No podemos esquivar el trabajo necesario para entrenar nuestra mente

• La afirmación de "no hace falta recordar nada" es una ilusión antigua
• Se dice que herramientas digitales como internet, apps de notas y la IA eliminan la necesidad de la memoria, pero eso genera un costo oculto en la capacidad de pensar
• Sin pensamiento crítico y analítico, no se pueden aprovechar eficazmente los resultados de búsqueda en internet, y la adquisición de conocimiento se queda en un nivel superficial
• Consumir información solo en la superficie, sin conocimiento profundo, debilita la capacidad de procesamiento cognitivo del cerebro
• Métodos como Zettelkasten Method y la práctica constante son esenciales para un trabajo de conocimiento significativo

---

La ilusión sobre las herramientas digitales y la memoria

• La idea de que “no hace falta recordar nada” es una noción antigua que ya circulaba hace décadas
• Motores de búsqueda, apps de notas antiguas y la IA repiten la afirmación de que la importancia de la memoria ha desaparecido
• Pero en la práctica, para encontrar la información deseada son indispensables una formación básica y conocimientos previos del área

Pensamiento crítico y capacidad para usar internet

• En la sociedad actual, se ha fortalecido la tendencia a omitir el proceso de pensamiento necesario y buscar directamente conclusiones en internet
• Esta tendencia reduce las oportunidades de aprendizaje autodirigido y los conocimientos previos, y disminuye la capacidad de evaluar la calidad de la información y convertirla en conocimiento real
• Según estudios, los llamados nativos digitales carecen de la capacidad de evaluar de forma crítica y analítica la información que encuentran en internet
• Para obtener el verdadero valor de una búsqueda en internet, hace falta un mapa mental del campo en cuestión

El enfoque de los nativos digitales y sus problemas

• Los nativos digitales juzgan la información solo por su coincidencia superficial, y se debilita la motivación para una evaluación crítica
• Este enfoque deja consecuencias como las siguientes
  • Se debilita la conexión emocional con el material, lo que reduce la profundidad del pensamiento y la inmersión
  • Se forma una relación superficial con la información, sin que se produzcan cambios en la estructura cerebral
• Como resultado, mientras más se acumulan hábitos de consumo superficial de información, más frágil se vuelve la base del conocimiento

Premisas clave sobre conocimiento, notas y pensamiento crítico

• La verdadera formación de conocimiento no la hacen la IA ni las herramientas de PKM (Personal Knowledge Management); debe llevarla a cabo directamente la propia persona
• Por ejemplo, puedes pedirle a ChatGPT que diseñe una rutina semanal de ejercicio, pero si no tienes conocimientos de base, no podrás juzgar si el resultado es correcto o no
• Sin una comprensión profunda de conceptos importantes, y con solo conocer términos de forma superficial, es difícil evaluar el valor real de la información

Conocimientos previos y capacidad interna de procesamiento del cerebro

• Hay una gran diferencia entre recordar solo asociaciones superficiales y estar en condiciones de evocar, frente a un término específico, un conocimiento fundamental y multinivel sobre él
• El cuello de botella del trabajo de conocimiento no es la cantidad de información externa, sino la capacidad interna del cerebro de cada persona para procesarla y su nivel de entrenamiento

La necesidad de herramientas adecuadas y entrenamiento continuo

• A diferencia de la idea de que “no hace falta recordar nada”, en realidad la dirección deseable es “recordarlo todo”
• Solo así son posibles el trabajo cognitivo significativo y el pensamiento basado en conocimiento
• Las herramientas simples (por ejemplo, repetición espaciada) ayudan en tareas simples, mientras que herramientas avanzadas (por ejemplo, Zettelkasten Method) ayudan al pensamiento complejo
• El procesamiento profundo está, al final, directamente conectado con entrenar el cerebro
• El futuro del trabajo de conocimiento depende de no renunciar a entrenar la mente

---

Live long and prosper
Sascha

[GN⁺]

Opinión en Hacker News

• Hace poco, hablando con alguien sobre su experiencia de migración, me puse a imaginar cómo podría haber ayudado la IA Había dos formas

• La primera, preguntarle respuestas a la IA: te construye algo, la IA hace por ti el razonamiento que te tocaría hacer y el trabajo se siente más fácil

• La segunda, usar la IA como herramienta de automatización para tareas repetitivas y simples (como escribir una suite de pruebas o configurar infraestructura): de hecho es más rápida que un humano, pero como te obliga a concentrarte en lo difícil, termina siendo incluso más pesado Estos dos enfoques se sienten completamente distintos Con el primero, el trabajo se vuelve más fácil; con el segundo, las partes fáciles se resuelven automáticamente y quizás entras en un estado donde necesitas más pensamiento y más esfuerzo de forma continua Si en el trabajo existe aunque sea un poco de competencia, creo que quien trabaja con el segundo patrón tendrá una productividad y una calidad muy superiores Pero también se siente mentalmente muy desgastante Artículo relacionado

  • Probé el segundo enfoque en la empresa Para que funcione casi siempre, tienes que tener casi todo el plan de implementación preparado de antemano y monitorear que el LLM no empiece a producir rarezas Mientras tanto, casi no puedes tocar otras tareas En la práctica, se siente como una mejora de productividad de alrededor de 10% a 20%

  • Esa sensación de “comprimir de forma continua el trabajo de pensar y quedarte solo con la parte dura” era justo lo que quería describir En diseño de sistemas, el verdadero cuello de botella no son las tareas fáciles ni las repetitivas, sino las partes impredecibles, lo desconocido, las consecuencias no intencionales, etc. La IA no ayuda mucho ahí De hecho, ayuda no automatizar por completo el trabajo repetitivo y dejar una parte sin resolver Esas tareas te mantienen dentro del dominio y a menudo te dan ideas sobre los problemas difíciles

  • Yo le delego a la IA la arquitectura, la organización del código y el diseño a nivel de algoritmos Hago el plan a ese nivel y luego dejo la implementación real totalmente en manos de agentes También audito las pruebas yo mismo y se las encargo a varios agentes de IA

El pipeline está automatizado al 100% y los resultados son muy buenos De todos modos, como al final estoy orquestando un DAG de flujos de trabajo estocásticos según mis instrucciones, sigue sintiéndose como ingeniería

• El problema de los LLM es que ni siquiera pueden completar por sí solos tareas simples de manera totalmente confiable Y cuando hace falta intervención humana, el LLM puede inducir sesgos tan tontos que hasta enturbian la intuición humana Pero creo que esta idea también se conecta con la historia del desarrollo: compiladores, type checkers, pruebas automatizadas, control de versiones, etc.

• A veces, con el primer ejemplo (solo obtener una respuesta a una pregunta), terminas pensando más Si el resultado generado no hace exactamente lo que quieres, tiene bugs o se vuelve complejo, tienes que analizar y entender mucho código que tú no escribiste para poder avanzar

Al leer ese código, puedes terminar perdiendo tiempo Si al final el prompt o la especificación de entrada fueran perfectamente claros y te permitieran entenderlo al mismo nivel que si lo hubieras escrito tú, no habría problema; pero si no es así, creo que es mejor borrarlo todo y volver a planear

• Sobre la idea de que “hay que recordar todo para poder hacer trabajo intelectual significativo” En realidad no hace falta recordarlo todo A través de la experiencia, el pensamiento y la escritura, basta con recordar los puntos de entrada y la forma de lo que viene después para poder hacer trabajo significativo

  • Cita de Tomás de Aquino: “las cosas que una persona quiere recordar deben disponerse bien en cierto orden, porque el orden es la cadena de la memoria”

Encontré este pasaje en mi Zettelkasten

• Creo que depende del tipo de trabajo Por ejemplo, cuando necesitas desempeño en tiempo real, como en una conversación en idioma extranjero, sí tienes que haberte aprendido bien las palabras; y lo mismo pasa al tocar música

Al escribir puedes ir más despacio, pero si tu conocimiento de fondo es demasiado pobre, al final igual necesitas mucha preparación previa

• En realidad, los LLM (modelos de lenguaje) también funcionan así Como el cerebro humano, reciben tanta información como sea posible durante el pre-training y, al pasar cierto umbral, empiezan a producir resultados más cercanos al pensamiento humano, como razonamiento o uso de herramientas

Por eso estoy de acuerdo con la hipótesis de que, si al cerebro le falta suficiente data de preentrenamiento, termina siendo un modelo base débil

• Yo no recuerdo todas las respuestas; más bien recuerdo dónde encontrarlas

• Pregunta sobre si eso sería “recordar solo el estado inicial y dejar que la mente siga el resto por asociación” o “recordar solo el punto de arranque de la solución (por ejemplo, algunas suposiciones o ideas clave)” Si usas Zettelkasten, creo que estarías bastante de acuerdo con la primera forma

• Sobre la idea de que “hay que recordar todo para poder hacer trabajo intelectual significativo” Si los humanos no tuviéramos capacidad de abstracción, tendría sentido Pero como la abstracción existe, en la práctica basta con recordar solo parte de los hechos concretos Lo importante es tener modelos conceptuales sólidos y conocimiento tácito

El conocimiento tácito surge de la experiencia y la retroalimentación, y uno va construyendo modelos conceptuales a los que luego les agrega hechos Al principio memorizar ayuda, pero después de cierto punto incluso puede estorbar No hace falta recordar siempre todo el conjunto procesado de una sola vez; con experiencia, basta con encajar lo necesario dentro del “framework” cuando hace falta Creo que la polémica existe porque mucha gente a la que no le gusta memorizar pasó con dificultad por la etapa de principiante

• Han salido varias publicaciones defendiendo la idea de que “hay que recordar todo”, pero siento que se pierden mucho del punto y del contexto Como en la práctica es imposible recordarlo todo, sí estoy de acuerdo en que hay que intentar recordar la mayor cantidad posible

Pero al final me parece peligroso pensar algo como “no necesito recordarlo todo, así que da igual” Creo que el argumento del artículo se planteó con fuerza en el sentido de que delegarlo a una calculadora o a un LLM no te ayuda después

• Me identifico mucho con la idea de que “los modelos conceptuales y el conocimiento tácito importan más” Mientras más tiempo pasas en ciencias de la computación y en ingeniería de software, más te das cuenta de que los conceptos realmente fundamentales no son tantos como parece

Para un ingeniero verdaderamente experto, es indispensable haber vivido cada concepto en carne propia Si internalizas bien estos conceptos, puedes ubicar casi cualquier problema de computación dentro de unas “coordenadas conceptuales”, y desde ahí volver a aplicarlos y entenderlos una y otra vez

• Últimamente hablo mucho de este tema con conocidos, y terminé definiendo la ingeniería como “empezar a partir de una pregunta, sin una solución clara desde el inicio” En esos casos, lo importante es comprender suficientemente la base sobre la que se apila tu capa, es decir, las capas inferiores de abstracción

Si lo vemos como una pirámide del conocimiento, cada nivel se divide en distintos roles y especialidades, pero estés donde estés, cuanto mejor entiendas las capas de abajo, mejor será tu intuición Si tercerizas los fundamentos, no solo se debilita tu pensamiento crítico, sino también tu intuición sobre la estructura del mundo en el que trabajas

• Simpatizo con herramientas para reforzar la memoria como Anki o Zettelkasten, pero creo que este texto simplifica demasiado Veo dos modelos de trabajo basado en conocimiento

1. Casos en los que necesitas una referencia inmediata y completa: salvo discusiones en vivo o trabajo extremadamente veloz, esto no aplica a la mayoría de los casos
2. Casos en los que no necesitas recordar todo, sino solo fragmentos pequeños (trabajo donde basta con entender ciertos puntos, no todo el mapa): la mayoría cae aquí O sea, si necesitas una cita textual clara de alguien, puedes buscarla después; no hace falta recordar todo al instante

Un cambio reciente muy notorio es que la IA ayuda mucho cuando no tienes nada de conocimiento de base y solo puedes hacer preguntas vagas Los buscadores tradicionales como Google no sirven mucho ahí, pero en algo como ChatGPT puedes pedir “quiero encontrar a alguien que haya dicho algo como XYZ” y obtener una buena respuesta que antes era imposible conseguir

• Lo más destacado últimamente es precisamente que la IA ayuda mucho cuando no tienes absolutamente ningún conocimiento previo Pero justamente ahí está el problema

La IA te ayuda con un punto de partida fácil, pero en el proceso te quita la oportunidad de aprender por ti mismo Aprender es un ciclo repetido de “recibir-entender-memorizar-aplicar”, y si solo consigues respuestas a base de prompt tras prompt, casi no ocurre aprendizaje propio

• La ventaja de la IA es que da muy buenos ejemplos de una “clase” o tipo de cosa Si la IA te encuentra varias “empresas que hacen X”, eso te sirve de referencia para saber cómo investigar más a fondo por tu cuenta con un buscador

Aunque al final no llegues exactamente al resultado que te sugirió la IA, después de escucharla igual tienes que hacer tu propio juicio La IA se especializa en detectar patrones entre palabras y características, y en cómo se formulan afirmaciones dentro de cada categoría

• Los pilotos también usan herramientas consultables sin memorizar todo, como listas de verificación, y en una emergencia hay cosas que deben ejecutar casi por reflejo, basándose solo en memoria codificada

• La improvisación o el desempeño en vivo (conversación, ejecución musical, etc.) sí requieren buena memoria Cuánto procesamiento en vivo quieres hacer parece ser un buen criterio para decidir cuánta memoria necesitas

• Sobre la idea de que “si no puedes leer una pregunta y responderla de inmediato de forma sintética, entonces no tienes suficiente conocimiento de fondo” Esa postura es demasiado extrema Por ejemplo, al armar un plan de ejercicio no pasa nada si no consideras cada detalle minucioso

No hace falta una respuesta perfectamente optimizada (“minmaxed”) para obtener buenos resultados; con constancia basta para llegar a algo suficientemente bueno Eso es algo común a todos los campos No hace falta ser un experto profundo para producir resultados aceptables

• Aun así, en algunas sociedades uno vive directamente las consecuencias de la falta de racionalidad Al final, la diferencia está entre quien conecta los “hechos” y forma un sistema lógico y quien no; cada persona piensa distinto

Hay grupos que siempre verán la vida con un modelo de “buscar razones”

• En matemáticas pasa exactamente igual Puedes usar calculadora, claro, pero si tienes sentido numérico e intuición aritmética, procesas el mundo mucho más rápido y con mayor precisión

Te puedes apoyar en la IA o en un buscador, pero al menos el juicio mínimo tienes que tenerlo tú

• Siempre me ha parecido raro cuando mucha gente arma primero una fórmula en Excel sin antes revisar los datos de forma intuitiva y directa Por ejemplo, si A8 es 120 y A7 es 100, es un buen hábito ver con tus propios ojos de inmediato cuánto porcentaje subió

Con la IA pasa parecido: en vez de tragarte de golpe una respuesta sobre un área que desconoces, primero deberías verificarla con valores o conceptos que tú mismo puedas comprobar

• El problema no es usar o no calculadora, sino tener aversión al cálculo en sí Es sorprendente cuántas tonterías puedes filtrar con solo memorizar fórmulas simples (área, volumen, densidad, energía, etc.) y hacer cálculos rápidos mentalmente

Está el ejemplo famoso del diámetro de la pizza

• El verdadero punto clave es que el cerebro evoluciona al “domesticarse” mediante la experiencia Si no memorizas nada y siempre dependes solo de buscar, tu cerebro termina aprendiendo únicamente a funcionar como un buscador

Cuando estés en una situación donde no puedas buscar, esa falta de experiencia acumulada se vuelve una limitación crítica Claro, puede que esa forma de trabajar funcione hoy en día, pero el principio básico de que el cerebro mejora no cambia

• En mi opinión, no hace falta recordar absolutamente todo, pero sí es indispensable haber estado “expuesto” a ello Si ni siquiera sabes “qué es lo que no sabes”, es peligroso hacer trabajo intelectual

Me gusta la frase: “aprende un poco de todo y muchísimo de una sola cosa”

• Antes de internet, le preguntábamos a la gente que teníamos cerca, y si respondían algo medio aproximado, simplemente lo creíamos y seguíamos adelante

Luego llegó internet y los resultados de búsqueda pasaron a ser más precisos que un conocido cualquiera al azar Ahora apareció la IA; tampoco es perfecta, pero sus respuestas suelen ser más confiables que preguntarle a cualquiera de tu entorno o leer un blog aleatorio La idea de que todo tenga que ser 100% correcto me parece extraña Antes, todos aceptaban lo que dijera cualquier persona cercana

• Me gustaría ver la base para afirmar que un LLM, que agrega respuestas de blogs aleatorios, es más preciso que buscar directamente en blogs de expertos cuya especialidad sí está verificada

• Preguntarle al azar a cualquiera ya está mal desde el principio Siempre hay que preguntarle a un experto en el dominio

Por ejemplo, no le pregunto a mi esposa sobre videojuegos ni a mi padre sobre programación Con solo hacer eso, la necesidad de IA ya se reduce muchísimo