Creo que me llegó el burnout de los LLM
(alecscollon.com)- Al usar Claude Code, Codex, ChatGPT y Gemini todos los días en el trabajo y en proyectos personales, el tiempo dedicado a leer texto generado por IA aumentó mucho en comparación con hace unos años
- El flujo de desarrollo cambió de diseñar e implementar directamente a explicar el diseño → revisar el código del LLM → corregirlo personalmente, lo que facilita trabajar incluso en áreas menos familiares
- El proyecto actual también gira en torno a un framework de generación de código no supervisada a gran escala y a revisar la salida de agentes Qwen, así que la dinámica implica seguir leyendo contenido generado por LLM
- Tras cerca de un año de uso continuo, en los últimos meses se fue acumulando el peso de patrones repetitivos como suposiciones falsas, alucinaciones, frases cortas y tajantes, y emojis excesivos
- Más que el LLM en sí, el núcleo del cansancio está en que se repitan el mismo estilo y los mismos tipos de errores; aunque existan funciones de personalización, es difícil controlar el estilo del contenido de IA creado por otras personas
Los LLM se metieron de lleno en el flujo de desarrollo
- Considera que su uso de LLM, para el estándar actual de un desarrollador, es más o menos promedio, y que su forma de usarlos sigue siendo bastante primitiva
- Maneja una tarea a la vez; en el trabajo usa Claude Code y en casa actualmente conversa con Codex
- Incluso cuando hace que el asistente escriba código, lee y entiende la salida con cuidado antes de corregirla personalmente
- Todavía no está en una etapa de uso profundo de agentes autónomos ni de orquestación de agentes
- Su forma de trabajar pasó de centrarse en diseñar y escribir código a explicar el diseño al LLM, revisar el código generado por el LLM y luego volver a escribir código
- En ese proceso se topa con enfoques que no había considerado o que desconocía
- También trabaja con más comodidad en áreas donde no tiene conocimientos profundos
- Su proyecto principal actual consiste en levantar un framework para generación de código no supervisada a gran escala dentro de un codebase
- Cuando no está construyendo herramientas con Claude, revisa la salida de Qwen, un agente no supervisado
- En cualquiera de los dos casos, termina leyendo constantemente contenido generado por LLM
- Incluso al buscar información, si no conoce un sitio específico, muchas veces le pregunta a ChatGPT o lee el resumen de Gemini
- Si la respuesta del LLM está mal, tiene que volver a navegar manualmente
- Como en los resultados de búsqueda abundan los textos inútiles generados por IA, considera que las respuestas de LLM son suficientemente aceptables para preguntas cotidianas
El cansancio que se acumula por el mismo estilo y los mismos errores
- Lleva usando este enfoque alrededor de un año y no tiene pensado dejarlo por ahora
- Siente que usar LLM lo hace más productivo
- También cree que seguir aprendiendo a usarlos de forma efectiva vale la pena
- En los últimos meses cambió su sensación al leer salidas de LLM
- Le pesa sentir, incluso antes de leer, que ya sabe qué estilo y qué errores va a encontrar
- Los elementos que aparecen una y otra vez son suposiciones falsas, alucinaciones, frases cortas y categóricas, y emojis excesivos
- Cada molestia por separado puede tolerarse, pero al repetirse juntas hace que se canse muy rápido de la escritura de los LLM
- El punto central no es acusar a los LLM de ser peores que los humanos, sino la repetición
- Los humanos también pueden ser poco confiables o irritantes
- Los LLM escriben con el mismo estilo y repiten el mismo tipo de errores
- Aunque la interfaz permita usar funciones de personalización, ciertos giros de estilo característicos siguen ahí
- Y no se puede controlar directamente el estilo del contenido generado por otras personas
- Todavía no sabe cómo manejar esta sensación; más allá de la frustración con una herramienta inestable, lo que le sigue molestando son los propios patrones de escritura
2 comentarios
Yo también sufría por las suposiciones falsas, alucinaciones, frases cortas categóricas y el patrón excesivo de emojis en las respuestas de los LLM,
pero creé la regla ELI5 y la apliqué, así que pude liberarme de ese sufrimiento :)
https://github.com/amebahead/explain-like-iam-five-rules
Opiniones de Hacker News
No diría que es burnout, pero los LLM de verdad cansan por la presión que generan. Nadie me está empujando explícitamente a aumentar la carga de trabajo, pero en todo momento hay algo que mi “clanker” o el “clanker” de otra persona ya produjo, y que está ahí esperando a que yo destrabe lo que se atascó
Ya antes de los LLM era difícil mantenerse al día, pero ahora se siente como si siempre hubiera 10 veces más trabajo en espera, y si todos siguen “optimizando” para darle más trabajo en paralelo a la IA más rápido, podría volverse otras 10 veces peor. Cansa seguir siendo el cuello de botella de todo
Está bueno poder hacer realidad pequeños side projects e ideas, pero me di cuenta de que los LLM alimentan aún más esa mentalidad poco sana de que “descansar es perder el tiempo”, y sentí que tenía que corregir eso
La queja principal del texto probablemente también existía con la automatización de las fábricas. Igual que muchos oficios manuales diversos y especializados se transformaron en pasar todo el día repitiendo el mismo movimiento en un puesto de una línea de ensamblaje, los LLM se quedaron con la parte creativa y variable, y solo dejaron el sellado repetitivo de QA. Quizá valga la pena volver a buscar las medidas de mitigación que se usaron entonces
Hace poco un compañero me mandó un archivo zip con como 30 documentos generados por LLM y me pidió que los revisara de inmediato; muchos eran repetitivos o tenían manipulaciones y alucinaciones fuera de lugar. La velocidad de generación es muchísimo mayor que la velocidad de revisión
Antes, a un project manager le tomaba buena parte del día armar un documento de planificación, pero ahora puede hacerlo en minutos y tirártelo para revisión, y eso de verdad agota
El “centauro inverso” no es nada nuevo. Pregúntenle a los movimientos obreros del siglo pasado
Creo que también influye que soy ingeniero de software porque me gusta construir productos más que usar software complejo. Lo que me motiva es esa sensación de crear algo, y quiero que una función quede perfecta y terminada. Pero en trabajo de UI, pasar del 95% al 100% toma mucho tiempo
Así que, lamentablemente, ahora mi jornada laboral es bastante más larga
Así que tengo que dejar de hacer trabajo productivo y apartar cierto porcentaje de mi tiempo para “hacer IA y mostrar consumo de tokens”. La carga de trabajo sigue igual o aumentó, pero por estar calmando a los dioses de la IA, el tiempo real para trabajar se reduce en N%
En mi experiencia, hay 3 grandes causas del burnout. La primera, y la más importante, es el multitasking. Hay que estar cambiando constantemente entre 3 y 5 ventanas de agentes que hacen cosas distintas, y cuando cada ronda tarda varios minutos, eso agota muchísimo
Antes de la era de los agentes de código, la mayoría de los desarrolladores probablemente tenía la oportunidad de concentrarse en una sola cosa durante más de 2 horas. Ahora los agentes de código ampliaron el ancho del stack tecnológico que pueden cubrir, pero no aumentaron el ancho de banda para trabajar en profundidad
Segundo, los agentes son buenos para que algo funcione sin chocar, pero no garantizan que el código sea correcto. Son bastante distintos de un experto humano con conocimientos sólidos de base
Tercero, frustra revisar montones de PR de baja calidad generados por IA. La concentración es un recurso limitado. No quiero gastar demasiada energía en el trabajo de otros, pero si uno no presta más atención, el código irresponsable generado por IA —hecho sin el pensamiento cuidadoso ni el diseño de una persona autora— termina degradando rápidamente todo el proyecto. Ya es difícil trabajar con gente poco cuidadosa, pero en la era de los agentes de código producen 10 veces más basura, así que duele 10 veces más, y es un problema de cultura de equipo que no se puede imponer fácilmente
Después de pasar horas leyendo salidas de Opus, empecé a sentir una especie de malestar físico. Este texto realmente me llegó
Incluso empecé a quejarme con el equipo, pero como mínimo habría que meter una guía de estilo personal en las reglas del agente para eliminar cosas como la raya larga, expresiones tipo “no es X sino Y”, esa forma de alargar modificadores antes del sustantivo, o usar “land” con el sentido de completar algo. Ojalá esto sea solo una fase de un LLM inmaduro
Como persona, uno sabe que una gate es una “puerta” que puede estar abierta o cerrada, con seguro o sin seguro, y que el camino del otro lado puede ser transitable o no. El simple hecho de que exista una gate no dice si está abierta o cerrada
Pero en el lenguaje de bots, gate solo significa una barrera fuerte e infranqueable. La usan como si fuera una reja, una pared o incluso un foso de lava
Pero una gate originalmente es algo diseñado para que se pase a través de ella, y aun así los bots usan la misma palabra para obstáculos pensados para que no se pueda pasar. Para alguien que ha tratado con gates durante décadas en la vida real, es un uso incorrecto. Normalmente, si te topas con una gate cerrada, la abres y pasas
Aunque le indiques al bot que evite usar esa palabra, a veces simplemente lo ignora. Hoy la palabra problemática que se me vino a la cabeza fue gate; ayer fue otra, y mañana será una totalmente distinta
El patrón general es una jerga repetitiva, irritante y de bajo nivel que desde el principio ni siquiera encaja
A diferencia de la explicación de que “es solo inglés nigeriano de trabajadores contratistas”, me parece que los modelos, bajo la presión del aprendizaje por refuerzo, están creando su propio dialecto ultracondensado y excesivamente estilizado. Se siente cada vez más como si escribieran en código, y aquí código no significa código de computadora. Las palabras no significan exactamente lo mismo que significan para las personas
arc landlo tengo tan grabado en el cerebro por culpa de Phabricator que sé que esa terminología existía antes que los LLM, pero aun así me desesperaEste bamboleo lingüístico es irreversible. Incluso si pudiéramos filtrar al 100% la entrada proveniente de LLM, la gente misma ya se está entrenando para decir “land” con más frecuencia
Ahora mismo estoy trabajando con alguien que solo usa LLM, y es agotador y mentalmente desgastante
Si le doy feedback sobre algo, la respuesta es simplemente “se lo voy a decir a Claude”. Esa persona no entiende cómo funciona el conjunto, y la mayor parte del código lo refleja
Hace unos días ni siquiera sabía cómo configurar el entorno local y las variables de entorno, así que terminó metiendo a mano un modo demo. También me desconcierta por qué Claude no supo eso, aunque quizá haya sido un problema de prompt
Yo trato de limitar el uso de LLM y, si los uso, que sea solo para tareas extremadamente específicas. Para mí, esa es la única forma en que funciona
Sinceramente, no entiendo cómo las empresas pueden empujar tanto la generación de código con IA. Incluso en proyectos pequeños, la comprensión del proyecto se queda atrás muy rápido
Ahora, como programar con LLM premia a la gente sin curiosidad y castiga a quienes piensan a fondo, estas personas pueden aguantar mejor
En cambio, un amigo está gastando 10 mil dólares al día en tokens de agente para intentar construir algo. Es muy inteligente y fue desarrollador, así que no es una simple psicosis por IA
Todavía estoy tratando de entenderlo. Claro, yo no tengo 10 mil dólares
Estoy realmente agotado. Desde que empecé a trabajar con LLM, como desarrollador solista mi producción aumentó fácilmente 20 veces. Incluso estoy terminando proyectos de clientes que antes habrían sido demasiado ambiciosos para asumir yo solo
Se están incorporando funcionalidades a codebases antiguas que antes se arrastraban durante meses o se quedaban aún más tiempo en la etapa de planificación
La calidad general también ha subido muchísimo, y la cobertura de pruebas es más completa y, sinceramente, mejor
También estoy construyendo proyectos personales a una velocidad brutal. Los roles se invirtieron: trato al agente como si yo fuera el cliente, y el agente actúa como si fuera yo. Claro, yo soy un cliente más técnico y le marco la dirección de la arquitectura. Uso a diario las apps y herramientas que hizo el agente, y gracias a herramientas que hice yo mismo hasta cancelé suscripciones SaaS
Al ver las llamadas a herramientas, sentí que debía conocer mejor las herramientas clave de línea de comandos, así que también armé un plan de estudio para ponerme al día poco a poco cada día. Incluso estoy revisando configuraciones viejas que había dejado puestas cuando empecé a usar vim y tmux sin saber nada
En teoría podría mantener mi productividad al nivel de antes y leer más libros, pero no parece posible. A diferencia de la promesa de que “el trabajo disminuye”, la realidad se siente como una gran transición donde aumentan la productividad y las expectativas, y la Revolución Industrial se siente como una analogía adecuada
El aumento de expectativas ocurre de formas pequeñas y grandes. El agente pule tan bien la presentación de los datos que ahora envío como algo normal informes limpios y visualmente impactantes que antes me habrían tomado bastante tiempo
Pero estoy cansado. Estoy esprintando para sacar la mayor cantidad posible de trabajo antes de que Fable deje de estar disponible por suscripción y pase a ser solo por API. Tampoco entiendo cómo la gente usa tantos tokens. Aunque casi no duermo y le paso a Fable todo el código que puedo, ni siquiera me acerco al límite del plan 20x max
Me vengo diciendo que bajaré el ritmo cuando se termine, pero ahora se extendió hasta el día 12 y la ventana se reinició, así que tengo unos días más para liquidar el backlog. Siento que tengo que dejar a los robots trabajando toda la noche para poder revisar cosas apenas me levante por la mañana. Hasta se me hace raro estar dándole instrucciones a un agente desde el celular
Desde afuera, esto suena parecido a mi padre, que trabajaba como mecánico en un molino. Su trabajo consistía mayormente en mirar cómo las máquinas hacían el trabajo y arreglarlas cuando se rompían, y el 90% del tiempo funcionaban bien
Pasar de trabajar con las manos a vigilar máquinas puede verse realmente aburrido, y desde esa perspectiva entiendo el rechazo a la IA que hay aquí
Todos podemos estar de acuerdo en que revisar montones de código generado por IA en el trabajo agota, así que me pregunto por qué extender esa situación desagradable a todo el día
O simplemente programar a mano, pensar frente a un pizarrón cuando algo se complica, y quemarte más lentamente, a un ritmo más humano, como lo ha hecho la ingeniería de software durante más de 50 años
No entiendo por qué esto siquiera es una opción. Preguntando en serio, ¿tienes algo de autoestima? Ya me imagino la excusa de “pero mi jefe espera que use IA”. Está claro que la mayoría nunca ha vivido un burnout de verdad. Cuando te pegue, va a doler muchísimo. No hay que convertirse a uno mismo en una máquina. Los humanos no son máquinas
No tengo burnout, pero trabajo de forma parecida al autor. Todavía no he logrado un flujo en el que revisar código generado por un LLM sea más rápido que escribirlo yo mismo
En realidad solo hay dos salidas para este dilema. Confiar ciegamente en lo generado, o crear un conjunto anormalmente enorme de pruebas unitarias para verificar todos los escenarios posibles
Así que escribo yo mismo la lógica de negocio y dejo muchas otras partes al LLM. El boilerplate también entra en esta última categoría
Las pruebas adversariales son la mejor manera de mantener a la IA en el camino correcto y de hacer que los cambios que hay que leer sean limpios y fáciles de revisar. Aplica tanto a un enfoque tipo TDD de “escribe una prueba que muestre este bug” como al enfoque posterior de “demuestra con una prueba nueva que este parche está mal”
Una forma mejor es bloquearlo todo con un lenguaje de tipado más fuerte, pero las pruebas se pueden escribir en cualquier lenguaje. Tener formación en TDD y en “escribe todas las pruebas” se siente como una salsa secreta al trabajar con IA
Ahorro tiempo hojeando cosas como pruebas, plantillas, algo de UI y detalles decorativos. Pero la mayor parte del código que entra en sistemas backend sí hay que leerla
Personalmente, las personas más entusiasmadas con la magia de los LLM son las que no sabían programar. Ahora pueden sacar algo que funciona, aunque no sea el mejor código. Como ya pueden producir código funcional, creen que eso hará que todos sean mejores, pero ni siquiera saben si esa basura es mantenible, o si de entrada es basura
La razón por la que estoy sufriendo burnout con los LLM es que tengo que lidiar con cómo los modelos de gama alta están siendo claramente castrados y degradados de forma opaca
Hasta hace unos 12 meses, las empresas de IA estaban obsesionadas con exprimir los mejores resultados posibles incluso de modelos comunes
Pero a medida que los modelos de gama alta mejoraron, esas mismas empresas ahora cambiaron su esfuerzo a reducir al máximo el cómputo, es decir, el costo de producir cada resultado, siempre que no se note demasiado
Durante los últimos 36 meses la pendiente de la calidad de los resultados subió de forma exponencial, pero ahora casi se aplanó
En mi opinión, la razón por la que los resultados se estancaron no es que los modelos sean mucho menos capaces que hace un año. Es porque ahorrar el enorme costo de procesamiento de una base de usuarios sobrecargada tiene prioridad sobre seguir las instrucciones explícitas del usuario y entregar el mejor resultado posible, especialmente cuando seguir esas instrucciones cuesta más procesamiento
Antes podían quedarse en modo de razonamiento por más de 7 minutos. Por ejemplo, si les decía “encuéntrame fuentes para esta afirmación”, buscaban, analizaban y ajustaban la consulta por su cuenta. Hoy, incluso en modo “Pro”, por más que insista no logro que trabajen más de 30 segundos, y solo dan respuestas genéricas
El momento de Opus 4.5 fue apenas en noviembre pasado, y fue entonces cuando la programación tipo agente y la mayoría de las herramientas CLI para programar se volvieron opciones realmente de primera. Es un cambio de paradigma enorme. GPT-5 ni siquiera había salido todavía, y la mayoría estaba usando 4o. Lo que se ofrece hoy es muchísimo mejor que 4o para programar
Se siente como estar atrapado trabajando con colegas que no son abiertamente hostiles, pero repiten los mismos errores todos los días, hay que seguir llevándolos de la mano, y ni siquiera pueden disculparse de verdad
Que trabajemos con computadoras no significa que no suframos daño social. En este caso, quizá se parezca más a un daño parasocial
Esta es seriamente la razón por la que quiero dejar la programación
Empecé a programar porque los problemas de programación me parecían interesantes. Pero si el problema cambia de “averiguar por qué una calculadora da una diferencia de 1 en Francia” a “hacer que este LLM deje de llenar todo de emojis lindos”, entonces quizá sea hora de cambiar de carrera
Últimamente me obsesioné con el agua con gas y estoy construyendo mi propio inyector continuo de carbonatación. Es un build completo que incluye desde la fuente de agua hasta el grifo, con bombas, presión, nivel y ventiladores de enfriamiento controlados por ESP32
Me ayudó a detectar muchos puntos donde me había equivocado en el carrito. Por ejemplo, en homebrew prefieren líneas de 8 mm, pero los sistemas de purificación usan 9.5 mm. Lo optimicé desde una simple bomba on/off y un interruptor de flotador hasta una versión que es prácticamente un sistema PLC completo. Obtuve muchísimas iteraciones conversando con “alguien con más experiencia”. En cuanto lleguen las piezas, podría armarlo y tener el software corriendo en menos de una hora
No da dinero, pero es realmente divertido
Lo mejor que puedes hacer es apilar hack sobre hack para bloquear salidas no deseadas, pero al final, si el LLM decide que no quiere seguir instrucciones, no te queda mucho más que agregar
*IMPORTANT*y esperar que el siguiente modelo lo arregleEsta experiencia se parece mucho más a trabajar con una API externa que no puedes controlar y que además ni siquiera se comporta como dice la documentación. Eso ya era una de las partes más frustrantes de programar antes, pero al menos antes podías hacer ingeniería inversa de la implementación real y esquivar los bugs. Ahora esa “frontera” cambia al azar todos los días, así que ni eso es posible
Basta con poner una guía de estilo simple en
CLAUDE.mdoAGENTS.md, o simplemente escribir “prohibidos los emojis”, y eso ya hace que la salida del LLM sea mucho más tolerable. También ayuda una guía de estilo sencilla con palabras y frases prohibidasClaro, eso no resuelve los supuestos equivocados. Eso hay que detectarlo a la antigua: leyendo con cuidado y pensando de forma crítica
Pero si le pido análisis de datos o modelado, empiezan a salir emojis por todas partes
Pensando en cosas que he visto en GitHub durante más o menos el último año, jamás dejaría que un LLM escribiera el README o la documentación de un proyecto sin supervisión alguna