Introducción
En la era de la IA, los jóvenes se enfrentan a una pregunta profesional distinta a la de las generaciones anteriores: si los modelos pueden resolver muchas tareas bien definidas, ¿qué tipos de trabajo seguirán siendo valiosos?
Este artículo se basa en una publicación compartida por Phil Chen, exinvestigador de OpenAI, DeepMind y Scale AI. Su idea es directa: los modelos de IA se están volviendo extremadamente buenos en tareas que pueden especificarse con claridad, evaluarse y optimizarse. Gran parte de la formación escolar se parece exactamente a eso: un problema definido, una respuesta conocida y una regla de calificación.
Por eso, el trabajo valioso de la próxima década quizá no sea el que más se parezca a los deberes escolares. A menudo será el trabajo que es difícil de evaluar dentro de un bucle de entrenamiento de modelos: elegir el problema correcto, construir relaciones, desarrollar criterio, recorrer el último tramo y aprender a convertir oportunidades en resultados reales.
A continuación se presenta la versión en inglés reescrita, manteniendo la estructura original y las ideas principales, pero con un lenguaje más fluido para su publicación en un blog.
Nota sobre la fuente
- Fuente original: artículo de BAAI Hub, que indica que el contenido provino originalmente de WeChat.
- El artículo fue organizado por 夏千斯.
- La página original incluye un banner decorativo de “seguir titulares académicos” y unas imágenes finales de plataforma/promoción. No se incluyeron porque no son necesarias para comprender el artículo.
- Durante la revisión, no se pudo cargar un enlace de imagen final en la página de origen y, además, parecía estar fuera del cuerpo principal del artículo, por lo que no se insertó.
- En el artículo original no había bloques de código ni tablas técnicas.
Artículo principal
Los modelos de IA siguen mejorando en todo aquello que puede expresarse como una función de pérdida. Muchos trabajos escolares son similares en espíritu: el problema está bien definido, la respuesta es conocida y el resultado puede calificarse.
Por eso, el trabajo más valioso de la próxima década probablemente será el que no pueda evaluarse fácilmente dentro de un ciclo de entrenamiento de modelos.
Durante los últimos seis años, Phil Chen trabajó con personas en etapas empresariales muy diferentes: su propia startup, Helm AI, Scale AI, OpenAI y Google. Esos entornos iban desde equipos pequeños hasta grandes organizaciones con más de 100.000 empleados.
Como fundador que está construyendo una empresa nativa de agentes, ha dedicado mucho tiempo a pensar qué tipo de personas necesita hoy una empresa y qué tipo de talento necesitará en el futuro. Una empresa construida en torno a agentes no contrata exactamente de la misma manera que una empresa donde la mayor parte de la producción todavía depende de que los humanos escriban todo manualmente.
Para las personas ambiciosas al inicio de sus carreras, esto cambia los consejos prácticos. Algunas ideas clásicas siguen siendo válidas. La vieja frase de las startups, “cuando te subes a un cohete, no”
“No te preocupes demasiado por el puesto exacto” sigue teniendo algo de verdad. Pero con el auge de la programación con agentes, los detalles han cambiado.
- Céntrate en los recursos que de verdad son escasos
Antes de unirse a Scale, Phil tenía una oferta con mayor compensación en efectivo para un puesto de trading cuantitativo. Eligió Scale porque le entusiasmaban más las personas que trabajaban allí, la comunidad en torno a la empresa y la oportunidad de conocer muchos productos distintos y aplicaciones reales de la IA.
Esa decisión dio frutos de formas que en ese momento no eran evidentes. A través de Scale, estuvo expuesto a proveedores de inferencia de LLM, lo que más tarde ayudó a llevarlo hacia DeepMind y OpenAI. También conoció a colegas ambiciosos que después pasaron a formar parte de una red más amplia de fundadores surgida de Scale.
Visto en retrospectiva, las relaciones y las oportunidades de aprendizaje fueron más valiosas que el dinero extra.
El capital es más accesible que nunca. Pero el tiempo con personas excelentes sigue siendo escaso. También lo son las relaciones sólidas, la confianza y la reputación.
La excelencia demostrada en trabajo relevante sigue siendo una de las señales más sólidas. El consejo práctico es simple: haz un buen trabajo y asegúrate de que otras personas excelentes y dignas de confianza puedan verlo.
Sé muy intencional con la forma en que asignas tu tiempo. Los proyectos escolares, los proyectos personales, las prácticas y los primeros empleos no deberían limitarse a tacharse como elementos del currículum. Deberían orientarse hacia problemas que realmente te importen.
Con el vibe coding y la creación asistida por IA, es más fácil que nunca lanzar pequeños proyectos y perseguir oportunidades a corto plazo. Algunas de esas oportunidades pueden generar dinero rápidamente. Pero si el objetivo es crear valor duradero, por lo general es mejor dedicar el tiempo a ámbitos donde el aprendizaje, las relaciones y la reputación se acumulen y se potencien con el tiempo.
El tiempo, las relaciones y la reputación son los recursos verdaderamente escasos. Trátalos como tales.
- Aprende a encontrar problemas, no solo a resolverlos
Una empresa que trabaja de forma nativa con agentes tiene que replantearse lo que realmente significa la capacidad de ingeniería.
Cuando el código ya no se escribe principalmente línea por línea y a mano, las señales tradicionales se debilitan. Los problemas tipo LeetCode e incluso muchas preguntas estándar de diseño de sistemas no siempre muestran cómo se desempeñará alguien en un entorno real.
La pregunta más importante pasa a ser: ¿puede esta persona comprender rápidamente el entorno, identificar qué vale realmente la pena arreglar y resolver el problema bajo restricciones reales?
En el futuro, las habilidades más importantes estarán ligadas a la selección de problemas y a la asignación de recursos.
Los agentes ya son fuertes a la hora de abordar problemas complejos que están claramente definidos. Las personas con mayor impacto serán aquellas que puedan identificar problemas importantes y luego asignar tiempo, atención, tokens, capacidad de cómputo y personas para resolverlos.
Muchos estudiantes se sienten desanimados cuando un agente puede resolver sus tareas. Pero los candidatos sólidos siguen diferenciándose mucho en la eficiencia con la que llegan a una buena solución. Las mejores personas suelen aportar intuición de alto nivel, conocimiento del dominio y contexto a la colaboración con el agente.
En la práctica, los candidatos con señales más sólidas suelen estar profundamente inmersos en entornos reales de resolución de problemas. A veces eso proviene de proyectos personales serios. A veces proviene de empresas de rápido crecimiento donde hay
hay problemas mucho más importantes que la cantidad de personas disponibles para resolverlos.
- Elige los problemas que más vale la pena abordar
Uno de los modelos mentales más útiles en la investigación en IA es “La Lección Amarga”. La idea central es que, a largo plazo, los métodos generales que escalan con la computación tienden a imponerse sobre los enfoques diseñados a mano y específicos para cada tarea.
Esa lección también se aplica a las carreras profesionales y a la elección de empresa.
Los resultados de las empresas y los resultados profesionales siempre han seguido leyes de potencia. La IA hace que esas leyes de potencia se manifiesten más rápido, porque crear software se ha vuelto mucho más fácil. Muchas personas ya pueden construir sistemas simples con rapidez. Eso significa que el valor duradero vendrá menos de simplemente construir algo y más de una concentración intensa en problemas realmente ambiciosos.
Al elegir una empresa, la pregunta no es solo si la empresa parece interesante en este momento. Pregúntate si está trabajando en un problema lo bastante grande como para importar, y si tiene un camino real para resolverlo.
Al elegir un puesto, pregúntate si ese puesto te sitúa cerca de la frontera del problema que la empresa intenta resolver.
Un buen puesto debería darte cercanía a las decisiones importantes, las compensaciones y las restricciones. Ahí es donde el aprendizaje se acumula.
- Recorre a toda velocidad el último tramo
Para las startups, Alfred Lin ha escrito sobre el 10% final: ese último 10% puede ser el 90% del trabajo, pero también el 90% de la recompensa.
La IA está haciendo que la calidad del trabajo esté más polarizada. El trabajo promedio es cada vez más fácil de producir, porque un agente más una instrucción básica ya pueden generar algo utilizable. Eso significa que la verdadera diferenciación proviene del gusto único, de una comprensión profunda del problema y de una atención seria al detalle.
El último tramo es donde esa diferencia se hace visible.
Ajustar bien los detalles finales requiere práctica. Nada sale perfecto en el primer intento, así que el último tramo normalmente implica iteración: pulir, probar, reconstruir, simplificar y mejorar.
Como los agentes de programación están mejorando rápidamente, el mejor camino no siempre es seguir parcheando sin fin la misma versión. A veces es mejor asimilar las lecciones de una iteración y luego empezar de nuevo con un modelo más reciente o una arquitectura más limpia.
Puedes practicar esto con tus propios proyectos. Dedica tiempo extra a mejorar la arquitectura. Piensa en la escalabilidad. Añade creatividad en lugar de detenerte en “funciona”. Los proyectos pequeños se vuelven mucho más valiosos cuando muestran criterio y capacidad de llevar algo a término, no solo rapidez.
Crea un sitio de presentacion y capta leads en minutos
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
- Mejora tanto tu xG como tu eficiencia de conversión
En el fútbol, xG significa goles esperados. Estima cuántos goles debería marcar un equipo en función de la calidad de sus ocasiones, usando factores como la distancia, el ángulo y la posición del portero.
Es una analogía útil para la carrera profesional.
Algunos movimientos de carrera aumentan tu xG: te colocan en una posición en la que es más probable que aparezcan grandes oportunidades. Pero la calidad de las oportunidades es solo la mitad de la ecuación. También necesitas eficiencia de conversión: la capacidad de convertir esas oportunidades en resultados reales.
Phil compartió que en 2023 rechazó ofertas de Anthropic y Cursor, y eligió en su lugar trabajar en inferencia y entrenamiento de modelos de frontera en DeepMind. En 2024, volvió a dejar pasar esas dos oportunidades y eligió OpenAI porque encajaba mejor con sus intereses, su cultura y
metas en ese momento.
Desde una perspectiva profesional, esas oportunidades alternativas tenían un xG alto. Pero la mejor elección depende de tu dirección personal, del equipo, del mercado y de lo que estás tratando de aprender.
Una carrera es larga. Las oportunidades vendrán y se irán. El objetivo no es decir que sí a todo lo que parezca impresionante. El objetivo es situarte en lugares donde las oportunidades significativas puedan llegar hasta ti, y luego tomar mejores decisiones cuando lo hagan.
La reputación y la experiencia siguen importando. Algunas oportunidades llegan porque la gente ya confía en tu trabajo. Otras llegan porque has dedicado tiempo real a problemas que a ciertos equipos les importan.
En algún momento, la vida no consiste solo en ver oportunidades. Consiste en convertirlas. Eso significa reunir suficiente información, hacer mejores preguntas y tomar decisiones con más contexto.
En las empresas en etapa temprana, los factores más importantes suelen ser el equipo y el mercado. Muchos candidatos se enfocan demasiado en el producto actual. Pero si el equipo es excepcional, el producto a menudo cambiará con el tiempo hacia algo mucho mejor.
- Ya Puedes Empezar a Hacer Investigación
Mucha gente pregunta cómo entrar en la investigación en IA. Un punto de partida útil es no esperar permiso.
No siempre necesitas capacidad de cómputo a escala de laboratorio de frontera para empezar. Un punto de partida sólido es usar modelos existentes y convertir tus propias intuiciones en evaluaciones. Si crees que un modelo falla en cierto tipo de razonamiento, flujo de trabajo o tarea, diseña una evaluación simple que lo capture.
Los rankings públicos de optimización y las comunidades abiertas de investigación también pueden hacer que la exploración sea más estructurada. Les dan a las personas una forma de poner a prueba ideas, comparar enfoques y aprender del fracaso.
La capacidad de cómputo ayuda, por supuesto. Pero la investigación comienza antes del cómputo masivo. Comienza con curiosidad, experimentos cuidadosos y el hábito de preguntarse por qué algo funciona o falla.
Muchas ideas fracasarán al escalarse. Eso es normal. Entender por qué fracasan es cómo construyes intuición sobre lo que realmente funciona.
Al final, ser investigador no es solo un cargo. Es una mentalidad.
Dentro de los laboratorios de frontera, la investigación suele combinar varias cosas:
- Curiosidad lo bastante fuerte como para explorar ideas nuevas.
- Disposición para pelear con la infraestructura hasta que la idea realmente funcione.
- Comprensión detallada del sistema para que los problemas puedan depurarse de manera eficiente.
- Comunicación clara sobre por qué el resultado importa, para que el equipo pueda justificar más cómputo y atención.
Puedes practicar estas cosas incluso si no estás dentro de un laboratorio de frontera.
El mundo todavía tiene muchas oportunidades abiertas. La clave es buscar problemas interesantes y luego entregar trabajo que esté claramente por encima del nivel por defecto.
Preguntas frecuentes
¿Cuál es el principal consejo profesional para los jóvenes en la era de la IA?
El consejo central es centrarse en trabajo que sea difícil de puntuar o automatizar directamente para los sistemas de IA. Eso incluye elegir problemas importantes, construir relaciones de confianza, desarrollar criterio y ejecutar bien los detalles finales.
¿Por qué encontrar problemas importa más a medida que los agentes de IA mejoran?
Los agentes de IA se están volviendo muy fuertes para resolver tareas claramente definidas. Eso hace que la capacidad de identificar el problema correcto sea más valiosa. Las mejores personas sabrán qué merece
atención antes de pedirle a un agente que lo resuelva.
¿Sigue siendo útil programar si la programación con agentes sigue mejorando?
Sí, pero el valor cambia. En lugar de limitarse a escribir código manualmente, quienes construyen necesitan comprender sistemas, guiar a los agentes, depurar resultados, diseñar mejores arquitecturas y decidir qué debería construirse en primer lugar.
¿Qué significa “recursos escasos” en este contexto profesional?
Los recursos escasos incluyen tiempo, relaciones, reputación y acceso a personas excelentes. El dinero y las herramientas básicas pueden volverse más fáciles de conseguir, pero las redes de confianza y la excelencia demostrada siguen acumulando valor con el tiempo.
¿Qué es la “última milla” en el trabajo de la era de la IA?
La última milla es el tramo final en el que un resultado promedio se convierte en uno excelente. Incluye probar, pulir, simplificar, mejorar la arquitectura y aportar el criterio que normalmente le falta a un resultado preliminar generado por IA.
¿Pueden los estudiantes empezar a hacer investigación en IA sin unirse a un laboratorio de frontera?
Sí. Los estudiantes pueden empezar usando modelos existentes, creando pequeñas evaluaciones, poniendo a prueba hipótesis y participando en benchmarks o clasificaciones abiertas. La investigación comienza con curiosidad y experimentos cuidadosos, no solo con un cargo o con acceso a gran capacidad de cómputo.
¿Cómo debería alguien elegir una empresa de IA en etapa temprana?
Fíjate en el equipo, el mercado y la ambición del problema. El producto actual importa, pero los equipos sólidos suelen cambiar y mejorar los productos con el tiempo. Un buen puesto también debería ponerte cerca del problema más importante de la empresa.
Herramientas relacionadas
- OpenAI: Una empresa de investigación y productos de IA que trabaja en modelos de frontera y sistemas de IA.
- Google DeepMind: La organización de investigación en IA de Google, centrada en inteligencia artificial avanzada.
- Scale AI: Una empresa de datos e infraestructura de IA vinculada a muchos flujos de trabajo de productos y modelos de IA.
- Anthropic: Una empresa de seguridad e investigación en IA, más conocida por Claude.
- Cursor: Un editor de código impulsado por IA, del que se habla a menudo en el contexto de la programación con agentes.
- Modal: Una plataforma de cómputo sin servidores para ejecutar cargas de trabajo de IA, datos y GPU.
- GitHub: Una plataforma para publicar código, implementaciones de investigación y benchmarks de código abierto.
Enlaces relacionados
- Artículo original de BAAI Hub: La página fuente en chino utilizada para este artículo reescrito.
- Artículo de Phil Chen en X: Career Advice in the Age of AI: El artículo original en X al que hace referencia la publicación de BAAI.
- The Bitter Lesson: El influyente ensayo de Richard Sutton sobre el escalado de métodos generales en IA.
- Alfred Lin: The Last 10%: Una publicación sobre por qué el tramo final de la ejecución puede generar la mayor parte de la recompensa.
- Vlad Feinberg: How to Land a Frontier Lab Job: Consejos profesionales para personas que aspiran a trabajar en laboratorios de IA de frontera.
- KellerJordan/modded-nanogpt: Una optimización pública y
Repositorio de speedrun de NanoGPT relevante para la práctica práctica de investigación en IA.
- Sitio web oficial de Modal: Una plataforma de cómputo mencionada en el contexto de facilitar la ejecución de experimentos de IA.
Resumen
Este artículo explica por qué el crecimiento profesional en la era de la IA depende menos de simplemente resolver los problemas asignados y más de encontrar problemas importantes, elegir entornos ambiciosos y construir el tipo de reputación que genera oportunidades de alta calidad.
También enfatiza que la programación agéntica cambia el valor del trabajo técnico. Los resultados promedio son cada vez más fáciles de producir, por lo que el criterio, el buen gusto, la comprensión de sistemas y la ejecución en la última milla se vuelven más importantes.
Para los jóvenes que se incorporan a la IA, el camino práctico está claro: pasar tiempo con personas excelentes, trabajar en problemas significativos, practicar una ejecución profunda y empezar a investigar mediante pequeños experimentos y evaluaciones.
En la era de la IA, la ventaja pertenece a quienes saben elegir los problemas adecuados y entregar un trabajo que va más allá de lo predeterminado.
