El auge del Whatever

• El punto en común que atraviesa la web personal, las criptomonedas, las plataformas publicitarias y la IA generativa es la cultura del Whatever, que prioriza gráficos de precio, impresiones publicitarias y resultados aparentemente convincentes por encima del valor real
• Se esperaba que Bitcoin fuera una forma de enviar dinero sin intermediarios, pero en vez de usarse para pagos cotidianos se expandió como un ecosistema especulativo con monedas copiables y NFT
• La web pasó de la diversidad de los sitios personales a una estructura centrada en plataformas gigantes, y el modelo de ingresos por publicidad empujó la maximización del engagement, el clickbait, el filler para SEO y los algoritmos de recomendación
• Se critica que los LLM, más que computadoras al estilo Star Trek, son máquinas de Whatever que producen “texto plausible”, y que los resúmenes con IA en buscadores, video y apps del clima se vuelven ruido que desplaza la información real
• Si en programación, música, imágenes y escritura se vuelve la norma obtener un resultado con solo apretar un botón, se devalúa el acto de aprender y hacer las cosas por cuenta propia, así que el mensaje final es Do things. Make things.

---

Los límites de PayPal y las expectativas puestas en Bitcoin

• En Estados Unidos, en los años 2000, la única opción realmente práctica para enviar dinero por internet a una persona cualquiera era básicamente PayPal
  • PayPal guardaba dinero sin ser un banco, y si consideraba que habías violado sus reglas podía bloquear tu cuenta y retener tu dinero durante 6 meses
  • Para comisiones de artistas o pequeños vendedores independientes, PayPal era de facto el único intermediario, y estaba en posición de decidir incluso qué se podía vender
• Alrededor de 2010, Bitcoin parecía una nueva forma de enviar dinero sin intermediarios
  • Había expectativas sobre posibilidades como frascos de propinas en sitios web o micropropinas dentro del navegador
  • El autor incluso ejecutó un minero durante más o menos un día, pero no logró minar monedas y en ese momento no había mucho más que hacer, así que se olvidó de Bitcoin

Las criptomonedas se volvieron gráfico, no moneda

• Incluso después de que Bitcoin se hiciera conocido masivamente, nunca se cumplió la expectativa de “poder enviar dinero fácilmente a cualquiera”
  • El caso más reciente que había escuchado de comprar algo real con Bitcoin era estradiol del gray market
  • El medio más actual para enviar dinero a una persona cualquiera sigue siendo PayPal, y se sumó Stripe, pero Stripe también impone restricciones
  • Patreon, Itch y Ko-fi dependen de Stripe y PayPal
• Las criptomonedas se deformaron hasta convertirse, más que en moneda, en un ecosistema get-rich-quick
  • A muchos participantes les interesa menos el objeto en sí que la idea de “si la gráfica sube, me hago rico”
  • Monedas, NFT y otros Whatever comparten la misma gráfica con eje temporal y eje en dólares, y el objeto real solo sobrevive en el título
• Como Bitcoin es open source, cualquiera puede copiarlo y crear su propia moneda, y los NFT permitieron crear una familia de Whatever llamados “coleccionables”
  • Lo importante no es cómo se conectan el arte, la tecnología o el token, sino si puedes convencer a otra persona de comprarlo
  • El autor cree que esta estructura creó en Twitter un ambiente donde innumerables estafadores se dedicaban a vender Whatever casi idénticos entre sí

De la web personal a una web endurecida como plataforma publicitaria

• La web era un espacio parecido a un enorme tablón donde cualquiera podía subir algo, y antes incluso los ISP ofrecían sitios web personales
  • Incluso hoy es posible alojar sitios pequeños en lugares como GitHub
  • La web de antes tenía diversidad: sitios pequeños hechos por personas, diseños con color, fondos personalizados en perfiles de Twitter y más
• Tener muchos sitios personales hacía difícil seguir las actualizaciones, responder, y además aprender a crear un sitio por cuenta propia requería esfuerzo
  • La web terminó concentrándose alrededor de plataformas gigantes como Reddit o Twitter
  • Las plataformas gigantes ofrecen interacciones a escala de cientos de millones de personas, así que sus costos de alojamiento son enormes
• La publicidad era la forma tradicional de cubrir los costos de operar un sitio, y las plataformas terminaron poniendo el engagement por encima de todo para mostrar más anuncios
  • Es una estructura donde da igual que el usuario sea infeliz mientras se quede, y donde basta con que el anuncio se vea aunque resulte molesto
  • Se critica que este modelo se extendió al software de teléfonos, al video e incluso a Windows

“Content” y el Whatever alrededor de la publicidad

• El autor expresa un rechazo muy fuerte a llamar “content” a las obras creativas
  • “content” se usa para hablar del contenido de una página cuando aún no se sabe qué irá en el diseño, o de los tiliches dentro de la cajuela de un auto
  • Para los marketers, el content es lo que se coloca alrededor de la publicidad
• El modelo centrado en anuncios produjo clickbait, miniaturas exageradas, flechas rojas, videoensayos que solo leen Wikipedia, algoritmos de recomendación, blogs de recetas larguísimos y guías de videojuegos escritas para SEO
  • Se menciona el caso de sitios de juegos que alargan innecesariamente el texto entre anuncios para decir algo como “la llave azul está debajo de la roca junto al río”
  • El flujo interminable al estilo TikTok también se mete en el mismo saco
• Antes ya existía una forma get-rich-quick que consistía en montar un tema genérico de WordPress con anuncios de Google y producir textos insípidos sobre temas algo ambiguos para captar búsquedas y vistas publicitarias
  • Ahora hasta ese generic filler puede escribirlo una computadora

La crítica central a los LLM: ruido plausible

• Si en 2025 hubiéramos conseguido algo como una computadora de Star Trek, habría sido genial, pero la evaluación aquí es que en realidad obtuvimos algo más cercano a un sparkling autocomplete
  • Se critica que los LLM no pueden hacer de raíz lo que dicen inversionistas y entusiastas, y que simplemente encadenan texto estadísticamente plausible
  • Cada vez que aparece un nuevo avance se promociona como nivel Ph.D, pero el resultado sigue viéndose como banal sludge
• Los resultados de LLM integrados en productos de Google se presentan como ejemplos de una experiencia empeorada
  • El AI summary de Google Search ocupa un tercio de la altura de la pantalla en escritorio y se limita a repetir lo destacado de los primeros resultados o a dar información incorrecta
  • El AI summary de YouTube repite el título del video con más palabras
  • El AI summary de la app del clima en Pixel muestra cosas como “hará más calor durante la semana” y empuja la gráfica de temperatura hacia abajo en la pantalla
• Según el autor, en teléfonos Pixel recientes se pueden desactivar estas salidas buscando System > Apps > Show all apps > menú de tres puntos > Show system > “AICore”
  • Agrega que en Android 16 parece que los elementos relacionados fueron integrados
  • Después de eso, dice no haber vuelto a ver nada que pareciera salida de LLM

Caso Ren’Py: un LLM que inventó una API inexistente

• Cuando preguntó a un LLM sobre un problema de Ren’Py, el modelo presentó con seguridad tags de formatting relacionadas, pero esas tags nunca existieron
  • Al agregar más contexto, se disculpó y luego generó otro conjunto distinto de tags falsas
  • Como no había una forma integrada ni casos previos, se interpreta que el modelo no tenía base y simplemente fabricó algo plausible
• Este fracaso fue peor que no responder la pregunta
  • Se perdió tiempo comprobando si de verdad se había pasado por alto una API falsa
  • Una persona podría decir que no sabe o sugerir una solución compleja, pero un LLM genera una respuesta que parece una API que podría existir
• El problema real era meter dos espacios entre oraciones y hacer que Ren’Py los renderizara
  • Como Ren’Py colapsa los espacios al parsear strings, no era posible resolverlo con un formatting tag
  • Al final se resolvió haciendo monkeypatch al parser

Caso Copilot: defectos en el ejemplo elegido por Microsoft

• En diciembre de 2024, al ver el sitio web de Visual Studio Code, notó que la mayor parte estaba dedicada al servicio de autocompletado de código con LLM Copilot
  • El ejemplo de la página principal era código que llamaba a un servicio web, pero no codificaba los datos del formulario
  • El código era más largo de lo necesario y además el certificado del servicio web había expirado 3 años antes, así que no funcionaba desde un sitio HTTPS
• No es que la API moderna no soporte codificación de datos de formulario; simplemente Copilot no la usó
  • La respuesta de Copilot es una salida desechable de una sola vez, así que no hay una estructura donde otra persona pueda corregirla diciendo “faltó codificar los datos del formulario”
  • Eso hace más grave el ejemplo porque era la vitrina principal del editor de código más popular, de Microsoft y de una integración moderna de LLM

Objeción a la analogía con herramientas de programación

• El autor rechaza comparar los LLM con herramientas como una table saw, una calculator, un screwdriver o una digital camera
  • Una table saw es una herramienta para cortar líneas rectas rápido; no se pone a veces a cortar ondas ni a hacer otra tarea al azar
  • Una calculator reemplaza la aritmética, pero el usuario todavía necesita saber qué botones debe presionar
• En las herramientas normales, los casos límite están en los bordes; en los LLM, los casos límite están por todas partes, e incluso con la misma entrada y el mismo modelo la respuesta puede variar con el tiempo
  • Las herramientas pueden ajustarse o personalizarse, pero la mayoría de los ejemplos de personalización de LLM le parecían más bien párrafos añadidos al inicio del tipo “responde como si hablaras con un cliente”
  • Por eso distingue a los LLM no como simple automatización, sino como un nuevo tipo de máquina que arroja Whatever ante casi cualquier entrada

La pregunta de “¿y si mejora?”

• Ni siquiera está claro qué significa exactamente “better”
  • En la letra pequeña de las presentaciones aparecen mejoras como contar correctamente las letras de “Mississippi”, pero aun así la salida sigue siendo crap
  • Si cuando no tiene respuesta sigue inventando ficción plausible, no sirve de mucho
• El descontento con los LLM y la IA generativa se resume menos en temas grandes como propiedad intelectual o impacto ambiental y más en que vibes are bad
  • Se dice que el tono es difícil de soportar y que resulta desagradable que la mentira sea el fallback
  • La publicidad los promueve como una forma de pasar por la vida sin ocuparte tú mismo de tarjetas de cumpleaños u otras tareas
  • Se critica que quienes los financian y empujan están entusiasmados con reemplazar con máquinas toda la intervención humana posible

El problema de la línea base en música, imágenes y tareas escolares

• Sobre el caso de alguien que dijo haber hecho un álbum y su portada en 3.5 horas, el autor pregunta: si cualquiera puede hacerlo así, ¿por qué habría que escuchar esa música?
  • Escuchar el álbum ya consume una parte considerable de esas 3.5 horas, así que queda en duda cuánto trabajo manual hubo realmente
  • Lo que una computadora puede hacer por sí sola se convierte en la línea base
• También expresa una aversión muy fuerte a los esfuerzos por mejorar la generación de imágenes de calidad fotográfica
  • Ya existe un ecosistema de “noticias” conservadoras que crea realidades alternativas solo con mentiras, así que se pregunta para qué darles máquinas que produzcan fotos y videos falsos
  • También se opone a que esas funciones entren en la app de cámara del teléfono
• Los casos de estudiantes que pasan la escuela usando LLM llevan a una preocupación por la capacidad de pensamiento crítico
  • Que en comentarios o tareas aparezcan rastros como “As a large language model…” se interpreta como señal de que ni siquiera leyeron las palabras que entregaron con su propio nombre

Enough of Whatever

• Recuerda que Facebook había planteado operar cuentas falsas impulsadas por LLM dentro de su propia web
  • La estructura sería que personas falsas generen publicaciones falsas sobre Whatever y que los usuarios vean todavía más anuncios
• También dice sentir vergüenza al ver en la Switch shop juegos que usan arte generado con Midjourney
  • Describe esta corriente como una celebración amplia de la mediocrity
• Enfatiza la alegría de programar directamente, escribir, hacer algo y sentir “yo hice esto” después
  • No siente ninguna alegría en escribir una descripción vaga y refrescar hasta que salga algún Whatever que parezca suficientemente bueno
• Considera falsa la idea de que Stable Diffusion “democratiza el arte”
  • No existe un King of Art que te dé permiso; cualquiera puede ponerse a dibujar ahora mismo, aunque aprender exige esfuerzo
  • La crítica es que como la computadora ofrece elogio sin esfuerzo, la gente se queja de la dificultad de aprender una habilidad
• Lo que se vende es una máquina que promete hacerlo todo por ti, y para venderla hay que vender también la idea de que “hacer algo no tiene valor”
  • Si hacer algo tiene valor, entonces inevitablemente será mejor que presionar un botón para recibir casi gratis algún Whatever
  • La conclusión es Do things. Make things., y termina pidiendo que subas a la web lo que hiciste