He pasado ahora tres meses descomponiendo sistemáticamente lo que los modelos de vanguardia pueden hacer realmente, en lugar de lo que dicen que pueden hacer sus departamentos de marketing, benchmarks y admiradores cada vez más excitados.
El resultado es bastante menos milagroso de lo anunciado.
Sí, un modelo de vanguardia puede leer y analizar un artículo académico. Lo que nadie se molesta en mencionar es que hay una enorme diferencia entre procesar un artículo y leer la maldita cosa.
El rendimiento habitual es esencialmente una cita intelectual rápida. Encuentra la tesis. Extrae las afirmaciones clave. Localiza la metodología. Resume los resultados. Produce varias observaciones graves sobre limitaciones. Veinte páginas han entrado en la máquina y, momentos después, sale algo que se asemeja lo suficiente a la erudición como para engañar a cualquiera que haya olvidado en qué consiste la erudición.
La lectura profunda es diferente.
Descubrí que para forzar una lectura cercana genuina, tengo que prohibir los atajos: nada de herramientas de búsqueda de cadenas, nada de recuperación conveniente de pasajes aislados, nada de cazar palabras clave y fingir que la proximidad constituye comprensión. El modelo tiene que trabajar a través del argumento, reconstruirlo, probar cada inferencia contra lo que vino antes, seguir definiciones a medida que mutan a lo largo del artículo, examinar tablas contra la prosa que las interpreta, rastrear calificaciones, identificar contradicciones y regresar repetidamente a pasajes anteriores cuando los posteriores alteran su significado.
En otras palabras, uno debe forzar a la inteligencia artificial a sufrir aproximadamente las mismas indignidades previamente reservadas para los estudiantes.
Y entonces sucede algo interesante.
Puede hacerlo.
No brillantemente. No al nivel de un erudito de primera. Ni remotamente al nivel sugerido por los habitantes más evangélicos de LinkedIn, para quienes la llegada de un chatbot aparentemente hizo redundantes a Oxford, Cambridge y varios siglos de erudición acumulada en algún momento del martes pasado.
Lee aproximadamente al nivel de un estudiante de segundo año competente.
El precio es magnífico.
Para un artículo académico ordinario de quizás veinte páginas, forzar genuinamente al modelo a través de la lectura cercana, reconstrucción, crítica, verificación y reanálisis puede consumir algo del orden de 20 millones de tokens a lo largo de múltiples sesiones. Una sesión generalmente es insuficiente. La máquina agota sus límites de trabajo y tiene que ser llevada adelante, más o menos como un estudiante después de descubrir tanto las notas al pie como el alcohol.
Veinte millones de tokens.
Para lograr que una máquina lea veinte páginas correctamente.
Hay algo exquisitamente cómico en esto. Hemos construido centros de datos que consumen cantidades extraordinarias de electricidad, los hemos llenado con algunas de las máquinas computacionales más caras que la humanidad ha producido jamás, hemos entrenado modelos en una fracción sustancial de la escritura humana accesible, y el triunfo eventual es:
Estudiante de segundo año.
Admitidamente, uno que no duerme, no se queja de la lista de lecturas, no desarrolla una enfermedad misteriosa antes de los tutoriales, ni explica que el artículo era inaccesible a pesar de haber sido subido directamente al lado de la tarea.
Pero aún así: estudiante.
Esta es también la razón por la que me he vuelto profundamente suspicaz de las afirmaciones de que los modelos han “revisado” cientos o miles de artículos. Generalmente no han hecho nada de eso. Los han buscado, comprimido, clasificado, extraído proposiciones de ellos o consumido fragmentos convenientemente seleccionados. Esas son operaciones útiles. Llamarlas lectura simplemente le pone una birreta a la recuperación de información.
CSW
Sep 4, 2026
https://x.com/Dr_CSWright/status/2095849090424954895
El resultado es bastante menos milagroso de lo anunciado.
Sí, un modelo de vanguardia puede leer y analizar un artículo académico. Lo que nadie se molesta en mencionar es que hay una enorme diferencia entre procesar un artículo y leer la maldita cosa.
El rendimiento habitual es esencialmente una cita intelectual rápida. Encuentra la tesis. Extrae las afirmaciones clave. Localiza la metodología. Resume los resultados. Produce varias observaciones graves sobre limitaciones. Veinte páginas han entrado en la máquina y, momentos después, sale algo que se asemeja lo suficiente a la erudición como para engañar a cualquiera que haya olvidado en qué consiste la erudición.
La lectura profunda es diferente.
Descubrí que para forzar una lectura cercana genuina, tengo que prohibir los atajos: nada de herramientas de búsqueda de cadenas, nada de recuperación conveniente de pasajes aislados, nada de cazar palabras clave y fingir que la proximidad constituye comprensión. El modelo tiene que trabajar a través del argumento, reconstruirlo, probar cada inferencia contra lo que vino antes, seguir definiciones a medida que mutan a lo largo del artículo, examinar tablas contra la prosa que las interpreta, rastrear calificaciones, identificar contradicciones y regresar repetidamente a pasajes anteriores cuando los posteriores alteran su significado.
En otras palabras, uno debe forzar a la inteligencia artificial a sufrir aproximadamente las mismas indignidades previamente reservadas para los estudiantes.
Y entonces sucede algo interesante.
Puede hacerlo.
No brillantemente. No al nivel de un erudito de primera. Ni remotamente al nivel sugerido por los habitantes más evangélicos de LinkedIn, para quienes la llegada de un chatbot aparentemente hizo redundantes a Oxford, Cambridge y varios siglos de erudición acumulada en algún momento del martes pasado.
Lee aproximadamente al nivel de un estudiante de segundo año competente.
El precio es magnífico.
Para un artículo académico ordinario de quizás veinte páginas, forzar genuinamente al modelo a través de la lectura cercana, reconstrucción, crítica, verificación y reanálisis puede consumir algo del orden de 20 millones de tokens a lo largo de múltiples sesiones. Una sesión generalmente es insuficiente. La máquina agota sus límites de trabajo y tiene que ser llevada adelante, más o menos como un estudiante después de descubrir tanto las notas al pie como el alcohol.
Veinte millones de tokens.
Para lograr que una máquina lea veinte páginas correctamente.
Hay algo exquisitamente cómico en esto. Hemos construido centros de datos que consumen cantidades extraordinarias de electricidad, los hemos llenado con algunas de las máquinas computacionales más caras que la humanidad ha producido jamás, hemos entrenado modelos en una fracción sustancial de la escritura humana accesible, y el triunfo eventual es:
Estudiante de segundo año.
Admitidamente, uno que no duerme, no se queja de la lista de lecturas, no desarrolla una enfermedad misteriosa antes de los tutoriales, ni explica que el artículo era inaccesible a pesar de haber sido subido directamente al lado de la tarea.
Pero aún así: estudiante.
Esta es también la razón por la que me he vuelto profundamente suspicaz de las afirmaciones de que los modelos han “revisado” cientos o miles de artículos. Generalmente no han hecho nada de eso. Los han buscado, comprimido, clasificado, extraído proposiciones de ellos o consumido fragmentos convenientemente seleccionados. Esas son operaciones útiles. Llamarlas lectura simplemente le pone una birreta a la recuperación de información.
CSW
Sep 4, 2026
https://x.com/Dr_CSWright/status/2095849090424954895
Comments
Be the first to add a comment
Log in to comment