---

---

¿Estás aprendiendo lo correcto… o solo lo que está de moda?

Hace unos días, un alumno me escribió: “Quiero meterme en inteligencia artificial. ¿Por dónde empiezo?”. Le respondí con una pregunta: “¿Quieres aprender a usar una IA… o a construirla?”.

La diferencia no es sutil. Es abismal.

Hoy, en LinkedIn, todos parecen expertos en IA. Basta con pegar un screenshot de un chat con un modelo de lenguaje, añadir una frase como “el futuro ya está aquí” y recibir likes como si hubieras descifrado el ADN del progreso. Pero detrás de ese entusiasmo viral, hay una confusión peligrosa: confundir consumir con crear, y peor aún, confundir herramientas con conocimiento.

Si en serio quieres programar inteligencia artificial —no solo invocarla con un prompt— hay conceptos que no puedes ignorar. Y no, no se trata de memorizar los nombres de los últimos modelos de moda. Se trata de entender qué hay debajo del capó.

Empecemos por RAG (Retrieval-Augmented Generation). Suena técnico, pero es más simple de lo que parece: es la forma en que una IA “consulta” información externa para responder con mayor precisión. Muchos lo usan sin entender que, si la fuente de datos es basura, la respuesta también lo será. RAG no es magia. Es ingeniería de información. Y si no sabes cómo estructurar, indexar y recuperar datos de forma eficiente, tu RAG será un eco de errores.

Luego está el historial de chat (chat history). Parece un detalle menor, pero es un campo minado. ¿Sabes cómo gestionar el contexto de una conversación sin que el modelo se pierda, se contradiga o repita lo mismo una y otra vez? ¿Entiendes los límites de la ventana de contexto y cómo afecta el costo computacional? Si no, estás construyendo experiencias frágiles disfrazadas de inteligencia.

El fine-tuning es otro punto crítico. Muchos creen que ajustar un modelo es como cambiar el color de un auto en un videojuego. En realidad, requiere entender cómo funciona el aprendizaje por transferencia, cómo estructurar tus datos de entrenamiento, cómo evitar el sobreajuste y cómo medir si tu modelo realmente mejoró… o solo memorizó ejemplos. Sin esto, tu “modelo personalizado” no es más que un espejo distorsionado de lo que ya existe.

Y luego está el entrenamiento de modelos desde cero. Aquí es donde la mayoría se detiene. Porque entrenar un modelo no es solo tener GPUs y un dataset. Es entender optimización, regularización, arquitecturas neuronales, funciones de pérdida y, sobre todo, paciencia. Mucho antes de que existiera el término “prompt engineer”, los ingenieros de IA pasaban semanas depurando gradientes y ajustando hiperparámetros. Hoy, muchos ni saben qué es un gradiente.

Pero hay un concepto que casi nadie menciona, y que es el más importante de todos: ética técnica.

No me refiero a discursos grandilocuentes sobre “IA responsable”. Me refiero a la responsabilidad de no vender humo. De no llamar “solución de IA” a un script que llama a una API. De no fingir que dominas un campo porque usas una herramienta que otros construyeron. La verdadera ética técnica es la honestidad intelectual: saber qué sabes, qué no sabes y qué estás fingiendo saber.

Tomás, un desarrollador junior de Valparaíso, me contó que en su última entrevista le pidieron “experiencia en IA generativa”. Él había hecho un curso de dos semanas y jugado con LangChain. Aún así, mintió y dijo que sí. Lo contrataron. A las tres semanas, el proyecto se cayó porque nadie en el equipo entendía cómo escalar el sistema. Tomás no era el problema. El problema era la cultura que premia el postureo sobre la competencia real.

Otra historia: Camila, ingeniera de datos en Santiago, decidió no postular a un “rol de IA” porque no se sentía preparada. Fue reemplazada por alguien que prometía “transformar la empresa con IA en 30 días”. Tres meses después, la empresa volvió a contratar a Camila… para deshacer el desastre.

Esto no es anti-innovación. Es pro-profesionalismo.

La IA no va a reemplazar a los programadores. Pero los programadores que entienden IA sí van a reemplazar a los que solo saben copiar prompts de YouTube.

Si estás invirtiendo horas en aprender, hazlo bien. Estudia álgebra lineal. Aprende cómo funcionan los transformers. Entiende por qué un modelo falla. Practica con datasets reales, no con ejemplos de juguete. Y sobre todo, no te dejes seducir por la ilusión de que la tecnología de punta es sinónimo de excelencia técnica.

Porque al final del día, lo que construye el futuro no son las herramientas que usas, sino el rigor con que las usas.

Y si no estás dispuesto a ese rigor… al menos no finjas que lo estás.

#IA #Programación #AprendizajeProfundo #ÉticaTécnica #IngenieríaDeSoftware #MachineLearning #DesarrolloProfesional #TecnologíaConSentido #NoEsMagiaEsMatemática