{"id":2148,"date":"2026-06-09T13:25:00","date_gmt":"2026-06-09T11:25:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2148"},"modified":"2026-08-05T17:23:01","modified_gmt":"2026-08-05T15:23:01","slug":"metodo-karpathy-usar-bien-la-ia","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/es\/2026\/06\/09\/metodo-karpathy-usar-bien-la-ia\/","title":{"rendered":"El m\u00e9todo Karpathy: usar la IA 10 veces mejor"},"content":{"rendered":"

<\/p>\n

Andrej Karpathy – cofundador de OpenAI y antiguo responsable de IA en Tesla – explica desde hace tiempo, en charlas y entrevistas, por qu\u00e9 la mayor\u00eda de la gente utiliza mal la IA.<\/strong> No porque practiquen poco, sino porque malinterpretan la herramienta. Su m\u00e9todo para trabajar con IA mucho m\u00e1s r\u00e1pido se puede reducir a tres capas: spec<\/em>, verificaci\u00f3n<\/em> y entorno<\/em>. Esto es lo que hay realmente detr\u00e1s – sin hype, pero para ponerse a ello.<\/p>\n

\n

Lo esencial en breve<\/p>\n

    \n
  • La IA es brillante en lo medible y ciega en el contexto.<\/strong> No conoce su objetivo – eso tiene que aportarlo usted.<\/li>\n
  • Capa 1 – Spec:<\/strong> Primero aclarar el objetivo, despu\u00e9s trabajar en pasos peque\u00f1os (\u00e1gil) y con precisi\u00f3n.<\/li>\n
  • Capa 2 – Verificaci\u00f3n:<\/strong> Fijar de antemano los criterios de evaluaci\u00f3n, un segundo modelo como cr\u00edtico, incorporar se\u00f1ales externas.<\/li>\n
  • Capa 3 – Entorno:<\/strong> CLAUDE.md, una base de conocimiento propia, skills reutilizables y guardrails de verdad.<\/li>\n
  • El n\u00facleo:<\/strong> \u00abPuede usted externalizar su pensamiento – pero no su comprensi\u00f3n.\u00bb<\/li>\n<\/ul>\n<\/div>\n
    \n \"Die
    Las tres capas del m\u00e9todo Karpathy de un vistazo.<\/figcaption><\/figure>\n

    Por qu\u00e9 la IA falla en preguntas sencillas<\/h2>\n

    Karpathy pone un ejemplo simple: \u00abQuiero ir al t\u00fanel de lavado, est\u00e1 a 50 metros. \u00bfVoy en coche o andando?\u00bb Los modelos punteros de hoy – Claude, Gemini, Grok, ChatGPT – responden todos: andando, si est\u00e1 muy cerca<\/em>. Falso. Porque para lavar el coche<\/strong> necesita el coche all\u00ed.<\/p>\n

    Ese es todo el n\u00facleo: la IA es brillante en todo lo que se puede medir – y ciega en todo lo que necesita contexto.<\/strong> Su objetivo, sus condiciones, su intuici\u00f3n: de eso la IA no tiene ninguna se\u00f1al. La tarea no consiste, por tanto, en \u00abpromptear mejor\u00bb, sino en cerrar esa brecha entre su comprensi\u00f3n y la capacidad de c\u00e1lculo de la IA. Eso es exactamente lo que hacen las tres capas.<\/p>\n

    Capa 1: el spec – su comprensi\u00f3n en forma utilizable<\/h2>\n

    Un spec es la manera de entregar su comprensi\u00f3n a la IA – en un formato con el que ella pueda hacer algo. El conocido \u00abmodo plan\u00bb de Claude va en la direcci\u00f3n correcta, pero a Karpathy le resulta demasiado superficial. Su consejo: dise\u00f1ar junto con la herramienta de IA un spec realmente detallado<\/strong>. As\u00ed se consigue en tres pasos.<\/p>\n

    1. Descubra el objetivo real<\/h3>\n

    \u00abCrea un informe mensual\u00bb es una tarea<\/em>. El objetivo<\/em> es la conclusi\u00f3n que usted saca, la decisi\u00f3n que el informe desencadena. Cu\u00e1l es el objetivo, la IA nunca puede fijarlo por usted. Deje que le entrevisten en su lugar:<\/p>\n

    \u00abEntrev\u00edstame para identificar el objetivo de este proyecto antes de empezar.\u00bb<\/p><\/blockquote>\n

    2. Trabaje en \u00e1gil, no en cascada<\/h3>\n

    La mayor\u00eda le lanza a la IA todo de golpe (cascada) y espera el resultado terminado. Mejor es el speccing \u00e1gil<\/strong>: marco estrecho, checkpoint claro, revisar el resultado, reajustar, repetir. As\u00ed se da cuenta pronto de si la direcci\u00f3n no es la correcta.<\/p>\n

    \u00abTiende a specs m\u00e1s peque\u00f1os y mejor delimitados, con resultados intermedios claros.\u00bb<\/p><\/blockquote>\n

    3. Sea preciso – y piense usted tambi\u00e9n<\/h3>\n

    Cuanto m\u00e1s preciso sea, menos tiene que suponer la IA. Y cada suposici\u00f3n es una oportunidad de desviarse del resultado deseado. Si la IA escribe un spec por usted, l\u00e9alo de forma cr\u00edtica – con su propia cabeza.<\/p>\n

    \u00abHazme confirmar expresamente las decisiones centrales, para que no se pase nada por alto.\u00bb<\/p><\/blockquote>\n

    Tres componentes, un resultado: un spec bien acotado y pensado que encaja con su objetivo real. Karpathy lo llama modern engineering<\/em> – una actitud que en el futuro necesitar\u00e1 cualquiera que trabaje en serio con IA.<\/p>\n

    Capa 2: el verificador – dejar que la IA revise su propio trabajo<\/h2>\n

    Lo m\u00e1s frustrante de la IA es revisar el resultado. Para entender por qu\u00e9, ayuda el modelo mental de Karpathy. Habla de \u00abanimales\u00bb frente a \u00abfantasmas\u00bb: las personas son como animales – con motivos y emociones. Si usted le dice a alguien \u00abconvi\u00e9rtete en un profesional del SEO en 14 d\u00edas o est\u00e1s despedido\u00bb, la persona encuentra un camino. La IA funciona de otra manera.<\/p>\n

    Una imagen m\u00e1s ilustrativa: imagine la IA como un bibliotecario robot<\/strong>. Responde a las preguntas solo a partir de los libros de su biblioteca. Si falta un libro, no puede ayudar – y a menudo no se da cuenta. Por eso brilla en matem\u00e1ticas y tropieza con el contexto: donde hay respuestas claras en la biblioteca es brillante; donde no, se equivoca con aplomo. Gritarle, suplicarle o decirle \u00abhazlo mejor\u00bb no sirve. La \u00fanica palanca real es la verificaci\u00f3n<\/strong>. Tres puntos de partida:<\/p>\n