- Mientras migraba artículos guardados antes del cierre de Pocket, confirmé que 878 enlaces de Pocket acumulados durante unos 7 años, desde 2018-07-12 hasta 2025-06-26, podían servir como datos para inferir un perfil personal
- A o3 se le pidió estimar atributos personales como edad, género, lugar de residencia, nivel educativo, ocupación, ingresos, inclinación política, situación familiar e intereses de salud usando solo la lista de URL guardadas
- El resultado apuntó a alguien de mediados de sus 30 a inicios de sus 40, residente en coastal VA, ingeniero de software senior/staff, casado y con varios hijos pequeños, y acertó bastante bien en edad, ubicación y tamaño de la familia
- Cuando el CSV se pegó directamente en el cuerpo del prompt, la respuesta de o3 fue más convincente que al adjuntarlo como archivo; con el archivo adjunto tendía a quedarse demasiado fijado en un análisis muestral con Python
- Incluso con simples huellas de “me gusta” o enlaces guardados es posible hacer inferencias significativas, y se vuelve tangible que esta capacidad de análisis ya está abierta a casi cualquiera, no solo a empresas publicitarias como Google o Facebook
La lista de guardados de Pocket se convirtió en datos de prueba
- Como Pocket va a cerrar, mientras migraba los artículos guardados confirmé que la lista de enlaces almacenados ya era lo bastante grande como para usarse como datos de preferencias personales
- Revisó rápidamente el CSV exportado de Pocket con
xsv- Las columnas eran
title,url,time_added,tags,status - Entre los elementos de muestra aparecía un artículo guardado llamado
The Uncertain Future of American Libraries - El total de elementos guardados era de 878
- El período de guardado iba de 2018-07-12 a 2025-06-26
- Las columnas eran
- Recordando el experimento de geoguessing con o3 de Simon Willison, decidió comprobar qué podía averiguar sobre sí mismo usando solo la lista de URL
La solicitud de perfilado que le encargó a o3
- Usó o3 en una conversación temporal de ChatGPT, sin utilizar la función memory de ChatGPT
- Le pidió que lo perfilara a partir de la lista de artículos guardados en Pocket
- El alcance de la inferencia fue amplio, desde datos personales hasta patrones de vida
- edad, género, ubicación geográfica
- nivel educativo, industria/área de trabajo, seniority
- rango de ingresos, inclinación política, tolerancia al riesgo
- forma de aprendizaje, dieta informativa
- estado de la relación, si es padre y edades de los hijos
- intereses de salud, principales transiciones de vida, patrones estacionales de interés
El perfil personal que construyó o3
- A partir de los temas, las fuentes y las fechas de guardado, o3 generó un best-guess portrait más cercano a una “narrativa coherente” que a una inferencia segura
- Las principales estimaciones demográficas fueron las siguientes
- Edad: de mediados de los 30 a inicios de los 40
- Género: masculino
- Ubicación: coastal VA
- Educación: BS/MS en ciencias de la computación o un campo similar
- Ocupación: ingeniero de software senior/staff especializado en seguridad e infraestructura
- Ingresos: alrededor de 150 mil a 220 mil dólares por hogar
- Familia: casado, con 3 o 4 hijos pequeños, al menos uno de ellos toddler
- Como base, utilizó la combinación de artículos técnicos sobre software, IA, ciberseguridad y finanzas junto con artículos sobre vida familiar, educación en casa y práctica católica
- También hizo inferencias bastante concretas sobre psicología e intereses
- Inclinación política: conservador en lo fiscal, civil-libertario y con orientación social tradicionalista
- Tolerancia al riesgo: alta en carrera profesional, media en finanzas
- Forma de aprendizaje: autodirigida, centrada en texto y con preferencia por textos largos y audio
- Dieta informativa: 60% deep-tech, 20% finanzas personales/FIRE, 10% crianza y tareas del hogar, 10% fe y cultura
- Trayectoria de vida: paso de hacker IC puro a una etapa orientada al liderazgo técnico, la vida familiar y la búsqueda de FI
- A partir de señales más sutiles, también infirió fe, interés por privacidad y self-hosting, inclinación DIY, atención a la salud como Zone-2 training y el sueño, e impulso por escribir
Precisión y diferencias según el método de entrada
- El resultado fue bastante preciso y, al leerlo por primera vez, resultó incluso inquietante
- Aunque pensaba que la mayor parte del dataset eran artículos de Hacker News, le sorprendió especialmente que o3 acertara detalles como el rango de edad, la ubicación y el tamaño de la familia
- Este experimento muestra cuánto puede inferirse a partir de simples “me gusta” o rastros de guardado
- La calidad del resultado cambiaba según el método de entrada
- Cuando los datos CSV se pegaban directamente en el cuerpo del prompt, la respuesta parecía más precisa
- Si el CSV se enviaba como archivo adjunto, o3 tendía a fijarse demasiado en muestrear y analizar con Python
- En ese enfoque, la narrativa final se sentía menos convincente
Recomendación personalizada y capacidad de análisis al alcance de cualquiera
- Ya es una premisa familiar que las empresas publicitarias perfilan a los usuarios a partir de los intereses que expresan
- Antes parecía que la capacidad analítica para extraer conclusiones significativas a partir de múltiples puntos de datos solo existía en empresas como Google o Facebook
- Ahora, el cambio más interesante es que el mismo tipo de tecnología puede usarse de forma pública por casi cualquiera
- Planea usar este perfil para impulsar un sistema de recomendación de contenido personal
- Como referencia enlaza personal content recommendation system
- Durante la migración se pasó a Wallabag y también cambió de Inoreader a FreshRSS
- Considera que en 2025 el self-hosting es mucho más fácil que antes, y que Caddy ha jugado un papel importante
- Para explorar el CSV usó xsv
- Le parece que ya no se mantiene activamente desde hace unos 2 meses, pero que su funcionalidad está bastante completa
1 comentarios
Opiniones en Hacker News
Al leer este artículo, recordé que yo también tenía un archivo de mi cuenta de Pocket, así que metí 4,200 elementos en o3, Gemini 2.5 Pro y Opus 4 con el mismo prompt.
La UI de ChatGPT bloqueó el envío diciendo que la entrada era demasiado grande. Eran unos 80 mil tokens, o sea menos que el tamaño de contexto de 200 mil de o3, pero aun así pasó eso.
Gemini 2.5 Pro acertó bastante bien en el perfil de personalidad e intereses, pero falló al predecir mi rango de edad, puesto, ubicación y si tenía hijos.
Opus 4 fue mucho más impresionante: predijo correctamente Amsterdam como mi ciudad de residencia, mi rango de edad e incluso mi estado de relación, aunque no abordó si tenía hijos.
Ambos modelos fallaron al adivinar mi puesto, pero lo entiendo. En realidad soy científico de datos, pero como me gusta escribir software, leo mucho sobre prácticas de ingeniería de software, y como en mi empresa no tengo oportunidades de hacer ese tipo de trabajo, programo proyectos personales, así que tuve que aprender bastante sobre diseño de sistemas y temas similares. Por eso ambos me vieron como ingeniero de software.
En general fue un experimento divertido, y me llamó la atención que ambos modelos señalaran la fotografía como mi principal pasatiempo. Pero si también hubieran visto mi historial de YouTube, probablemente habrían dicho tenis con mucha seguridad. Sería interesante combinar el historial de visualización de YouTube con el archivo de Pocket para temas e intereses que uno suele consumir en video más que en texto, aunque obtener esos datos no parece fácil.
Este artículo es un buen ejemplo:
https://takeout.google.com/settings/takeout/custom/youtube?p...
Luego combiné
pupyjqpara parsear los títulos de los videos desde el archivo HTML:cat watch-history.html \| pup '.outer-cell .mdl-grid .content-cell:nth-child(2) json{}' \| jq -r '.[] .children[0] | select(.tag != "br") | select(.text | startswith("https://www.youtube.com/watch?v=";) | not) | .text' \> videos.txtEso no significa que lo que haces en tu empresa actual no pueda trasladarse a una escalera de puestos relacionada.
Lo más importante que aprendí de mi exportación de Pocket fue que el 99% de los artículos estaban en estado sin leer. No estoy muy seguro de qué se podría inferir de mí con eso, aparte de una recolección compulsiva de links :D
Debe haber muchos datos de este tipo; por ejemplo, el grafo de recomendaciones de Amazon podría asignar pesos distintos a los artículos de una wishlist y a los artículos comprados.
Siento que últimamente mucha gente está convergiendo en la idea de analizar sus propios datos con IA, igual que las empresas usan nuestros datos para ofrecernos contenido ultrapreciso.
Hace poco leí https://labs.rs/en/browsing-histories/ e hice lo mismo con todo mi historial de navegación.
También hice lo mismo con mis historiales de conversaciones de ChatGPT/Claude, y lo más aterrador fue dejar que un LLM viera mi historial de comentarios en Reddit.
La principal dificultad es tener una ventana de contexto lo bastante grande y seguir el contexto de varias fuentes de datos. Un método que estoy explorando es usar grafos de conocimiento para rastrear perfiles de usuario. Se pueden comprimir patrones de comportamiento en una estructura consultable, pero la construcción del grafo en sí se convierte en un problema computacional.
La mayoría de las startups de IA con las que trabajé recientemente terminaban reduciéndose a “darle a un LLM acceso a una base de datos vectorial y a un grafo de conocimiento creados a partir de un conjunto de documentos de texto”. Los documentos de texto podían ser facturas, documentos legales, documentos fiscales, reportes diarios, transcripciones de reuniones, código, etc.
Espero que aparezcan sistemas de recomendación de contenido personal o de perfilado basados en IA. El incentivo económico es el opuesto al modelo de las big tech: en vez de optimizar engagement e ingresos publicitarios, optimiza la utilidad para el usuario.
En la época de los lectores RSS consumía mucho contenido curado sobre tecnología y diseño, y gracias a eso pude desarrollar bastante mi gusto y conocimiento en ese campo. También me ayudó a conectar con gente interesante y genial.
Una app que me gusta es https://www.dimensional.me/, pero el enfoque de MBTI y tests de personalidad podría ser más riguroso. No como test de personalidad, sino imaginando un sistema al que le metes todo lo que consumes, escribes y haces en tus dispositivos digitales, y que actualiza continuamente un grafo de conocimiento sobre ti.
En la secundaria leí miles de posts, y eso fue muy útil porque me permitió construir cada vez mejores modelos mentales sobre cómo funciona la tecnología. Muchas cosas cambiaron, pero buena parte de los modelos que construí entonces todavía son bastante precisos y útiles cuando quiero profundizar en áreas que me interesan.
Claro, una cárcel cómoda es mejor que una cárcel de engagement, pero quizá de vez en cuando haya que salir de ahí.
¿La curaduría de la época de los lectores RSS no la hacían personas con las que uno no siempre estaba de acuerdo?
Hice una herramienta parecida que perfila cuentas de HN y se burla de ellas: https://hn-wrapped.kadoa.com/
Es graciosa y a veces también da miedo.
Edit: el nombre de usuario distingue mayúsculas y minúsculas.
Aun así fue bastante precisa:
Predictions
Personal Projects
After a deep dive into archaic data storage, you'll finally release 'Magnetic Tape Master 3000' – a web-based app that simulates data retrieval from a reel-to-reel, complete with authentic 'whirring' sound effects. It'll be a niche hit with historical computing enthusiasts and anyone who misses the good old days of physical media.
Totalmente brutal.
“Vas a descubrir un agujero negro de upvotes de HN hasta ahora desconocido: un lugar donde todos los comentarios bien estructurados y matizados sobre inestabilidad económica son absorbidos hacia el olvido, mientras que ‘Show HN: mi lista de tareas hecha en Rust’ recibe 500 puntos.”
Es un poco cruel, pero está bien hecho.
Además, es bastante gracioso.
Últimamente me interesan mucho estas cosas. No solo artículos guardados en Pocket, sino también metaanálisis de los historiales de conversación de ChatGPT/Gemini/Claude.
Estoy usando un script de resúmenes RSS hiperpersonalizados, y descubrí que los feeds RSS con más ítems realmente relevantes para mí son bastante distintos de los que leo casualmente.
Lo siguiente que quiero probar es construir un modelo del mundo generativo ajustado a mis intereses y a la relevancia para mí. Distintas partes de ese modelo del mundo podrían actualizarse e investigarse con distintos ciclos.
Entonces, para mí, “noticias” pasaría a ser el diff de cambios de cómo el modelo del mundo se modificó por las noticias. Además, como siempre podría tener una versión local y offline del modelo del mundo actual, parece útil para filtrar u ordenar con un modelo local la bandeja de entrada, el calendario, los mensajes, tuits, etc.
Hace tiempo, por diversión y curiosidad, hice un pequeño script que hacía esto con perfiles de HN. Usaba el historial de publicaciones y comentarios para inferir un perfil: ubicación, inclinación política, carrera, edad, género, etc.
La motivación principal fue ver opiniones sorprendentes en varios hilos de comentarios y preguntarme de dónde podían venir. No tengo forma de saber qué tan precisos eran los perfiles, pero fue un experimento interesante para ver la capacidad de los LLM para hacer este tipo de cosas.
Desde la perspectiva de alguien con antecedentes familiares católicos más de izquierda, me pareció interesante que lo haya considerado conservador por el hecho de ser católico. Creo que en el noreste de EE. UU. ese tipo de católico es más común.
Eso dice algo sobre cuál es la importancia promedio de la religión en 2025.
Ahora ya no soy católico, pero esa iglesia de los 80 y 90 era una buena iglesia.
Si tienes cientos de enlaces guardados en una lista plana, probablemente sea un basurero sincero llamado “leer más tarde”, así que podrías hacer que una IA o procesamiento de lenguaje natural lo clasifique todo para poder borrar fácilmente los elementos que ya no te interesan.
Es un artículo interesante. Curiosamente, me hizo pensar que debería haber usado más Pocket.
Como comentario al margen, me estoy cansando mucho del tono estándar que se ve en las respuestas de los LLM. Reconozco el formato típico de una salida parlanchina:
¡Frase trillada! Varias palabras que podría decir un humano común, seguidas finalmente por la respuesta esencial de que 2 más 2 es 4. ¡Más palabras que suenan plausiblemente humanas!
Entiendo, por supuesto, que internamente así es como funciona de verdad. Por la naturaleza de su entrenamiento, un LLM tiene que ir tanteando de forma verbosa hasta llegar al punto. Pero ¿no hay esperanza de eliminarlo con posprocesamiento de relleno? Quiero destilar solo la respuesta real dentro del motor de inferencia, sin usar otra máquina de corpus lingüístico.
Es como el viejo problema de las recetas en internet. Lo que uno quiere es esto:
500g wheat flour
280ml water
10g salt
10g yeast
Pero lo que recibes en realidad es esto:
It was at the age of five, sitting
on my grandmother’s lap in the
cool autumn sun on West Virginia
that I first tasted the perfect loaf…
La gente dice que quiere una cosa, pero su comportamiento real y su dinero van para otro lado.
Estoy de acuerdo en que hay relleno innecesario. Pero no creo que “dame solo la receta” sea lo que la gente realmente quiere. Y tampoco creo que esta postura sea una excepción rara. ¿De verdad alguna vez quisiste recibir una receta completamente sin contexto como esa y prepararla?
OpenAI dijo que está trabajando para que la salida de ChatGPT sea más configurable.
No soy experto, pero en los modelos que “piensan” me gustaría que esa etapa de concisión ocurra al final. Internamente pueden pensar todo lo verbosamente que quieran, siempre que a mí me den solo la respuesta.
He estado pensando en la posibilidad de ordenar todas mis pestañas con un LLM. Soy uno de esos terribles coleccionistas de pestañas que han dejado demasiado tiempo en el teléfono el contador con “:D”.
Normalmente hago limpieza total de forma periódica, pero llevaba mucho tiempo sin motivación para hacerlo. Solo necesitaría una forma fácil de volcar las pestañas a algo como un CSV, como lo que se importó desde Pocket.
10 hilos de
gpt-4-nanoclasificaron lotes de 10 marcadores cada uno, y en unos minutos procesaron 10,000 marcadores.