Ia

Dice que no podemos regular bien las tecnologías emergentes porque, cuando aún es fácil hacerlo, no sabemos qué regular; y, cuando por fin lo sabemos, ya es demasiado tarde. En la formulación original de David Collingridge1: Cuando el cambio es fácil, su necesidad no puede preverse; cuando la necesidad es evidente, el cambio se ha vuelto caro, difícil y lento. En concreto: En los albores de una tecnología, cuando todavía es «dúctil y maleable», ignoramos sus efectos sociales, económicos y éticos. No hay base empírica para intervenir y cualquier regulación parece prematura o arbitraria. Más tarde, cuando los daños —o los beneficios inesperados— se manifiestan, la tecnología ya ha sido integrada en las instituciones, los modelos de negocio y los hábitos sociales. Cambiarla es caro, lento y políticamente costoso. La solución que propuso Collingridge fue el ensayo y error inteligente. Pero como escribe Michael Ende, esa es otra historia y deberá ser contada en otra ocasión. ...

Sea $t$ una fecha, $d$ una disciplina académica (matemáticas, lingüística, etc.) y $D(t, d)$ lo que se entendía por $d_i$ en la fecha $t$, una descripción de lo que en $t$ se consideraba la misión, relevancia, objetivo, etc. de $d$. Piénsese en, por ejemplo, $d = \text{‘matemáticas’}$. $D(t, d)$ ha sido prácticamente constante durante decenios. Pero ahora ha aparecido la IA, que ha comenzado a asumir tareas y resolver problemas que se consideraban nucleares en muchas disciplinas en fechas tan recientes como $t = \text{2020-01-01}$. ...

Las calculadoras no eliminaron la aritmética, solo desplazaron su valor: el cálculo exacto perdió relevancia frente al razonamiento sobre los órdenes de magnitud y, más en general, al «numerismo». La IA ha acelerado esa reorientación. Incorporarla adecuadamente exige mantener ciertas habilidades operativas manuales, pero solo en la medida en que sirven para asentar los conceptos importantes, no para replicar tareas que las máquinas hacen mejor. Un estudio con 27.000 alumnos chinos sugiere que la IA puede mejorar las notas de deberes pero empeorar las de los exámenes si se usa sin criterio. Parece que la IA aumenta la productividad del aprendizaje solo para quienes la usan inteligentemente. ...

Dicho brevemente, los embeddings asocian direcciones en un espacio vectorial de dimensión alta a «conceptos». Cabe preguntarse cuánto «espacio semántico» hay realmente disponible, cuántos «conceptos» caben en un espacio vectorial. Así que hoy voy a realizar una estimación geométrica muy grosera inspirada en un par de entradas de John D. Cook, matizada luego por otra basada en el llamado problema del código esférico. Como referencia, el DRAE tiene unas 100k entradas y la Wikipedia en inglés, unos 7 millones. Esas cifras delimitan el orden de magnitud del número de «conceptos» que uno puede aspirar a registrar en el espacio de embeddings. ...

En una economía moderna, hay dos: la real y la monetaria. Ambas tienen vida independiente —como el cuerpo y el alma cartesianos—, hasta que no. La última vez que miré, los economistas todavía no tenían muy clara la interconexión entre ambas economías: qué intervenciones en la monetaria tienen un impacto positivo en la real y cómo las crisis en la primera se trasladan —o no— a la segunda. En la economía monetaria existe un solo bien, el dinero, muy legible, extremadamente fácil de medir y ponderar. Guarda además cierta correlación con los bienes de la economía real —a través de los precios— pero no se confunde con ellos. ...

TabICL es un «modelo fundacional» para datos tabulares capaz de predecir sin reentrenar mediante aprendizaje en contexto sobre filas de la tabla. Si hay IAs capaces de generar texto o imágenes, ¿por qué no columnas adicionales en una tabla, datos faltantes, etc.? Un diccionario estadística-ML para traducir de una a otra términos como «inferencia», «verosimilitud», «causal», «priori», «bayesiano» o «sesgo». La paradoja «todos los sitios se están calentando más deprisa que el resto del mundo», explicada: lo que menos se calienta es el mar, donde no vive nadie. ...

Hay gente ocupada en y preocupada por la cuestión de la brecha entre los LLMs chinos y los estadounidenses. También hay gente ocupada en y preocupada por la cuestión de cómo la selección de los métodos de análisis estadístico condiciona las narrativas que se construyen alrededor de ellos (o, más habitualmente, al revés). En mayo de 2026 escribí «Los LLMs chinos, ¿ocho meses por detrás del estado del arte?» que se ocupaba de ambas cuestiones a la vez. El argumento central de la crítica estadística era que la sensación de convergencia o divergencia entre los LLMs de ambos países puede adaptarse a una narrativa preespecificada escogiendo adecuadamente la transformación no lineal implícita en el modelo. Es ocioso reiterar ahora los detalles: el lector interesado los tiene a un clic de distancia. ...

Resumida, la historia —que creo que conocemos casi todos— es que Jacob Coxon trabajaba en Antropic, un buen día dimitió, publicó en Twitter y mucha gente lo tomó en serio. Analíticamente, todos tenemos una priori sobre la archifamosa $P(\text{doom})$ que vamos afinando a partir de la información que recibimos. Para algunos, $P(\text{doom})$ es alta y, tras las declaraciones de Coxon, y debido a la credibilidad que dan a la fuente, la actualización bayesiana la ha incrementado significativamente. ...

Patrick McKenzie nos cuenta cómo funcionan los programas de recompensas de tarjetas de crédito, a quiénes favorecen, a quiénes perjudican y cómo algunos usuarios están aprendiendo a explotarlos sistemáticamente. La entrada aplica a los EEUU principalmente y no a Europa, donde las comisiones por el uso de la tarjeta de crédito (y, por lo tanto, las potenciales recompensas asociadas a ellas) están limitadas por ley. La Fed es un actor tan grande en el mercado financiero que sus predicciones tienden a autocumplirse. Es el conocido problema que dio lugar a la teoría de juegos hace ya cien años. Para mitigar sus efectos, el nuevo gobernador de la Fed, Kevin Warsh, ha renunciado a publicar guías prospectivas, con lo que algunos actores del mercado se sienten «desorientados». El Clark Center estudia la cuestión. ...

Un usuario de OpenClaw expresa su decepción con el producto (pero yo confirmo que estoy ya extrayendo utilidad neta positiva de mi Hermes). Relacionado con lo anterior, el FT se pregunta cuánto valor está creando la IA realmente (y encuentra que sustancialmente menos del que se cuenta por ahí). Kenny Easwaran analiza qué es exactamente lo que nos disgusta sobre el estilo literario de la IA (¿que aplica demasiado concienzudamente los ubicuos consejos sobre «cómo escribir bien»?). ...