimiento y del progreso. A esa edad me gustó mucho más Del amor y otros demonios, otra obra de García Márquez que sí pude elegir, una historia sobre un amor prohibido e imposible en la Cartagena colonial que para una adolescente empezando a entender qué significa enamorarse era infinitamente más poderosa. Algo empieza a iluminarse aquí.

Ponerle El Quijote a adolescentes que no tienen el hábito de lectura es el equivalente musical de sentarlos en un concierto de música clásica como primera experiencia. Puede funcionar para algunos. Para la mayoría es una forma muy eficiente de confirmar que esto no es lo suyo. Y lo peor es que queda la impresión de que el problema es de ellos, del lector que no pudo, y no de quien eligió ese punto de entrada.

Tengo una historia de un libro que funcionó. En tercero de primaria nos mandaron a leer Cuentos de espantos y aparecidos. Acabo de buscarlo porque no tenía idea de quién lo había compilado; resulta que ni siquiera importa tanto el autor (la autora, en este caso) como lo que ese libro hizo con nosotros. Era una colección de cuentos sobre mitos y leyendas latinoamericanas: la Llorona, aparecidos, muertos que regresan, ruidos en la noche. Historias sobre la muerte y el miedo a lo desconocido, contadas con la cadencia de la tradición oral de nuestra región.

Tenía ocho años. Y hasta el día de hoy recuerdo la portada. Mis compañeros de colegio, muchos de los cuales hoy leerán uno o dos libros al año si acaso, también la recuerdan. Más que eso: recuerdan historias específicas, como la de Maria Angula, una mujer recién casada que se fue a un cementerio a destripar a un muerto para preparar un caldo de menudencias a su esposo cuando se quedó sin ideas de nuevas recetas. Veinte años después, un libro que se leyó en tercero de primaria sigue vivo en la memoria de personas que no se consideran lectoras.

¿Qué hizo diferente a ese libro? Que apeló a algo visceral. El miedo, la curiosidad por lo prohibido, la emoción de que te cuenten algo que no deberías saber. No era un libro “importante” en el sentido canónico. No estaba en ninguna lista de grandes obras de la literatura. Pero hizo exactamente lo que la música hace sin esfuerzo: enganchó desde la emoción, no desde el deber.

Ahora que lo pienso, con lo poco que sé sobre crianza y con la percepción que tengo de que tanto padres como maestros pueden poner limitaciones sobre lo que es “apto” para ciertas edades, creo que ese libro fue un acto de valentía de parte de la profesora que nos lo asignó. Ponerle a un niño de ocho años historias sobre muertos y aparecidos requiere confiar en que los niños pueden procesar más de lo que los adultos creen. Fue arriesgarse, con conocimiento. Y funcionó.

La música también funciona así. Si bien al comienzo escuchas lo que hay disponible en tu entorno, el acercamiento es mucho más exploratorio y puedes tomar los caminos de lo que te hace sentir algo: la canción que te pone a bailar, la que te hace llorar, la que te da rabia. Hay géneros que requieren más del oyente, como el jazz o la música clásica, y hay otros que te atrapan sin pedir nada a cambio, como el pop o el reggaetón. Pero esa diferencia de esfuerzo cognitivo no impidió que la música se masificara. Simplemente hay puntos de entrada más accesibles que otros, y la gente llega a los géneros complejos después, si quiere, cuando ya tiene el hábito y la curiosidad.

¿Por qué la lectura no funciona así? Creo que parte de la respuesta está en lo que significa “leer” culturalmente. Penguin Random House, una de las editoriales más grandes del mundo, tiene un hashtag que me parece hermoso: #MeGustaLeer. ¿A quién nos imaginamos cuando alguien dice “me gusta leer”? Probablemente a una persona con gafas y un libro grueso en un café, subrayando con lápiz, leyendo la Odisea, a Saramago o a Balzac. No nos imaginamos a alguien escuchando un audiolibro en el bus, ni a una adolescente devorando una saga de dragones y romances en el celular.

“Me gusta la música” no evoca a nadie en particular. Lo dice todo el mundo, sin carga, sin performance. Pero “me gusta leer” viene con un peso. Se espera que leas ciertas cosas, de cierta manera. Me pregunto si esto es un sesgo solo mío, si soy yo la que asocia al lector con el intelectual. Pero creo que no soy la única: creo que hemos construido una imagen del lector que deja afuera a la mayoría de las personas que podrían disfrutar de la lectura si alguien les hubiera encontrado la entrada correcta.

La música se liberó de esa imagen, o por lo menos la diluyó lo suficiente para que no sea una barrera. La lectura todavía no.

Volvamos a esa persona en el bus escuchando un audiolibro. ¿Está leyendo?

La respuesta debería ser simple, pero no lo es. Hay algo en nuestra relación con la lectura que la ata al objeto físico, al esfuerzo visible, a la postura de quien tiene un libro entre las manos y los ojos puestos en la página. A lo mejor leer en un iPad o un celular sí lo podemos asociar, pero estos dispositivos tienen un problema intrínseco que facilita la dispersión de la atención y que parecieran no estar hechos para fomentar el hábito de la lectura. El Kindle es quizás la mejor opción para resolver esto. Por otro lado, escuchar no parece contar igual. Es demasiado fácil, demasiado cómodo, demasiado parecido a simplemente estar ahí mientras otra persona hace el trabajo.

Con la música no pasa esto. A nadie le importa si escuchaste un disco en vinilo, en CD, en un parlante bluetooth o en los audífonos del celular mientras lavabas los platos. La experiencia cuenta igual. No existe una jerarquía de formatos en la que el vinilo sea la única forma “legítima” de escuchar música y todo lo demás sea trampa. Habrá algunos puristas que lo piensen, pero ese debate quedó enterrado bajo la avalancha de gente que simplemente quiere escuchar lo que le gusta, como le quede más fácil. Spotify tiene más de 700 millones de usuarios. El formato dejó de importar.

¿Por qué con los libros seguimos atrapados en esa discusión?

Investigadores de Harvard estudiaron qué pasa en el cerebro cuando alguien lee un libro y cuando alguien lo escucha. Lo que encontraron es que ambas actividades activan redes cerebrales casi idénticas vinculadas a la comprensión del lenguaje. No parecidas: casi idénticas. Los matices existen, por supuesto. Quien lee tiende a retener mejor los detalles concretos; quien escucha retiene mejor el tono emocional. Para ficción, la comprensión es prácticamente equivalente en ambos formatos. Para textos técnicos o expositivos complejos, el texto impreso tiene ventaja. Pero la idea de que escuchar un libro es una experiencia cognitivamente inferior, una versión de segunda, no se sostiene.

Yo tengo dos experiencias sobre esto. La primera fue escuchar Los hermanos Karamazov de Dostoievski. Es una obra que probablemente no hubiera terminado de leer. Es larga, densa, exigente. Pero la escuché completa. Y la historia de los Karamazov, el parricidio, las preguntas sobre Dios y la moral, la tensión entre los hermanos, todo eso entró y se quedó. No entró por los ojos, entró por los oídos, pero se quedó en el mismo lugar.

La segunda fue Emma, de Jane Austen. Me encanta Austen, pero leerla es difícil. No porque no entienda las palabras, sino porque muchas veces me pierdo entre lo que está ocurriendo en la historia y lo que es una digresión sobre lo que piensa o siente un personaje, o las formas de hablar de una época que no es la mía. Es algo que ya exploré en otro artículo sobre las traducciones: a veces un libro está escrito en tu propio idioma pero en un tiempo que ya no habitas, y necesita una traducción que nadie hizo. Escuchar a Austen me resolvió eso. Una buena narración me guió por donde el texto me perdía, y me permitió acceder a una de mis historias favoritas, que además le dio el nombre a mi gata Emma.

Ahora, si en un colegio alguien decide que es importante que los estudiantes conozcan a Dostoievski (y creo que lo es), ¿por qué no proponer que lo escuchen? ¿Preferimos que un estudiante no lea a Dostoievski, o que lo escuche? Porque en la práctica, cuando pones Los hermanos Karamazov en una lista de lectura obligatoria de bachillerato, o en mi caso Pedro Páramo o El llano en llamas, la opción del audiolibro es al menos una propuesta que puede ayudar. No creo que ni uno de mis compañeros de clase terminara la historia de Comala, o la empezara siquiera. A mí, que me gustaba leer, me costó un montón. Mi abuela, que era profesora de literatura y que me ayudó a formar ese hábito desde muy pequeña, me acompañó con estos libros, leyéndome ella mientras yo intentaba no quedarme dormida.

Las herramientas ya están. Audible existe. Spotify en algunos países ya ofrece audiolibros. Hay plataformas que ofrecen audiolibros gratuitos y que ya están integradas en planes lectores de colegios colombianos. El vehículo de la educación también está. Lo que falta es que los maestros lo propongan, lo promuevan, lo legitimen. Que dejen de tratar el audiolibro como atajo y empiecen a tratarlo como lo que es: otra puerta de entrada al mismo lugar.

A los dieciocho años devoré la saga de Crepúsculo completa. Las cuatro novelas, sin parar. Nadie me las mandó a leer, nadie me evaluó sobre ellas, nadie me dijo que eran importantes. Simplemente me engancharon: el romance imposible, la tensión, la fantasía de un amor que desafía las reglas del mundo. Millones de jóvenes hicieron lo mismo. Crepúsculo fue un fenómeno global que convirtió en lectoras a personas que jamás hubieran abierto un libro por obligación.

En la novela, Bella Swan, la protagonista, es una lectora. Una lectora seria, intelectual, que lleva consigo Cumbres Borrascosas de Emily Brontë. Me gusta pensar que Bella, un personaje ficticio, me recomendó esa obra así que intenté leerla. Y no pude. Me pasó exactamente lo que me pasaría después con Austen: el lenguaje de otra época me dejaba afuera. No entendía qué estaba pasando, si estaba leyendo acción o reflexión, si era Cathy hablando o la narradora describiendo las costumbres de la Inglaterra del siglo XIX. Me frustré y lo dejé. No me sentía a la altura de la intelectual y oscura Bella para entender la historia de Cathy y Heathcliff. Años después lo terminé escuchando. Pero en ese momento, lo que quedó fue la frustración. Y la sensación de que había un mundo de la lectura al que yo no pertenecía.

La saga de Crepúsculo tenía todo: romance, fantasía, tensión, pero no tenía sexo. Edward y Bella se casan y la noche de bodas apenas se insinúa. Para millones de lectoras eso dejó un vacío. Y una de ellas, E. L. James, lo llenó. Escribió un fan fiction de Crepúsculo bajo el seudónimo “Snowqueen Icedragon” en el que Bella y Edward (después renombrados Anastasia y Christian) vivían una historia de dinámicas de poder, restricción física, sadomasoquismo y juegos de roles explícito. Ese fan fiction se convirtió en Fifty Shades of Grey, un fenómeno que vendió más de 150 millones de copias. La historia más vendida de la década nació porque una lectora quiso lo que el libro que amaba no le daba.

En Mad Men, mi serie favorita del mundo mundial, hay una escena que ocurre en 1960 y que lo ilustra perfectamente. Las secretarias de la agencia Sterling Cooper se pasan entre ellas un ejemplar de Lady Chatterley’s Lover, la novela de D.H. Lawrence que acababa de ser publicada sin censura en Estados Unidos después de décadas de estar prohibida por obscenidad. Se lo pasan como contrabando, con risitas y complicidad. Una de ellas le advierte a Peggy Olson que no lo lea en el tren porque “va a atraer al elemento equivocado”. Joan, la jefa de las secretarias, sugiere que Peggy no debería leerlo. Hay algo en esa escena que dice mucho: la idea de que ese libro no es para todas, de que hay lectoras que pueden manejarlo y otras que no, de que hay una forma correcta de leer y personas que no están a la altura. Curiosamente Peggy es la única secretaria en la serie que logra avanzar en el negocio y convertirse en Copywriter. Trabaja codo a codo con los otros personajes, todos masculinos. Y esto es todo un tema en la serie, pues siempre hay momentos en donde entendemos que las demás mujeres de la agencia ven a Peggy diferente y no saben cómo tratar con ella.

Sesenta años después, el mecanismo es el mismo. Cambió el contenido, cambiaron los formatos, pero la pulsión sigue ahí: mujeres buscando en la lectura un espacio emocional que la cultura “seria” no les ofrece, y encontrándolo o incluso creándolo a pesar del desprecio o la censura. De Lady Chatterley’s Lover a Crepúsculo, de Crepúsculo a Fifty Shades, de Fifty Shades al romantasy, hay un hilo directo.

Y el romantasy es donde la escala cambia. Las ventas de novelas de romantasy alcanzaron 610 millones de dólares en 2024. Onyx Storm de Rebecca Yarros vendió más de un millón de copias en su primera semana. Sarah J. Maas tiene más de tres millones de copias vendidas combinando sus bestsellers actuales. El hashtag #romantasy en TikTok acumula 475 millones de vistas. BookTok, la comunidad de lectores en TikTok, se convirtió en el motor de descubrimiento del género: adolescentes y mujeres jóvenes grabándose reaccionando a sus escenas favoritas, recomendando libros con una pasión que recuerda más a los fans de música que a los clubes de lectura tradicionales.

Si comparamos la escala del romantasy con la del K-pop, la diferencia es brutal pero el mecanismo es idéntico. BTS acaba de hacer su concierto de regreso en Seúl: 104,000 fans presenciales, 18.4 millones de espectadores por Netflix, una gira de 82 conciertos en 34 ciudades con todo vendido en horas. ARMY, las fans de BTS, son una comunidad global con una identidad compartida, rituales propios, un lenguaje común. Ser del ARMY dice algo sobre quién eres.

Las lectoras de romantasy operan exactamente igual. Se recomiendan libros, comparten reacciones, defienden a sus autoras favoritas, crean contenido alrededor de las historias que aman. La diferencia es de escala, no de naturaleza. Ambos fenómenos apelan a lo mismo: emociones intensas, sentido de pertenencia, una comunidad que te dice “esto que te gusta no es raro, somos miles que sentimos lo mismo”. Y ambos son despreciados por la “alta cultura”. Aurora Ascher, una autora canadiense de romantasy, lo dijo bien: el género se centra en la perspectiva femenina, y en nuestra cultura muchas cosas hechas para mujeres son descartadas como tontas; y cuando se trata de sexo, no solo es tonto sino tabú.

En Pluribus, la serie de Vince Gilligan para Apple TV (el mismo creador de Breaking Bad), la protagonista es Carol Sturka, una autora de romantasy exitosa que detesta sus propios libros pero que tiene una fanaticada con las mismas características que ya he descrito. En una escena del cuarto episodio, Carol le pregunta a Larry, un miembro de la mente colectiva que ha absorbido a la humanidad, cómo se compara su obra con Shakespeare. Larry responde sin dudar: “Equally. Equally wonderful.” Carol insiste, incrédula: ¿tanto como Macbeth? ¿Como Romeo y Julieta? Sí, le dice Larry. Y entonces le cuenta sobre Moira, una fan que le mandaba gorros tejidos desde Kansas City, y que antes de encontrar los libros de Carol estaba profundamente deprimida. “You gave her something to live for,” le dice. “That’s how we see your work, and you.”

Carol pregunta qué pensaba su esposa Helen sobre sus libros. Y Larry, que no puede mentir, le dice que Helen los consideraba inofensivos. Algodón de azúcar. Su novela inédita, la más personal, la que Carol consideraba su obra seria: Helen ni siquiera la terminó de leer.

¿Quién decide el valor de lo que leemos? ¿El crítico literario, la esposa que lo ve como entretenimiento inofensivo, o la mujer a la que esa historia le salvó la vida? Para la mente colectiva de Pluribus, que contiene a todos los académicos, todos los críticos y todos los lectores del mundo, los libros de Carol y Shakespeare valen lo mismo. No porque no distingan la calidad, sino porque miden algo distinto: el impacto en quien lee.

Ser fan de BTS o de Sarah J. Maas tiene un componente de identidad y de tribu que la lectura “seria” rara vez ofrece. Y esa identidad compartida es exactamente el tipo de ecosistema que la lectura necesita y casi nunca tiene. Porque pertenecer a una comunidad de lectores apasionados nos hace algo parecido a la mente colectiva de Pluribus: nos conecta a través de lo que pensamos y lo que sentimos, y nos convierte en algo más que la suma de nuestras partes. No nos uniforma. Nos enriquece.

En Colombia, las encuestas de lectura miden exactamente eso: cuántos libros lee una persona al año. El promedio subió de 2.7 a 3.5 entre 2017 y 2023, y los titulares lo celebran como un avance. Pero me pregunto qué estamos midiendo realmente. ¿Qué califica como libro? ¿Un audiolibro cuenta? ¿Un cómic? ¿Un libro de 100 páginas vale igual que uno de 800? ¿Qué califica como “leer”? La pregunta misma, “¿cuántos libros lee usted al año?”, ya viene cargada de juicio. Es una pregunta que se hace para obtener un número que se pueda comparar, evaluar, juzgar. No existe una encuesta equivalente para la música porque a nadie se le ocurriría medir la relación de una persona con la música en esos términos.

O sí existe. Es Spotify Wrapped.

Cada diciembre, millones de personas abren su resumen del año en Spotify. En 2025, el Wrapped se compartió más de 500 millones de veces en redes sociales en las primeras 24 horas. Quinientos millones. La gente comparte con orgullo lo que escuchó: sus artistas, sus géneros, sus canciones más repetidas. Spotify dice que Wrapped es el momento en que las personas “expresan con orgullo quiénes son a través de la música que aman”. La música como identidad. Nadie comparte su Wrapped avergonzado de haber escuchado demasiado reggaetón o muy poco jazz. El número de minutos está ahí, pero no es lo que importa. Lo que importa es el qué: qué escuchaste, qué dice eso sobre ti, qué conversación se abre cuando lo compartes.

Goodreads tiene su propio resumen del año. Yo comparto el mío hace varios años. No conozco a una sola persona que haga lo mismo.

¿Por qué? Compartir lo que lees te expone al juicio de una manera que compartir lo que escuchas no. Si leíste tres libros, son pocos. Si leíste treinta pero algunos los escuchaste, ¿los registras como leídos? O si son libros de autoayuda, ¿te la piensas dos veces antes de registrarlos? Si leíste varios papers de investigación sobre Inteligencia Artificial, o sobre cómo cambia el sabor de un caldo dependiendo de la presión a la que hierve el agua ¿cómo cuenta eso? La lectura viene empaquetada con una expectativa de seriedad que la música abandonó hace tiempo, o que por lo menos diluyó lo suficiente para que 500 millones de personas compartan sin miedo lo que sea que escucharon.

Y sin embargo, en mi resumen de Goodreads, lo que más disfruto no es el número de libros. Es ver la lista. Recordar qué leí, en qué orden, qué estaba pasando en mi vida cuando leí cada cosa. Es lo mismo que hace Wrapped: no medir cuánto consumiste, sino mostrarte quién fuiste ese año a través de lo que elegiste leer o escuchar. Si la lectura pudiera liberarse de la métrica de la cantidad y abrazar la métrica de la identidad, quizás más personas se animarían a compartir, a recomendar, a decir “esto me gustó” sin miedo a que alguien les diga que lo que les gustó no era suficientemente bueno.

Sería fácil terminar esto diciendo que los colegios deberían enseñar mejor a leer. Pero si algo espero haber mostrado hasta aquí es que el problema no está ahí. O no solo ahí. Una hora semanal de música mal enseñada no produjo melómanos; un ecosistema cultural entero lo hizo. La lectura no va a cambiar porque un ministerio publique nuevos lineamientos curriculares o porque un colegio actualice su plan lector. Esas cosas ayudan, pero no alcanzan.

Yo creo que hay que pensar en la lectura como pensamos en la música: como algo que requiere muchos actores, no solo maestros. La música tiene productores, plataformas, festivales, algoritmos, comunidades de fans, tiendas, radios, playlists compartidas entre amigos. Tiene una industria entera dedicada no solo a crear música sino a hacer que llegue a la gente y que la gente se encuentre alrededor de ella. La lectura tiene editoriales, librerías, bibliotecas, ferias del libro. Tiene piezas. Lo que también tiene, y la música no, es un peso encima: la expectativa de que leer tiene que ser difícil, serio y medible para que cuente.

Este es un desafío que le corresponde a muchas personas. A los padres que le leen a sus hijos y que eligen con cuidado pero sin miedo sobre qué ponerles en las manos. A los maestros que se atreven a asignar Cuentos de espantos y aparecidos en vez de ir directo al canon. A las plataformas que tratan el audiolibro como una puerta de entrada legítima y no como un atajo. A las comunidades de BookTok que celebran la lectura con la misma pasión con la que ARMY celebra a BTS. A las editoriales que entienden que #MeGustaLeer tiene que incluir a la adolescente en el bus con su saga de dragones tanto como al señor con A sangre fría en el café. Porque lo que falta no es infraestructura, sino ligereza. Quizás lo que habría que hacer es tomárselo menos en serio.

Todo esto es la primera capa de algo más grande que llevo pensando hace tiempo. En Crear desde acá, el libro que escribí sobre educación y tecnología en América Latina, hablo sobre cómo podemos reimaginar la educación con la llegada de la Inteligencia Artificial a las aulas. Propuse una serie de ejercicios iniciales que pueden implementar los maestros para sacar provecho a esta tecnología, pero como esto va tan rápido, mis ideas ya tuvieron varias actualizaciones de sistema. Recientemente pensé en una progresión sobre cómo incorporar distintas herramientas digitales en la educación básica. Va más o menos así: primero construir el hábito de lectura, después introducir medios audiovisuales para desarrollar pensamiento crítico, y finalmente incorporar herramientas como la inteligencia artificial cuando los estudiantes ya tengan la base para usarlas con criterio. En un artículo que escribí sobre los crucigramas exploré esa última capa: qué significa pensar críticamente en un mundo donde un modelo de lenguaje te da respuestas instantáneas pero no puede manejar la ambigüedad ni integrar restricciones como lo hace una mente humana entrenada.

Este artículo es la primera capa. La base. Porque sin lectores no hay pensamiento crítico que valga. Sin el hábito, sin el gusto, sin la curiosidad de seguir un hilo narrativo y habitar una perspectiva que no es la propia, todo lo que viene después se construye sobre arena.

¿Qué tendría que pasar para que la lectura funcione como la música? Creo que la respuesta no es una sola cosa. Son muchas cosas pequeñas, hechas por mucha gente, durante mucho tiempo. Es aceptar que escuchar un libro cuenta. Que leer romantasy cuenta. Que una niña de ocho años puede leer sobre la muerte y salir fascinada en vez de traumatizada. Que lo que importa no es cuántos libros lees al año sino que mañana quieras abrir otro.

La pregunta era algo así:

¿Cree que las escuelas deberían reemplazar los libros por películas, series y videojuegos como herramientas de aprendizaje?

Escribí mi ensayo como si estuviera escribiendo una publicación, y cuando salí no podía dejar de pensar en el tema. Era algo que llevaba cocinando en mi mente desde que escribí Crear desde acá, y que he seguido desarrollando en segundo plano con el paso del tiempo y otras lecturas que me han complementado estas ideas.

Esta pregunta no es sobre los libros. Es sobre cómo aprendemos a pensar.

Yo creo que el problema empieza antes de que los niños lleguen a secundaria, o al bachillerato, como decimos en Colombia. Empieza cuando aprendemos a leer, o más exactamente, cuando no aprendemos a leer. No me refiero al mecanismo de decodificar letras, eso sí se enseña. Me refiero al hábito. Al gusto. A esa cosa extraña que le pasa a quien lee mucho y que ya no puede parar.

Cuando escucho a alguien decir que no le gusta leer, mi reacción inmediata es preguntar: ¿leer qué? Porque decir que no te gusta leer es casi como decir que no te gusta la música o el cine. Puede ser que no te guste cierto género, cierto artista, cierto formato. Pero la acción en sí, la de dejarte llevar por una historia o una idea, eso es demasiado humano para que nadie sea completamente inmune.

Lo que falla no es el lector. Lo que falla es que nadie le ayudó a encontrar lo que le iba a gustar leer.

Por eso creo que la primaria debería tener un objetivo muy claro y muy modesto: que los niños lean. Lo que sea, dentro de un rango razonable. Que elijan, con acompañamiento de profesores y padres, pero que elijan. El objetivo no es el contenido, es el músculo. Aprender a seguir un hilo, a identificar personajes e ideas principales, quién tiene el conflicto y por qué, a habitar una perspectiva que no es la propia.

Ese músculo es la base de todo lo que viene después.

Cuando los niños crecen y empiezan a aprender historia, geografía, política, ciencias, ahí es cuando las películas, las series de televisión y los videojuegos se vuelven herramientas. No para reemplazar los libros, sino para hacer algo que los libros de texto casi nunca hacen: mostrar que toda historia se cuenta desde algún lugar.

Me imagino un salón de clase viendo dos películas sobre el mismo hecho histórico, grabadas desde perspectivas distintas, y preguntándose qué eligió mostrar cada una y qué dejó por fuera. O siguiendo una serie como Narcos, con toda la complejidad que tiene, para entender el contexto económico y político que hizo posible lo que muestra. No como sustituto del análisis, sino como punto de entrada. Como algo que genera las preguntas que después se pueden responder con más profundidad. Hay mucha ficción histórica que engancha, y el punto de usarla, incluso si no es históricamente precisa, es precisamente abordar esas decisiones de narrativa. Ahí si los profesores son clave para guiar la conversación y hacer las aclaraciones respectivas.

Lo que se entrena aquí no es el conocimiento de los hechos. Es la capacidad de ver que los hechos siempre llegan mediados, interpretados, construidos desde algún punto de vista. Eso es pensamiento crítico. Y se puede enseñar, si usamos las herramientas correctas en el momento correcto.

La tercera etapa de esta progresión, la que le corresponde a los estudiantes más grandes, es donde creo que puede entrar la inteligencia artificial. Y aquí es donde la propuesta se vuelve más urgente, porque es donde más nos estamos equivocando.

Hoy muchos colegios y universidades están prohibiendo el uso de herramientas de IA, o ignorándolo, o tolerándolo a regañadientes. Lo entiendo. Pero creo que es la respuesta equivocada al problema incorrecto. La pregunta difícil, pero que me emociona, es ¿cómo les enseñamos a usar IA de una manera que los obligue a pensar más?

¿Cómo se ve eso en la práctica? Me imagino varios ejercicios. Un debate, por ejemplo, donde dos grupos reciben el mismo tema polémico y usan la IA para preparar sus posiciones, una a favor y otra en contra. El modelo les muestra ambas perspectivas, les ayuda a anticipar los contra-argumentos, les obliga a articular por qué defienden lo que defienden. Otro donde los estudiantes deban escribir prompts o instrucciones que necesariamente van a arrojar un output cuestionable, y que después tengan que identificar qué está incompleto, qué asume, qué podría ser diferente. Hay que ser intencionales con el uso, incluso para desafiar los resultados. No usar la IA como oráculo, sino como interlocutor que se puede cuestionar.

Eso requiere haber desarrollado el músculo antes. Requiere haber leído, haber analizado perspectivas, haber practicado la incomodidad de no tener la respuesta inmediata. Sin esa base, el LLM se convierte en un atajo, que es lo que está pasando ahora. Con esa base, se convierte en una herramienta de pensamiento genuina.

Hace unos meses estoy obsesionada con los crucigramas. Los crucigramas que suelo resolver son los de El Espectador, que llega a la casa de mi mejor amiga y a la de mi mamá. Me leí The Riddles of the Sphinx, un libro sobre la historia y la lógica de los puzzles de palabras y por eso empecé a resolver los del New York Times, que tienen un nivel de dificultad adicional para mí porque están llenos de referencias culturales estadounidenses que no son mi mundo natural.

Encontré una pista que lo ilustra bien: “Deer ___ (road sign)”. Cuatro letras. Lo primero que pensé fue en una señal de cruce de venados. ¿Cómo se llama eso? PASS no sonaba correcto. CROSS tenía cinco letras y además me sonaba más a verbo que a señal. Entonces mi mente hizo algo que le pasa seguido: saltó a Animal Crossing, el videojuego, que no tiene nada que ver con señales de tránsito pero que tiene “crossing” en el nombre. Lo descarté casi de inmediato porque me pareció que igual no tenía nada que ver. Seguí adelante.

Cuando llegué a 31 Vertical: “Presidente de China desde 2013” algo hizo click: XI. Y de repente esa X como primera letra de la señal lo cambió todo. Una X es una cruz. XING. Las señales que advierten cruce de venados en las carreteras estadounidenses no dicen CROSSING, dicen XING. Animal Crossing no estaba tan lejos después de todo. Solo necesitaba la X para verlo.

El 31 de diciembre, en casa de mi mamá, estábamos con varios miembros de la familia intentando resolver un crucigrama grande. Un primo empezó a tomar fotos de secciones del crucigrama para pedirle ayuda a Chat GPT y, como decimos en Colombia, no daba pie con bola. El modelo respondía con total confianza y casi siempre estaba equivocado.

En ese momento no sabía exactamente por qué fallaba así. Ahora sí.

Resulta que los crucigramas son particularmente desafiantes para los LLM, porque la manera en que procesan el lenguaje no está diseñada para este tipo de problema. Hay algo que se llama restricciones interconectadas: en un crucigrama, la respuesta de una pista afecta a todas las palabras que se cruzan con ella. Si la palabra en 7 Horizontal determina que la tercera letra de 4 Vertical debe ser una R, el modelo tiene que mantener esa restricción activa mientras busca la respuesta para 4 Vertical, que a su vez afecta a otras palabras. Es una cadena de dependencias que se extiende por todo el grid.

Los LLM tienden a tratar cada pista como un problema independiente. Responden con lo que parece correcto para esa pista en particular, sin mantener el sistema completo en mente. Por eso mi primo obtenía respuestas que sonaban plausibles pero que no encajaban con nada de lo que ya habíamos resuelto. Y por eso, cuando la respuesta era incorrecta, bloqueaba todo lo que se cruzaba con ella.

Hay algo más. Las pistas de un crucigrama están diseñadas para engañar. Una buena pista tiene al menos dos lecturas posibles, y la primera que se te ocurre casi siempre es la equivocada. Resolver un crucigrama exige soltar la interpretación obvia y buscar la que no viste al principio. Eso requiere tolerancia a la ambigüedad. Quedarte con la pregunta abierta, resistir la urgencia de cerrarla con la primera respuesta disponible. Los LLM no hacen eso bien por defecto, solo generan la respuesta más probable.

La investigación sobre esto es reciente y muy interesante. Los científicos han empezado a usar los crucigramas como benchmark para evaluar los modelos de lenguaje, precisamente porque capturan algo que los tests convencionales no miden. Un modelo puede responder preguntas de trivia con precisión impresionante y aun así fallar en un crucigrama de dificultad media, porque el crucigrama no evalúa lo que sabes sino cómo manejas la incertidumbre mientras integras múltiples restricciones al mismo tiempo.

Eso es pensamiento lateral. Y resulta que es muy humano. No porque los humanos seamos mejores procesadores de información, sino porque llevamos toda una vida aprendiendo a movernos en la ambigüedad. A leer entre líneas. A notar cuando algo no encaja. A soltar la primera interpretación y buscar otra. Si tuvimos la suerte de crecer leyendo, o de tener profesores que nos enseñaron a analizar en lugar de memorizar, o de haber practicado el juego de ver las cosas desde ángulos distintos, entonces tenemos un músculo que ningún modelo puede reemplazar.

Por eso hoy que podemos preguntarle cualquier cosa a una inteligencia artificial y obtener una respuesta en segundos, resolver un crucigrama sin ayuda es casi un acto de resistencia. No porque el resultado importe. Sino porque el proceso, ese rato incómodo donde no sabes, donde tienes que soltar lo que creías y buscar de nuevo, es lo que ningún modelo puede hacer por ti.

Y quizás es lo más importante que tenemos, como personas, para enseñar.

Esta mañana vi una publicación de El Gato y La Caja, una editorial argentina que sigo desde hace años y que fue una de las inspiraciones para el diseño editorial de Crear desde acá. La publicación habla sobre un estudio científico que investigó cómo cambia el sabor de los alimentos cuando se cocinan a diferentes presiones.

Fui a buscar el paper original. Se llama “Impact of Boiling Conditions on the Molecular and Sensory Profile of a Vegetable Broth”, publicado en 2015 por un grupo de investigadores del Centro de Investigación de Nestlé en Lausana, Suiza. Lo que hicieron fue preparar un caldo de verduras (zanahoria, puerro, apio y nabo) bajo tres condiciones distintas: presión atmosférica normal (95 °C), alta presión como en una olla express (110 °C/1.5 bar), y baja presión simulada con una bomba de vacío (80 °C/0.48 bar), para responder la siguiente pregunta: ¿cambia el sabor del caldo dependiendo de la presión a la que hierve el agua?

La respuesta es que sí, y mucho. El caldo preparado a baja presión tenía concentraciones significativamente más altas de compuestos volátiles de azufre, que son los responsables del aroma característico del puerro. Un panel de doce catadores (gran trabajo, por cierto) confirmó lo que la química sugería: el caldo de baja presión tenía un aroma a puerro y apio más intenso, y una mayor intensidad general de sabor. Lo interesante es que los caldos preparados a presión atmosférica y a alta presión resultaron ser prácticamente iguales entre sí en términos sensoriales.

La siguiente gráfica muestra el perfil sensorial de los tres caldos cocinados durante una hora a diferentes presiones. La línea punteada clara es el caldo de baja presión.

Perfil sensorial de caldos cocinados por 1 hora a diferentes presiones. Fuente: Mougin et al., “Impact of Boiling Conditions on the Molecular and Sensory Profile of a Vegetable Broth”, J. Agric. Food Chem., 2015.

¿Por qué pasa esto? Los investigadores proponen que a menor presión, el agua hierve a menor temperatura, y eso preserva los compuestos volátiles más frágiles, esos que se degradan fácilmente con el calor y la oxidación. A 80 °C en vez de 95 °C o 110 °C, las moléculas más delicadas sobreviven. El sistema cerrado de baja presión también reduce el nivel de oxígeno, lo que protege aún más esos compuestos sensibles.

El año pasado, mientras lideraba el programa ejecutivo “Liderazgo en la Era de IA” en Platzi, diseñé una actividad de apertura que conectaba la preparación de café de especialidad con los fundamentos de la inteligencia artificial. La llamé “AI y Café de Especialidad” y la usé en varias cohortes, incluyendo las seis que hicimos con ejecutivos de Claro. La idea era que antes de hablar de modelos, datos y algoritmos, íbamos a hacer algo familiar: preparar un café extraordinario.

Cada paso del proceso de preparación del café servía como analogía para un concepto de Inteligencia Artificial. La selección del grano es la calidad de los datos. La molienda precisa es el procesamiento de la información. La proporción agua-café es la relación entre inversión y resultado. La floración, esos primeros 30 segundos en los que el café se “despierta” y libera CO2 antes de la extracción real, es la fase de inicialización de un modelo. Y el vertido en círculos concéntricos, donde cada grano debe tener la misma oportunidad de contribuir al sabor final, es el entrenamiento balanceado que expone al modelo a todos los tipos de datos de manera uniforme.

Mi momento favorito de la actividad era hablar de la temperatura del agua. En los manuales de café de especialidad, la recomendación universal es usar agua entre 92 y 96 °C. Aquí en Bogotá, a 2,640 metros sobre el nivel del mar, el agua hierve a aproximadamente 92 °C. Es decir, cuando el agua hierve en nuestra ciudad, ya está en el rango perfecto. No necesitamos termómetro ni ajustes adicionales. La altitud nos regala la temperatura exacta.

Ahí es donde la analogía aterrizaba: en Silicon Valley, donde se están creando la mayoría de modelos y algoritmos de Inteligencia Artificial, el agua hierve a 100 ºC. En Japón, donde perfeccionaron el método V60 que usamos para preparar nuestro café, el agua hierve a 99 ºC. Los modelos entrenados con datos estadounidenses requieren calibración para entender el comportamiento de nuestros usuarios. No existe implementación de tecnología sin contextualización. Las “mejores prácticas universales” siempre deben adaptarse al contexto específico.

Me voy pronto de Platzi y hay cosas que no son fácilmente transferibles. Esta actividad es una de ellas. No porque el documento que la describe no exista, sino porque la conexión entre café, ciencia y tecnología es algo que sale de mi forma particular de observar el mundo. De mi obsesión por los detalles.

Yo desayuno un huevo duro todas las mañanas. Lo preparo con la misma atención con la que preparo mi café filtrado diario. Mi receta es esta: pongo el huevo en una olla pequeña con agua fría y enciendo la estufa a fuego alto. Cuando el agua empieza a hervir (a 92 °C, porque estoy en Bogotá), lo dejo exactamente cuatro minutos. Después apago el fuego pero dejo el huevo en el agua caliente dos minutos más. Luego reemplazo el agua caliente por agua fría y lo reservo al menos dos minutos antes de pelarlo. Es el primer alimento que consumo en el día, porque un amigo me enseñó que el ayuno no se rompe con azúcar sino con proteína.

Ese huevo sabe perfecto. Me atrevo a decir que tiene incluso el nivel de sal que quiere mi paladar, a pesar de que no le pongo absolutamente nada. Lo triste es que esta receta probablemente le sirva a muy pocas personas, porque depende de la altitud a la que vivan, del tamaño de su olla, de la potencia de su estufa, del tamaño del huevo. Lo que tendrían que hacer es lo mismo que hice yo: experimentar con el método científico hasta encontrar su propia versión perfecta.

En Crear desde acá hay un capítulo en el que hablo sobre creatividad y curiosidad intelectual, y hago referencia a Zelda: Breath of the Wild. En ese juego, además de las misiones centrales de la aventura, es posible recolectar, cazar y cocinar alimentos. Me detengo un rato a hablar de eso en el libro porque me encanta el simple hecho de poder hacerlo. No solo el hecho de cocinar dentro del juego, sino el meta-hecho de poder pensar en eso, de poder escribir sobre eso. Lo lindo y lo importante que es prestar atención a las cosas que parecen insignificantes.

Y creo que esa es mi conclusión con todo esto. No es sobre la presión atmosférica ni sobre los compuestos volátiles de azufre ni sobre la temperatura de ebullición del agua en Bogotá. Es sobre prestar atención. Los investigadores de Lausana prestaron atención a algo que los cocineros intuitivamente sabían pero nadie había medido con rigor. Yo le presto atención a mi desayuno de cada mañana y a mi café de cada día.

Un caldo de verduras a 80 °C sabe distinto que uno a 95 °C. Un huevo hervido en Bogotá se cocina diferente que uno al nivel del mar. Un café preparado con atención es otro café. Y una persona que presta atención a las cosas pequeñas probablemente también la preste a las grandes.

“Más alta la montaña, más alto el guiso”, dice el post de El Gato y La Caja. Pero solo si estás prestando atención.

Lo pensé porque me leí Ahora y en la hora de Héctor Abad Faciolince, en el que cuenta una historia que le sucede a partir de la traducción de su libro El olvido que seremos al ucraniano. Abad viaja a Ucrania en medio de la guerra y se encuentra con su libro traducido a una lengua que no habla, en un país atravesado por el conflicto. Le causa curiosidad saber si la traducción es fiel a lo que escribió, entonces hace un ejercicio: toma Google Lens y traduce de vuelta al español algunos fragmentos para ver si quedaron bien.

El ejercicio termina siendo muy interesante. Hay una frase que originalmente decía que su papá se iría al infierno porque no iba a misa, pero el traductor automático le devuelve algo sobre no ir a trabajar. Abad se lo comenta a Maryna, su editora ucraniana, preocupado por si la traducción había fallado. Pero la explicación de Maryna es hermosa: la palabra en ucraniano que usó la traductora puede significar tanto “misa” como “trabajo”, algo más cercano a “servicio”. Google Lens eligió un significado que no era el correcto, pero la traductora había usado la palabra exacta para capturar el sentido que Abad quería transmitir.

O sea, ni siquiera es cuestión de pensar si las herramientas tecnológicas están sirviendo o no para esto. Lo que me puso a pensar es que el lenguaje siempre traiciona un poco. Siempre hay algo que se pierde o se transforma al cruzar de una lengua a otra, porque al final el lenguaje es una representación de la cultura. Hay palabras y construcciones que tienen más sentido en algunos idiomas que en otros, y perdemos un poco de textura en las traducciones.

Pero lo que más me impactó de Ahora y en la hora viene después. Casi al final del libro, Abad cuenta de Victoria Amélina, una escritora ucraniana con quien se encuentra en su viaje y quien termina muriendo por un misil que los alcanza en un restaurante, muy cerca del frente de guerra que fueron a visitar. Después de exponer una carta del padre de Victoria, Abad escribe:

“La inmortalidad debió inventársela un padre que perdió a su hijo, me digo. Un hombre loco de tristeza, inconsolable, al fin encuentra un mínimo de paz y de consuelo si se ilusiona con la idea de la supervivencia después de la muerte.

Un dolor insoportable necesita drogas mucho más potentes que la morfina. La droga religiosa, la creencia en el más allá, es más fuerte que cualquier sedante o cualquier alucinógeno. La religión no será el opio de los pueblos, pero sí de los padres; de los padres huérfanos de hijos.

Casi todos los padres que han perdido a sus hijos lo han dicho alguna vez: no hay ni siquiera una palabra que señale su condición, un concepto que la exprese, como si la situación existiera en el mundo de las cosas que pasan, claro está, pero no se la pudiera nombrar, ni comprender, ni pensar con claridad. ¿Por qué no hay en español (ni en ninguna lengua de las que sé o medio sé) una palabra que designe a los padres que pierden a sus hijos? El huérfano es quien ha perdido a sus padres, la viuda quien ha perdido a su marido; hay niños expósitos, padres putativos, hijos adoptados, esposos divorciados, hay nombres para cuñados, yernos, primos, suegros y consuegros, para cualquier posición o situación familiar, pero no se han inventado la palabra que designe al padre o a la madre que pierde a un hijo, a una hija.

Tengo que ser capaz de encontrar, de inventar una palabra precisa para nombrar la peor tristeza que le puede suceder a un padre (...) Por mucho que lo pienso no la encuentro. Deshijado o deshijada, tal vez, pero ese sonido no se vuelve concepto, no se dibuja con claridad en el entendimiento, y pierdo la paciencia, gruño, porque esa palabra debe ser como un gruñido, o peor, como un grito de dolor, porque los padres que pierden a sus hijos se convierten para siempre en un chillido, en una herida en carne viva que se abre y supura una y otra vez sin llegar a curarse. Para que eso no ocurra, ya que no soy capaz de encontrar ni de inventar la palabra, aúllo. Cuando algo no se puede apresar en el lenguaje, este regresa a la condición primitiva, a los milenios de bruma mental anteriores a la lengua articulada, a la gramática, el léxico y la sintaxis, y no puedo hacer más que aullar de dolor como una bestia recién atropellada por un bólido o destripada a medias por una llanta a toda marcha.”

Me quedé pensando en esa ausencia de palabra. ¿Será cierto que no existe en ningún idioma? Resulta que sí existe, pero solo en culturas marcadas por la guerra constante. En hebreo, shakul (שכול) se usa específicamente para padres que han perdido hijos en guerras o ataques terroristas. En árabe clásico, thakla (ثاكلة) nombra a la madre que se queda sin criatura. En sánscrito, vilomah significa literalmente “lo que va contra el orden natural”.

Estas palabras existen donde la pérdida de hijos ha sido tan frecuente que el lenguaje tuvo que crear un término para poder procesarla. En español tenemos “deshijado” en la RAE, pero es arcaico y nadie lo usa. Recientemente se ha propuesto “huérfilo”, pero tampoco ha pegado.

Pienso en Piedad Bonnett y su libro Lo que no tiene nombre. El título mismo es una declaración: esto no se puede nombrar. Y sin embargo, ella tuvo que escribir todo un libro para intentar rodear, cercar, aproximarse a nombrar lo innombrable. Tuvo que hacerlo porque no había otra opción. Cuando el lenguaje no alcanza, los humanos no nos quedamos en silencio: creamos más lenguaje.

Yo leo mucho y me voy llenando de ideas en mi cabeza que después buscan una ruta de escape desde mi mente. Por eso escribo. Porque no puedo contener más estas palabras. Es algo primitivo, casi anterior al pensamiento articulado. Abad lo dice: cuando algo no se puede apresar en el lenguaje, este regresa a la condición primitiva, a los milenios anteriores a la gramática y el léxico, y solo podemos aullar.

Pero vuelvo a las traducciones. Porque traducir no es solo pasar palabras de un idioma a otro. También traducimos a través del tiempo.

Con unos amigos conversaba sobre esto. Mencionaban que les gustaría aprender alemán o ruso, sobre todo ruso, para poder leer a Dostoyevski o a Tolstói en su idioma natal. ¿Qué significa eso? ¿Qué implica leer a alguien en su idioma natal? ¿Las traducciones no nos están transmitiendo todo, o tal vez los traductores hacen un trabajo exhaustivo y sí lo logran, como en el caso de Abad y la palabra ucraniana que podía significar “misa” o “trabajo”?

Les conté de mi dificultad para leer La vorágine de José Eustasio Rivera. Es una obra colombiana sobre las caucherías, sobre una situación muy propia de nuestro país, que debería ser entendible para mí, para alguien que nació y creció aquí y tiene un contexto amplio del país. Pero me costó bastante. Tanto así que lo intenté un par de veces, conseguí dos ediciones distintas, y no he podido avanzar porque el lenguaje se me presenta como un gran desafío. Entiendo las palabras, incluso con sus formas un poco diferentes, pero la construcción, la narración, no me permite conectarme. No me permite seguir el hilo.

La vorágine está escrita en español, mi idioma, pero es un español de hace cien años que ya no habito. Necesita traducción temporal. Y eso me llevó a pensar en Shakespeare, que es inglés pero de hace varios siglos, incluso más lejano que José Eustasio Rivera.

Anoche me encontré con mi ejemplar de Sueño de una noche de verano, la obra de Shakespeare que siempre he tenido más presente porque la leí en el colegio. Tengo todavía esa edición que se ve bastante viejita y golpeada, pero la guardo con mucho cariño. Tenía marcada una página, una intervención de Titania que me capturó cuando tenía unos quince años:

“Te ruego, gentil mortal, que cantes otra vez.
El oído se prenda de tu voz
como tu rostro cautiva mis ojos;
y el poder de tus encantos a la fuerza me conmueve
a decirte sin más, a jurar que te amo.”

Me pareció muy lindo que esa forma de expresarse, esa forma de declararse tan bella y tan peculiar, me hubiera capturado a esa edad. Pero entonces decidí revisar el libro, ver de dónde salió. Es una edición de Norma, libro de colegio total.

Y lo primero que dice la primera página, en el prefacio, es esto:

“Toda generación, se dice, debería traducir a los clásicos para alumbrarlos desde la experiencia y las palabras de su época. Si esto es cierto, son los escritores de cada lengua los más interesados en renovar periódicamente aquello de la literatura occidental cuya influencia perdura; y acaso sean los más aptos.”

Me quedé pensando mucho en esa frase: toda generación debería traducir a los clásicos para alumbrarlos desde la experiencia y las palabras de su época.

No es solo que cada época necesite su propia traducción de Shakespeare del inglés isabelino al español contemporáneo. Es que cada generación necesita encontrar las palabras para habitar el mundo que le tocó. Traducir es interpretar. Es traer el pasado al presente, lo ajeno a lo propio, lo incomprensible a lo comprensible. No solo a través de idiomas, sino a través de épocas, contextos, experiencias.

Pienso en La vorágine que no he podido terminar, en el Shakespeare que sí pude leer gracias a escritores latinoamericanos que lo tradujeron “para alejar a Shakespeare del temor reverencial”, como dice el prefacio de este libro que encontré en mi biblioteca. Pienso en Abad buscando una palabra que no existe en español para los padres que pierden hijos. Pienso en Bonnett escribiendo un libro entero porque una palabra no era suficiente.

El lenguaje es nuestra única herramienta para procesar la experiencia. Cuando no alcanza, lo extendemos. Creamos nuevas palabras, nuevas formas, nuevas traducciones. O volvemos a lo primitivo y aullamos.

Cada generación tiene que traducir no solo los clásicos de la literatura, sino la experiencia misma de estar vivos. Tiene que encontrar o inventar las palabras para nombrar lo que le está pasando. Porque mientras no tenga nombre, el dolor se vuelve más solo, más incomprensible, más difícil de sostener. Pero cuando algo se nombra, puede empezar a ser contado. Y lo que se cuenta, se comparte. Y lo que se comparte, duele distinto.

Al final, escribir es solo eso: buscar palabras para que las ideas encuentren una ruta de escape. Traducir es darle a cada época, a cada cultura, a cada persona, las herramientas para habitar su propio lenguaje. Y leer, leer es el acto de recibir esa traducción, de dejar que las palabras de otro se vuelvan propias, de extender el puente entre una mente y otra.

Tal vez por eso no importa tanto si leemos a Dostoyevski en ruso o en español, si Shakespeare suena isabelino o contemporáneo, si La vorágine se siente lejana o cercana. Lo que importa es que sigamos traduciendo, sigamos buscando las palabras, sigamos construyendo puentes entre las experiencias humanas que, sin lenguaje, solo serían aullidos en la oscuridad.

GPT-5

Primero quiero aclarar que incluso si la misma persona hace el ejercicio que describí, es decir, preguntarle a Chat GPT –o a su LLM de preferencia– ¿qué es un gato?, no obtendrá exactamente la misma respuesta si vuelve a hacer exactamente la misma pregunta. Esto no tiene que ver con la personalización de nuestras interacciones ni con las memorias que Chat GPT va guardando sobre nosotros para darnos respuestas que se ajusten a nuestras preferencias, ni mucho menos con la falsa concepción de que nosotros entrenamos el modelo a medida que vamos interactuando con él. Nosotros como usuarios no entrenamos modelos de lenguaje. En cambio si suceden cosas mucho más fascinantes para que obtengamos diferentes resultados después de hacer la misma pregunta varias veces.

Sonnet 4.5

La siguiente explicación está inspirada en el trabajo ‘Defeating Nondeterminism in LLM Inference’ de Thinking Machines Lab, que profundiza en las soluciones técnicas para lograr determinismo en LLMs.

Vamos a hornear galletas para entender esto.

Tienes una receta de galletas que has perfeccionado. Cada vez que la sigues al pie de la letra, obtienes galletas deliciosas. La receta dice:

• 200g de harina

• 100g de azúcar

• 100g de mantequilla

• Hornear a 180°C por 12 minutos

Escenario 1: Hornear 10 galletas

Haces la masa, la divides en 10 porciones, las pones todas en una bandeja y las metes en tu horno casero pequeño. Las galletas quedan perfectas. 180°C, 12 minutos, listo.

Escenario 2: Hornear 100 galletas

Ahora necesitas hacer 100 galletas. Sigues la misma receta, usas exactamente los mismos ingredientes (multiplicando por 10), y configuras el horno a los mismos 180°C por 12 minutos.

Pero aquí es donde las cosas se complican:

• No caben 100 galletas en una bandeja. Necesitas usar 10 bandejas diferentes.

• No puedes meter 10 bandejas al mismo tiempo en tu horno casero. Algunas van arriba, otras abajo, otras esperan afuera.

• Tal vez decides usar un horno industrial más grande para 100 galletas.

¿Qué pasa entonces?

Aunque la receta es idéntica (mismos ingredientes, mismas proporciones, misma temperatura, mismo tiempo), la forma de ejecutar el horneado cambia:

• Las galletas de arriba reciben más calor directo que las de abajo

• Las primeras bandejas entran a un horno que aún se está calentando

• El horno grande distribuye el calor de manera ligeramente diferente que el pequeño

• Las galletas que esperan fuera pierden algo de temperatura ambiente

El resultado: Las 100 galletas no son idénticamente iguales a las 10 galletas, aunque seguiste la misma receta. Algunas están un poco más doradas, otras un poco más suaves, algunas más crujientes en los bordes.

¿La receta es determinista? Sí. Matemáticamente, 200g + 100g + 100g siempre dan 400g de masa.

¿El resultado es determinista? No del todo. Porque la configuración del sistema (cuántas galletas horneas a la vez) afecta sutilmente cómo se ejecutan las operaciones.

Esto es exactamente lo que pasa con los Large Language Models:

• La receta = el modelo (GPT-5, Claude Sonnet 4.5, etc.)

• Los ingredientes = tu pregunta (el prompt)

• Los parámetros (temperatura, tiempo) = los pesos de la red neuronal

• El número de galletas = el batch size (cuántas consultas se procesan simultáneamente)

• El horno = la GPU que hace los cálculos

Cuando le preguntas algo a Chat GPT a las 3 AM (podemos pensar que a esa hora tenemos un servidor casi vacío, por lo tanto habrá un batch pequeño, es decir, pocas consultas se están ejecutando al mismo tiempo), tu pregunta se procesa de cierta manera. Cuando preguntas lo mismo a las 3 PM (servidor saturado, batch grande), se procesa de manera ligeramente diferente.

Misma pregunta, mismo modelo, pero diferente “configuración del horno” → resultado ligeramente diferente.

Cuando el orden de los factores sí altera el resultado

• 2 + 3 = 3 + 2 = 5

• (2 + 3) + 4 = 2 + (3 + 4) = 9

Esto se llama conmutatividad (el orden de los factores no importa) y asociatividad (los paréntesis no importan). Y en matemáticas puras, esto es absolutamente cierto. En computación suceden cosas ligeramente distintas, pues las computadoras no pueden representar todos los números reales con exactitud infinita, por eso usan números de punto flotante (floats) que tienen precisión limitada.

Aquí un ejemplo simple:

En matemáticas puras: ⅓ = 0.333333333… (infinito)

En computación: ⅓ = 0.33333333 (8 dígitos decimales y ya)

Cuando sumamos números de escalas muy diferentes, el número pequeño puede desaparecer:

Aquí otro ejemplo (imaginando que la computadora solo guarda 4 dígitos):

Orden 1: (0.001 + 1000) + (-1000)

Paso 1: 0.001 + 1000 = 1000.001

↓ La computadora redondea

= 1000 (perdimos el 0.001)

Paso 2: 1000 + (-1000) = 0

Resultado final: 0

Orden 2: 0.001 + (1000 + (-1000))

Paso 1: 1000 + (-1000) = 0

Paso 2: 0.001 + 0 = 0.001

Resultado final: 0.001

Aunque matemáticamente deberían ser iguales, la computadora da resultados diferentes según el orden de las operaciones.

¿Cómo procesa las consultas un LLM?

Volvamos a la pregunta que le hicimos a Chat GPT: ¿qué es un gato?

Cuando escribimos ese prompt suceden los siguientes pasos:

Tokenización:

La pregunta se divide en tokens, que pueden ser palabras completas, sílabas o signos de puntuación

“¿Qué es un gato?” → [”¿Qué”, “es”, “un”, “gato”, “?”]

Embeddings:

Cada token se convierte en un vector, es decir, una lista de números que representa su significado y relaciones con otros tokens

“gato” → [0.2, -0.5, 0.8, 0.1, ..., 0.3]
└─────────────────────┘
(por ejemplo, 768 números)

Multiplicación de matrices:

El modelo procesa estos vectores para entender el contexto y generar una respuesta. Una capa de la red neuronal sigue esta operación:

y = W . x + b
vector_salida = Matriz_de_pesos × vector_entrada + bias

La multiplicación de W . x es una multiplicación de matrices. La matriz de pesos es como un filtro que transforma el significado. Por ejemplo:

Matriz detecta: “Este patrón indica que una pregunta”
Matriz detecta: “Este patrón indica que es un sustantivo”
Matriz detecta: “Este patrón indica categoría ‘animal’”

Mecanismo de atención:

¿Cómo decide el modelo a qué palabras prestarles atención? Cuando preguntas “¿qué es un gato?”, el modelo necesita enfocarse en “gato” y no en “es” o “un”.

Esto funciona mediante el mecanismo de atención, que tiene tres componentes:

Query (Consulta): La pregunta o intención de búsqueda que el modelo necesita responder, por ejemplo: “¿qué es un gato?”

Keys (Índices): Etiquetas que describen cada palabra en el vocabulario y que permiten al modelo categorizar y organizar la información, por ejemplo:

“gato” → [animal, mamífero, felino, mascota]

“perro” → [animal, mamífero, canino, mascota]

Values (Contenido): La información útil asociada a cada palabra, como definiciones, características, relaciones con otros conceptos

El modelo calcula puntajes de atención, o scores de similitud, entre la Query y todas las Keys mediante productos internos (dot products). Palabras con scores altos reciben más “atención” y sus Values contribuyen más a la respuesta final.

Entonces, cuando preguntas “¿qué es un gato?” sucede lo siguiente:

1. QUERY (tu pregunta busca):

“gato” → [necesito definición de este animal]

2. KEYS (el modelo revisa sus etiquetas):

• “gato” → [animal, mamífero, felino, mascota]

• “perro” → [animal, mamífero, canino, mascota] ← similar pero menos relevante

• “carro” → [vehículo, transporte, máquina] ← irrelevante

3. ATTENTION SCORES (calcula similitudes):

• “gato” con “gato” = 0.98 ← ¡muy relevante!

• “gato” con “perro” = 0.45 ← algo relevante (ambos son mascotas)

• “gato” con “carro” = 0.02 ← irrelevante

4. VALUES (extrae información ponderada):

98% de info sobre “gato”

+ 45% de info sobre “perro” (para contexto de mascotas)

+ 2% de info sobre “carro” (prácticamente nada)

= Respuesta enfocada en gatos

Para calcular estos puntajes de atención el mecanismo usa tres transformaciones:

• Query = WQ × vector_entrada

• Key = WK × vector_entrada

• Value = WV × vector_entrada

Donde WQ, WK y WV son matrices de pesos diferentes que el modelo aprendió durante el entrenamiento.

Luego calcula:

Attention Score = Query · Key (producto interno)

• Si el score es alto = palabras muy relacionadas

• Si el score es bajo = palabras poco relacionadas

Finalmente, usa esos scores para decidir cuánta información tomar de cada Value:

Output = Σ (Attention_Score × Value)

↑ Suma ponderada de toda la información relevante

Múltiples capas:

Un LLM tiene cientos de capas por las que nuestra pregunta debe pasar, así:

Capa 1: vector → [multiplicación matriz] → nuevo_vector
Capa 2: nuevo_vector → [multiplicación matriz] → otro_vector
Capa 3: otro_vector → [multiplicación matriz] → …
…
Capa N: ... → [multiplicación matriz] → vector_final

Al final, el vector_final se convierte de vuelta en palabras: “Un gato es un felino doméstico...”

Batch processing: cuando la cantidad de consultas afecta el resultado final

Cuando le preguntas algo a Chat GPT, no eres la única usuaria. Puede haber 50 personas preguntando al mismo tiempo. En lugar de procesar cada pregunta una por una, la GPU las agrupa:

Usuaria 1: “¿Qué es un gato?” → vector₁

Usuaria 2: “¿Cómo funciona la multiplicación de matrices?” → vector₂

Usuaria 3: “Dame una receta de galletas” → vector₃

...

Usuaria 50: “Explica el no determinismo de los LLM” → vector₅₀

Estos 50 vectores se apilan en una matriz (o tensor de dos dimensiones):

Batch =

[vector₁]

[vector₂]

[vector₃]

[...]

[vector₅₀]

Y la GPU los procesa todos a la vez con una sola multiplicación de matrices:

Resultado = Matriz_de_pesos × Batch

Entonces lo que pasa con nuestra pregunta es que:

1. Se convierte en un vector

2. Ese vector se multiplica por matrices en cada capa

3. Si la cantidad de preguntas es pequeña (batch pequeño), la GPU ordena las operaciones de una forma

4. Si hay muchas preguntas al mismo tiempo (batch grande), la GPU ordena las operaciones de otra manera, ¡como con las galletas!

La pregunta es la misma, la matriz de pesos es la misma, pero el tamaño del batch cambia cómo la GPU ejecuta las multiplicaciones internamente. Es exactamente como las galletas: misma receta, pero diferente número de galletas en el horno genera resultados ligeramente diferentes. El no determinismo ocurre en esas múltiples capas de multiplicaciones de matrices (pueden ser 96, 126, o más dependiendo del modelo). Cada multiplicación involucra miles de sumas, y el orden de esas sumas depende del tamaño del batch.

Cuando multiplicas dos matrices A × B para obtener C, cada elemento C[i,j] se calcula así:

C[i,j] = (A[i,1] × B[1,j]) + (A[i,2] × B[2,j]) + (A[i,3] × B[3,j]) + ...

Esto es un producto interno (dot product): multiplicas elemento por elemento y luego sumas todo, sin embargo la GPU puede hacer esas sumas en diferentes órdenes dependiendo de cuántos elementos está procesando simultáneamente (el batch size):

Batch pequeño (10 consultas):

resultado = ((a₁b₁ + a₂b₂) + a₃b₃) + a₄b₄

Batch grande (100 consultas):

resultado = (a₁b₁ + a₂b₂) + (a₃b₃ + a₄b₄)

Por la no-asociatividad de las sumas con números flotantes, estos dos órdenes producen resultados ligeramente diferentes.

Los LLM son deterministas, en teoría, pues las operaciones matemáticas están perfectamente definidas: dado un input y un batch size fijo, el output es reproducible. No hay aleatoriedad real en el proceso. Los LLM también son no deterministas, en la práctica, pues la cantidad de consultas que se procesan juntas es impredecible desde nuestra perspectiva como usuarias, depende de la carga del servidor. Diferentes batch sizes implican diferentes órdenes de sumas y generan resultados numéricos distintos.

Y todo esto sucede por una propiedad matemática fascinante: en el mundo de las computadoras, (a + b) + c no siempre es igual a a + (b + c).