Pereza metacognitiva: el impacto de la IA generativa en la motivación de aprendizaje

Lo sentimos, el enlace proporcionado no contiene un artículo válido. Si nos compartes otro artículo o contenido, con gusto te ayudaremos con el resumen y la traducción.

[GN⁺]

Opiniones de Hacker News

• Parece algo obvio. Si dedicas tiempo a investigar por tu cuenta en vez de obtener la respuesta a una pregunta de inmediato, aprendes muchísimo más.
  Habrá gente con la disciplina suficiente para investigar más aunque ya se le haya dado la respuesta, pero la mayoría no es así, y las empresas también quieren soluciones rápidas, “eficientes” y “competitivas” antes que preocuparse por el daño a largo plazo.

  • Hay registros de que en la Antigua Grecia las generaciones mayores tenían preocupaciones similares sobre el uso de la escritura. En la tradición oral, los eruditos tenían que memorizarlo todo, y leer y escribir se veían como una muleta que arruinaba la memoria de los jóvenes.
    Ahora estamos en el umbral de una nueva era en la que la lectura es reemplazada por la búsqueda y recuperación con IA, y es válida la preocupación de que la IA se convierta en una muleta que debilite a las generaciones jóvenes. Dicho eso, no sabemos cuál será el resultado; todavía no hay señales de que el uso de IA perjudique los resultados de negocio, y la tesis más amplia de que “la AGI provocará enormes cambios sociales” probablemente sea correcta.
  • Si la lógica es que se aprende más investigando que obteniendo la respuesta directamente, entonces parecería que habría que obligar a todos a empezar desde los primeros principios.
    El aprendizaje está conectado con la curiosidad, y la curiosidad no está conectada con la dificultad de investigar. Una persona curiosa hará más preguntas aunque reciba la respuesta directamente; una persona sin curiosidad se detendrá ahí. Todos estamos parados sobre hombros de gigantes, y eso no es malo, sino bueno. Puede haber méritos en renunciar a los gigantes y obligarnos a trepar por nuestra cuenta hasta esa altura, pero como forma de transmitir conocimiento me parece mucho menos eficaz.
  • Creo que los LLM serán una tecnología que aumente el acceso al conocimiento y, al mismo tiempo, amplíe la brecha de conocimiento. Internet también hizo eso.
    Hace 30 años se esperaba que, si todos tenían acceso inmediato al conocimiento de la humanidad, todos se volverían más inteligentes; pero incluso con Wikipedia, la mayoría scrollea videos diseñados para provocar enojo, que no aportan conocimiento ni hacen sentir mejor. Claro que casos como el de alguien en Pakistán que programa desde un celular y mantiene un plugin de vim son asombrosos, pero es un efecto que aparece en una minoría que obtuvo la oportunidad de aprovechar la herramienta, más que un efecto promedio sobre toda la humanidad.
    Una vez, un físico dijo en una entrevista de YouTube que ahora cualquier físico puede hacerle a ChatGPT preguntas de nivel de posgrado sobre papers recientes y moverse entre conocimientos de subcampos de la física, lo cual ayuda a la investigación en física.
  • Lo de no considerar el daño a largo plazo se parece a las discusiones de la década de 2010 sobre la contratación de ingenieros junior. Las empresas no quieren contratar juniors y capacitarlos, porque hay un gran riesgo de que esa inversión no vuelva a la empresa que los formó.
    Si sacas a un ingeniero senior de un proyecto para que enseñe a un junior, y luego el junior gana habilidad y experiencia y se va a otra empresa, la compañía se queda con un ROI negativo. Al final es una tragedia de los comunes, y hoy ocurre algo parecido, solo que con otro mecanismo. Podría venir una escasez de ingenieros de software experimentados, pero la forma en que la industria asigna ingenieros y los pone a trabajar es tan derrochadora que parece haber margen para tolerar esa escasez durante un tiempo.
  • Por eso uso ChatGPT sobre todo para algo cercano a preguntas socráticas. Cosas como: “En el contexto C probé A, B y C; ¿hay alguna opción que se me haya escapado?” o “¿Ves alguna parte que falte en este plan desde el punto de vista de la eficiencia?”.
    Más que buscar respuestas, lo uso para evitar callejones sin salida costosos.

• Este problema tiene dos aspectos, y puede ser un poco polémico. Si le preguntas a ChatGPT sobre cualquier tema, normalmente terminas haciendo más preguntas a partir de la respuesta; la mayoría son preguntas tontas, pero en el proceso sientes que absorbes y analizas información y luego, por curiosidad, profundizas más.
  Comparado con investigar en internet, tiene ventajas, pero cuanto más profundizas, muchas veces acabas leyendo textos mezclados con la opinión de alguien. Esos textos dan la sensación de que ya decidieron qué preguntas son importantes, desde qué ángulo hay que mirar y cuál es la conclusión. Son educativos, pero siguen dejando más preguntas.
  La diferencia es la curiosidad. Si sientes curiosidad por un tema, aprendes; si no, recibes la respuesta y quedas satisfecho. Eso no es pereza, y no se puede sentir curiosidad por todo.

  • ChatGPT en realidad también está sesgado. Tiene varias posturas políticas y trata algunos temas casi como tabú.
    La diferencia es que una sola entidad define la orientación política del modelo, y ese modelo interactúa con muchísimas más personas que una columna de opinión individual.
  • Creo que la posibilidad de hacer preguntas sin recibir ningún juicio es una parte subestimada del poder de estas herramientas. Hay gente con suficiente seguridad intelectual como para hacer preguntas “tontas” a otras personas, pero la mayoría no, especialmente frente a desconocidos.
    Creo que nunca hice una pregunta en Stack Overflow. Era fácil imaginar cómo trataría esa comunidad una pregunta que me preocupara que pareciera tonta. Pero a estos modelos se les puede hacer todo tipo de preguntas tontas sin ninguna preocupación, y eso me gusta.
  • La información que ChatGPT puede dar al final es solo lo que encontró en la web y lo que se inventa en ese momento. Por ejemplo, no puede ir a una biblioteca a leer materiales olvidados que no estén citados en Wikipedia.
    Tener una conversación “curiosa” con ChatGPT es, en última instancia, buscar en internet a través de un filtro que mezcla tus sesgos con los sesgos de ChatGPT. Puede sentirse como si hubieras escapado, pero sigues dentro de internet. Internet ahora simplemente responde a tus preguntas con palabras, pero sigue siendo internet.
  • Es como un profesor amable que nunca se cansa.

• Vengo diciendo esto desde que OpenAI lanzó ChatGPT por primera vez. El riesgo de un LLM, que puede usarse en cualquier lugar y parece tener respuesta para cualquier pregunta, no está tanto en su mera existencia como en su carácter tentador.
  El verdadero peligro es la tentación de pedirle de inmediato la respuesta al LLM más cercano, en lugar de darle vueltas al problema en silencio por cuenta propia. Manipular el problema en la cabeza, es decir, el pensamiento crítico, al final es una habilidad, y solo mejora mediante práctica deliberada y disciplinada.

  • Entiendo este problema, pero en mi uso de ChatGPT más bien me ayuda a superar la pereza en vez de empeorarla.
    Cuando hay un proyecto que me cuesta empezar, preguntarle a ChatGPT casi no tiene fricción, y cuando me doy cuenta ya estoy trabajando en el proyecto y pasaron 8 horas hasta terminarlo. Si me atoro instalando una biblioteca molesta, ChatGPT lo resuelve y evita que me frustre. Más que cualquier otra herramienta, me ayuda a entrar y mantenerme en estado de flujo, y es una buena forma de evitar procrastinar.
  • Darle vueltas a un problema en silencio solo es productivo cuando se tiene la información correcta. Si no hay información, en el mejor de los casos se corre el riesgo de perder tiempo reinventando la rueda.
    Para este uso, un LLM es el mismo tipo de herramienta que Google: un medio para consultar, recuperar y asimilar información. Como con Google, el resultado de la consulta no es el fin, sino un medio. Tal como dice el dicho: “pasar un mes en el laboratorio puede ahorrarte una semana en la biblioteca”; preguntar 10 minutos a Claude/ChatGPT/Copilot también puede ahorrarte tiempo. ¿Contratar a un profesor particular también es pereza?
  • Los LLM nos volvieron a enseñar algo que ya sabíamos en cierta medida por Hitchhiker's Guide to the Galaxy: la clave para resolver problemas es hacer desde el principio la pregunta correcta.
    Poder recuperar respuestas rápidamente no es lo peligroso. En los 90 se decían cosas parecidas sobre Google, y en los 70 sobre las calculadoras portátiles. Para mí, un LLM solo acelera el proceso de buscar manualmente en internet que de todas formas habría hecho, y para pensar críticamente bien hay que hacer más preguntas.
  • Parece que la pereza física ayuda en este caso. Me da tanta flojera explicarle por completo el problema a un LLM y armar el prompt para que salga un texto mínimamente útil, que primero termino pensando por mi cuenta.
    Por lo general lo resuelvo directamente o se me ocurre una mejor fuente primaria.

• Hay una prepublicación en arXiv, y en la parte superior de la página 18 aparece qué es la pereza metacognitiva: “En el contexto de la interacción humano-IA, definimos la pereza metacognitiva como el hecho de que los aprendices dependan de la ayuda de la IA, externalicen la carga metacognitiva y conecten de manera menos efectiva los procesos metacognitivos responsables con las tareas de aprendizaje”.
  Aquí, “carga metacognitiva” parece referirse al esfuerzo cognitivo y metacognitivo necesario para regular eficazmente el proceso de aprendizaje cuando el aprendiz realiza tareas que requieren automonitoreo, planificación y evaluación activos.
  El artículo lo ve como algo similar a la externalización cognitiva, donde una herramienta realiza tareas cognitivas difíciles en nuestro lugar, y considera que como resultado se pierden oportunidades de desarrollar capacidades y se pasa a depender de la herramienta.
  https://arxiv.org/pdf/2412.09315

  • Esta definición suena como cuando los padres se quejan de que uno usa Google Maps en vez de un mapa plegable. Puede que la capacidad de leer mapas tradicionales haya disminuido, pero en general estamos mejor.
    Llamar a eso “pereza” es reduccionista. “Depender de la ayuda de algo” es precisamente el propósito de toda tecnología.

• Sin duda hay ambivalencia en este tema. Por un lado, me recuerda a cuando se decía que los niños quedarían completamente indefensos en el mundo real porque “nadie anda con una calculadora en el bolsillo”. Después, las calculadoras terminaron en el bolsillo de casi todo el mundo, y los niños estuvieron bien.
  Por otro lado, también me parecen importantes las ventajas que se obtienen al aprender a aprender, la alfabetización mediática y el proceso de investigar de forma independiente y sacar conclusiones.
  La respuesta probablemente esté en algún punto intermedio: usar los LLM como herramientas de apoyo al aprendizaje, no como destino final.

  • En exámenes y tareas nos enseñaron a no usar calculadoras, y por eso todavía puedo hacer cálculos mentalmente.
    Últimamente he visto a gente de la Gen Z desconcertarse con juegos de cartas que requieren sumas o al calcular el cambio. Para un millennial, eso es nivel primaria.
  • Aprender a aprender, la alfabetización mediática, la investigación independiente y la formación de conclusiones no van a desaparecer. Nuevas habilidades sustituirán a las anteriores: aprender mejores prompts, aprender cuándo ignorar a la IA y aprender a convertir información en algo práctico.
    ¿Cuánta gente queda que sepa ensillar un caballo, leer la hora sin reloj, coser una camisa, fabricar tela, cazar con herramientas primitivas o encender fuego? Se puede esconder a los niños de la IA, o se les puede enseñar a crecer aprovechándola. Si quieres ver qué pasa cuando se renuncia a algo que se siente demasiado futurista, mira a los Amish. Es una vida respetable, pero ¿cuántos de quienes leen esto la elegirían?
  • Me sorprende que la gente simplemente crea siempre lo que dicen los LLM. Algunos amigos usan ChatGPT para todo, desde el trabajo hasta preguntas simples.
    Un amigo le preguntó a ChatGPT la biografía de un músico, y me dio un poco de miedo que no pudiera leer la página de Wikipedia que tenía la misma información y fuentes. Mi mamá dijo que usó ChatGPT para crear un “guardarropa cápsula”, y pensé: ¿no bastaría con mirar la ropa y tirar lo que no usa? ¿Por qué una computadora tendría que tomar decisiones tan simples?
    No estoy seguro de que los LLM deban usarse como apoyo para el aprendizaje. No he visto por qué serían mejores que una búsqueda en línea o que escribir tu propia historia creativa, y si hay casos de uso claros en los que los LLM sean útiles, me gustaría escucharlos.
  • Creo que se parece más al ejemplo de la biblioteca. La generación de mis padres tenía que ir a la biblioteca y buscar libros, pero solía decir que mi generación simplemente podía usar internet.
    En la práctica, creo que subirá el estándar de tener conocimientos amplios y acceso rápido a los detalles. Si puedes verificar detalles muy rápido cuando los necesitas, hay mucho valor en entender varias áreas a un nivel intermedio. Además, cuanto más profundizas, más se ralentiza el aprendizaje. Cuando haces algo complejo, aunque conozcas los detalles, de todos modos tienes que volver a revisarlos porque son importantes.
  • En la escuela ya no se enseñan reglas de cálculo ni tablas de logaritmos. Las calculadoras y las computadoras han generado una gran pereza metacognitiva incluso en mí, que enseño cálculo y tengo un doctorado en estadística.
    Del círculo unitario, casi no recuerdo de forma automática nada que no sean múltiplos de π/4; puedo con los múltiplos de π/6, pero soy lento. Aun así, no creo que no recordar estas cosas al instante me haya convertido en peor matemático. Puede que sea un poco más lento para obtener la respuesta a problemas triviales, pero sigo pudiendo resolver problemas complejos.
    Busco fórmulas de integración en un librito de tablas de integrales o en Wolfram Alpha, porque aunque pudiera derivarlas yo mismo, no asumiría que me van a salir 100% correctas. La pereza metacognitiva ya está instalada en mí. Pero creo que estaría bien si encontramos cómo impedir que se extienda hasta convertirse en una completa podredumbre cerebral. Si enseñamos a los estudiantes a pensar críticamente y encontramos cómo hacer que la IA nos asista sin convertirnos en los humanos de la nave espacial de Wall-E, podremos sobrevivir.

• El resumen ni siquiera define qué es la pereza metacognitiva, ni tampoco ofrece suficiente contexto a partir de la explicación de los resultados anteriores.
  Personalmente, algo en lo que ChatGPT es claramente mejor que Google Search es que permite seguir haciendo preguntas más matizadas sobre la respuesta inicial. En la búsqueda tradicional, cuanto más haces búsquedas de seguimiento, más disminuye la utilidad marginal de la curiosidad respecto del tiempo invertido. Cuanto más precisa haces la pregunta, más difícil es que aparezcan resultados que no estén optimizados para SEO, y más probable es obtener artículos para lectores generales sin información nueva o materiales especializados que requieren un enorme conocimiento de fondo. Los LLM tienden bien el puente hacia la respuesta que quiero.

  • Si no hay una definición, se puede leer literalmente: significa dejar de esforzarse por aprender mejores métodos de aprendizaje. Es decir, si empiezas a aprender con un chatbot, terminas dependiendo solo del chatbot sin practicar otros métodos.
    He oído que algunos ingenieros junior han caído en esta trampa. En lugar de exponer ante un colega sus lagunas de conocimiento, le preguntan todo al chatbot. Aunque el chatbot evite errores descarados, el junior no detecta los errores sutiles.
  • Me parece interesante que lo hayas expresado como “la respuesta que quiero”. No “la respuesta correcta a mi pregunta”. En ese sentido, este enfoque parece bastante propenso a llevar al refuerzo de sesgos existentes.
    Suena muy parecido a buscar un artículo específico de Wikipedia y luego revisar sus fuentes hasta encontrar el texto original donde apareció por primera vez “la respuesta que quiero”.
  • Hace unos días se habló de una red neuronal construida sobre un chip de fotones individuales. Metí el paper en ChatGPT y lo usé para entender de forma mucho más significativa y completa qué aportaba realmente ese chip, cómo funcionaba, los principios básicos de sus componentes clave y cómo se integraban en el sistema.
    Hay que tener en cuenta la posibilidad de alucinaciones, pero el hecho de contar con un explicador incansable disponible en cualquier momento más bien aumenta mi motivación para explorar información técnica densa y comprender conceptos nuevos. Eso sí, siento que reduce mi voluntad de empezar a escribir sobre una hoja en blanco. Termino explorando el tema con ChatGPT, obteniendo un esquema aproximado y contenido básico, y luego sigo escribiendo desde ahí.
  • A veces siento que ChatGPT es mejor que los resultados de Google o DuckDuckGo, aunque de vez en cuando “invente” su propia realidad.
    En algunos casos, el LLM incluso proporciona cadenas concretas para poner en un buscador con el fin de verificar el contenido. La búsqueda está muy deteriorada, y lo ha estado más o menos desde 2014, cuando en las páginas de resultados de Google empezaron a verse más anuncios que resultados.
  • No intentar elaborar una definición propia a partir de los ejemplos del resumen y del significado de las palabras en sí parece justamente un buen ejemplo de pereza metacognitiva. Es, en el fondo, ser perezoso en el proceso de pensar por cuenta propia.

• Los celulares y las laptops, como alguien que creció sin ellos, cambiaron algunas cosas. Hace unos 20 o 25 años me di cuenta de que con una o dos búsquedas web, a lo sumo dos o tres, se podía averiguar casi cualquier dato; y hace unos 10 o 15 años apareció en mi bolsillo un dispositivo conectado que podía hacerlo cuando se lo pidiera.
  Pero desde hace unos 5 años empecé, en la mayoría de las situaciones sociales, a no hacerlo de manera consciente. Si en una conversación me da curiosidad algún dato menor, no interrumpo el flujo sacando una pantalla para mirarla y responder; simplemente sigo conviviendo con la persona.
  En los 80 y 90, en ambientes tipo trivia de bar, pasaba que dos personas discutían acaloradamente sobre algún dato pequeño que ninguna sabía de inmediato. Ahora la respuesta es tan fácil de encontrar que eso casi desapareció; se perdió por completo. No es que lo extrañe, pero me hizo sentir con mucha claridad cuánto está atada mi conciencia a los datos accesibles mediante búsquedas web, y no sé si me gusta haber tercerizado una parte tan grande de mi cerebro en un lugar fuera de mi control.

  • Hace mucho pensé que quizá la razón por la que Guinness creó el “libro de récords mundiales” era responder justamente a ese tipo de preguntas que surgían a menudo en los bares.
  • Basta con llevar una libreta pequeña, tarjetas de Anki o notas simples.
    Aprender datos misceláneos solo para ayudar a la memoria también es una opción.
  • Tengo edad suficiente para recordar las trivias de bar de cuando no se podía buscar en el celular. Estoy firmemente convencido de que los celulares arruinaron la trivia de bar.
  • Es un buen ejemplo, pero si imaginamos la época de nuestros antepasados, también se podría decir algo como: “¿Te acuerdas de aquel juego en el que competían para ver quién podía ver el ave más lejana? Los lentes lo arruinaron”.

• Se suele decir que todo el código generado por IA generativa debe ser revisado por una persona. La idea es verificar que no haya errores evidentes y que esté construyendo “lo correcto” según los requisitos.
  Las anécdotas de profesionales que usan IA generativa de esta manera dicen que es una buena herramienta para un desarrollador experimentado que sabe a qué prestar atención. Pero si pensamos en quienes recién están aprendiendo y no saben lo que hacen, ellos no saben a qué prestar atención. ¿Saben qué es un use-after-free, o que deberían preguntar cómo funciona la memoria caché? ¿Conocen los nombres de algoritmos y estructuras de datos? ¿Reconocerán el momento en que la IA generativa dice disparates?
  Este tipo de investigación es difícil, pero importante. Aunque la muestra sea pequeña, es interesante, y me da curiosidad si alguien podrá replicarla.

  • Tengo una anécdota de un amigo que enseña ciencias de la computación. Este año muchos estudiantes empezaron a poner sentencias break innecesarias en código C.
    Algo como while (condition) { do_stuff(); if (!condition) { break; } }. Al indagar, el punto en común era ChatGPT: todos los estudiantes que preguntaron cómo funcionan los bucles recibieron alguna variante de “usa break() para salir del bucle”. En ciencias de la computación no se hace así; no solo es innecesario, sino que además complica las pruebas formales, así que tuvieron que añadir en el examen una indicación de “hazlo como se enseñó en clase” y permitir una excepción puntual común.
  • A veces, si sabes algo de X, puedes hacer Y junto con X. Cosas que antes no podías hacer se vuelven posibles.
    Por ejemplo, soy programador, pero soy pésimo en matemáticas. Quiero hacer juegos y de hecho puedo hacerlos, pero muchas veces las matemáticas hacen que avanzar sea mucho más difícil. Ya hice y publiqué juegos, pero las matemáticas siempre me frenan. Sé exactamente qué comportamiento y qué resultado quiero, pero no siempre logro descubrir cómo llegar ahí.
    Los LLM ayudan mucho a aislar esas partes en pequeñas cajas negras. Es como saber que el resultado es correcto, pero no estar 100% seguro de cómo se obtuvo. Cuando me dan código incorrecto, puedo darme cuenta porque sé qué estoy buscando y por qué; lo único que me falta es el “cómo”. Es parecido a una biblioteca de terceros que puedes usar si entiendes su API pública aunque no entiendas por completo su interior, solo que aquí metes ese código en tu codebase y le agregas un montón de pruebas unitarias.
  • Quien no capta esos matices difícilmente se convertirá en un programador competente, por más que use LLM con frecuencia.

• Ahora mismo estoy probando el LLM de razonamiento deepseek-r1 con el excelente tutorial rustlings. Está bien documentado y las soluciones se encuentran fácilmente en línea, así que sirve como una prueba perezosa para evaluar tareas de programación y ver si ya llegó el momento de buscar otro trabajo y dejar la ingeniería de software como pasatiempo.
  La razón para probarlo con rustlings también es evaluar su valor como herramienta de aprendizaje para estudiantes y futuros colegas. Quizá algo así pueda servir como docente. El compilador de Rust también da consejos muy buenos, así que hay una excelente línea base para compararlo con la salida del LLM.
  En conclusión, no parece que deepseek-r1 vaya a reemplazar a nadie pronto. Genera una cantidad enorme de texto, pero la mayor parte no tiene sentido y casi siempre está terriblemente equivocada. Aun así, un desarrollador inexperto o un principiante —especialmente un principiante— puede confundirse y ser llevado por el camino equivocado, y existe el riesgo de tercerizar el pensamiento racional a algo que suena convincente, pero en realidad no lo es.
  Por ahora, depender demasiado de la verborrea de un modelo estadístico parece perjudicial para la educación y para el desempeño de los futuros desarrolladores. Quizá venga una era dorada para la que tal vez sea la última generación de ingenieros de software a la antigua, entrenados con café y lágrimas de frustración, que tuvieron que pelearse directamente con el código y la arquitectura. Porque alguien tendrá que arreglar la basura producida en masa por los LLM.

  • Al hacer esa evaluación, ¿estás considerando todo el proceso de razonamiento del modelo? Tengo entendido que estos modelos están diseñados para ser así de verbosos porque exploran varios caminos y posibilidades antes de llegar a una conclusión.
    El objetivo parece ser menos usar esa salida tal cual y más poner encima una capa que ordene la respuesta final.
    Empecé a programar justo antes de que Stack Overflow se volviera muy popular, y recuerdo que entonces también abundaban los posts de blog del estilo “Stack Overflow creará desarrolladores flojos” y “es el fin de los desarrolladores de verdad”. No intento refutarte; solo me parece interesante cómo este sentimiento se repite con el tiempo, cambiando solo los detalles.

• Sócrates criticó la escritura en el Fedro de Platón diciendo que “crearía olvido en el alma de los aprendices”; Leonard Euler decía que había que derivar los logaritmos a partir de primeros principios en vez de usar tablas logarítmicas; y Lord Kelvin consideraba que las calculadoras mecánicas harían que se descuidara el desarrollo de la capacidad de razonamiento de los estudiantes.
  En la autobiografía de Henry Ford hay un pasaje en el que, en 1907, un granjero decía que el tractor a gasolina “volvería a los niños flojos e inútiles” y les impediría aprender agricultura; y en 1877, el New York Times publicó la preocupación de algunos maestros de que los lápices con borrador harían que los estudiantes no tuvieran que pensar antes de escribir, volviéndolos descuidados.
  Augustus De Morgan decía que los estudiantes que dependían de las tablas de multiplicar impresas no entendían los números y se convertían en “simples máquinas de cálculo”; John Philip Sousa criticaba que el fonógrafo haría que la gente dejara de aprender instrumentos; y Richard Feynman también se preocupaba de que, por culpa de las calculadoras portátiles, los estudiantes pudieran perder la capacidad de estimar y de entender relaciones matemáticas.
  Podría seguir. Claude me dio 15 ejemplos. En 20 años, si la IA no nos mata a todos, creo que miraremos atrás y veremos que trabajar con LLMs no era la muleta que la gente cree hoy.

  • No creo que ninguno de los ocho esté equivocado. Sobre todo si uno intenta entender la idea de cada uno. En esa época el tiempo pasaba más lento, y dibujar con un borrador también es casi otro género.
  • Me da curiosidad cuál habrá sido el prompt.