Creatividad en agentes de ingeniería de aprendizaje automático autónomo

Esta investigación presenta un marco para medir la creatividad en agentes de investigación de IA autónomos mediante la evaluación de su trabajo en tareas de ingeniería de aprendizaje automático. El estudio distingue entre la creatividad P, que se refiere a la novedad con respecto a los intentos previos del agente, y la creatividad H, que se refiere a la novedad en comparación con todo el historial de soluciones humanas. Mediante el uso de un modelo de aprendizaje automático como juez, los autores descubrieron que, si bien los agentes suelen explorar espacios de soluciones más singulares que los de los expertos humanos, tienen dificultades para convertir esta novedad en un rendimiento superior en la tarea. Los datos revelan una disminución generalizada de la creatividad P a medida que los agentes pasan de una exploración amplia a un refinamiento paramétrico más preciso. En definitiva, los hallazgos sugieren que los agentes de IA actuales carecen de las estrategias cognitivas necesarias para equilibrar eficazmente el pensamiento original con la utilidad práctica. Este trabajo proporciona métricas automatizadas validadas que pueden servir como señal de optimización para el desarrollo de sistemas de IA futuros más innovadores.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Can LLM Agents Discover? Evaluating Creativity on ML Engineering Tasks". Por Shitanshu Bhushan, Yunxiang Zhang, Lu Wang, de la Universidad de Michigan, Ann Arbor. Publicado el 30 de Agosto de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Imagina por un segundo que contrataste a este brillante científico de clase mundial. Y en su primer día en el laboratorio, inventa una cura completamente nueva que nunca antes se había visto para una enfermedad rara.

Alicia
¡Un gran avance, verdad?

Beto
Exacto, un avance absoluto. Pero luego, en lugar de probarla o publicarla o hacer avanzar el proyecto, solo pasan los siguientes ocho meses sentados en silencio en su escritorio cambiando laboriosamente el tamaño de las letras en la etiqueta de los medicamentos.

Alicia
Solo ajustándolo sin fin.

Beto
Correcto. Como, de Arial 11 a Arial 12, luego a veces nueva Roman 11.5. Y una y otra y otra vez. Y quiero decir, por salvaje que suene, ese escenario describe perfectamente lo que están haciendo los modelos de IA más avanzados de hoy cuando se les deja a su suerte.

Alicia
Es una imagen impactante, pero realmente captura la realidad actual de manera perfecta. Quiero decir, estamos constantemente inundados con esta narrativa sobre científicos de IA autónomos.

Beto
Oh, por donde mires, sí.

Alicia
Correcto. La promesa siempre es que simplemente le puedes dar una instrucción a una IA, irte, y ella simplemente inventará algoritmos completamente nuevos desde cero. O hará el trabajo de un investigador experimentado mientras tú duermes.

Beto
Y si estás escuchando esto como alguien que ama aprender pero realmente odia el bombo publicitario, probablemente quieras saber lo que está pasando realmente bajo el capó. ¿Son estos agentes de IA tan promocionados realmente creativos? ¿O son solo motores de remix increíblemente rápidos que barajan conocimiento humano?

Alicia
Lo cual es exactamente en lo que se adentra esta nueva investigación.

Beto
Sí, así que bienvenidos al análisis profundo de hoy. Vamos a desempacar un artículo reciente y fascinante de investigadores de la Universidad de Michigan. Se titula: "¿Pueden los agentes de LLM descubrir?: Evaluando la creatividad en tareas de ingeniería de ML."

Alicia
Y esta investigación es honestamente solo un soplo de aire fresco porque finalmente, finalmente pone números empíricos duros a este concepto subjetivo y esquivo de la creatividad de la máquina.

Beto
Porque generalmente es solo un juego de adivinanzas.

Alicia
Exacto. Y no están probando si una IA puede, por ejemplo, calificar un correo electrónico educado o resumir un PDF. Lanzaron a estos agentes en el fondo con competiciones de aprendizaje automático de Kaggle del mundo real. Que son, ya sabes, algunos de los problemas de ciencia de datos más difíciles que hay.

Beto
Okay. Así que vamos a desgranarlo. Nuestra misión hoy es desglosar exactamente cómo estos investigadores cuantificaron la creatividad de la IA. Porque lo que encontraron revela esta enorme, simplemente contraintuitiva brecha entre una IA que se genera una idea nueva y salvaje y la IA que realmente hace que esa idea funcione.

Los agentes de IA superan la novedad humana

Alicia
Pero para hacer eso, creo que primero tenemos que estar de acuerdo en lo que realmente significa la creatividad cuando hablamos de una máquina escribiendo código.

Beto
Claro. Porque ese es el obstáculo fundamental. Pídele a 10 personas que definan la creatividad. Obtienes 10 respuestas diferentes.

Alicia
Sí. Exacto. Así que los investigadores fundamentaron su experimento en este marco psicológico muy específico y bien establecido de Margaret Boden.

Beto
El marco de Boden.

Alicia
Claro. En el modelo de Boden, para que algo sea considerado verdaderamente creativo, debe poseer dos cualidades distintas e innegociables. La primera es la originalidad, que llamaremos novedad. Y la segunda es la utilidad, que llamaremos impacto.

Beto
Porque si solo tienes una sin la otra, en realidad no estás descubriendo nada.

Alicia
No, nada.

Beto
Así que para ti que estás escuchando, piénsalo como construir un tipo de vehículo nuevo. Si yo diseño un coche con ruedas cuadradas hechas de espagueti congelado, ...

Alicia
... bueno, eso es definitivamente original.

Beto
Claro. Es muy novedoso. Pero es completamente inútil. No tiene ningún impacto positivo en el transporte. Pero por otro lado, si construyo un Toyota Camry estándar y confiable, es increíblemente útil. Pero no hay absolutamente nada novedoso en él.

Alicia
Sí, es solo un Camry. El descubrimiento científico verdadero requiere ambas cosas. Necesita la novedad de un nuevo paradigma y la utilidad práctica del Camry.

Beto
Y ese aspecto de utilidad es crucial, ¿verdad? La novedad sin impacto es solo ruido estadístico.

Alicia
Lo es realmente. Los investigadores quieren ir más allá para aislar cómo opera la novedad en una máquina. Descompusieron la novedad en dos categorías específicas. La primera es la creatividad p-, que significa "novedad psicológica".

Beto
La novedad psicológica, comprendido.

Alicia
Bien. Y esto básicamente pregunta, "¿es esta idea nueva para el propio agente basada en su estado interno y sus intentos pasados durante esta sesión específica de lluvia de ideas? ¿Se está sorprendiendo a sí misma?"

Beto
Así que esencialmente está midiendo el crecimiento personal de la IA, donde es su tasa de giro interno en una sola ejecución.

Alicia
Exacto.

Y luego la segunda categoría es la creatividad h- o novedad histórica.

Beto
Okay, "histórico" significa "comparado con nosotros".

Alicia
Claro. Se aleja mucho más. Pregunta, ¿es esta idea nueva comparada con todo el cuerpo de soluciones humanas registradas? ¿Alguna persona en algún lugar en la historia documentada de este problema ha intentado este enfoque específico?

Beto
Así que la creatividad p- es la IA sorprendiéndose a sí misma. Y la creatividad h- es la IA sorprendiendo a la humanidad.

Alicia
Esa es una gran manera de decirlo.

Beto
Pero espera, eso instantáneamente plantea una enorme bandera roja logística para mí. ¿Cómo mides matemáticamente una idea novedosa en, digamos, millones de líneas de código Python generado por IA? Quiero decir, podría juzgar si un diseño de tarjeta es novedoso, pero el código es increíblemente denso y sutil.

Alicia
Oh, ha sido el mayor obstáculo en este tipo de investigación histórica. El juicio humano es obviamente el estándar de oro para evaluar el código, pero físicamente no puedes pagar a suficientes expertos humanos para leer miles y miles de iteraciones incrementales de código de IA.

Beto
Claro. Nadie tiene el tiempo ni el presupuesto para eso.

Alicia
Exacto. Así que para resolver esto, los investigadores construyeron un LLM como tubería de juez. Usaron un modelo de frontera, específicamente GPT-5, para actuar como un evaluador automatizado.

Beto
Oh, usaron GPT-5 para calificar a los otros modelos.

Alicia
Sí. Y le alimentaron una rúbrica estricta en una escala de 0 a 4.

Beto
Y esta escala se dirigió específicamente a los cambios estructurales, ¿verdad? No solo a pequeños cambios.

Alicia
Sí. Exacto. Y entonces, una calificación de 0 significa que la IA solo estaba haciendo pequeños cambios de parámetros rutinarios. Básicamente cambiando el tamaño de la letra, usando tu analogía anterior.

Beto
Claro, de Arial 11 a 12.

Alicia
Sí. Pero un 4 significa que la IA había transformado completamente su enfoque, como intercambiando un modelo estadístico tradicional por una red neuronal de aprendizaje profundo, cambiando fundamentalmente la representación del problema.

Beto
Y aquí está la parte loca. Esa calificación automatizada realmente funcionó. Y como el juez de IA no solo estaba alucinando, los investigadores hicieron que expertos humanos en aprendizaje automático calificaran una muestra aleatoria de estas iteraciones de código.

Alicia
Sí. La prueba de ambiente.

Beto
Exacto. Y luego compararon las puntuaciones humanas con las puntuaciones de los jueces GPT-5. Y la puntuación de correlación fue 0.732.

Alicia
Lo cual es enorme.

Beto
Lo es. Eso significa que el juez de IA y los expertos humanos estuvieron en sincronía, casi exactamente, sobre lo que constituía una creatividad.

Alicia
Y esa alta correlación fue realmente la clave para desbloquear todo el estudio. Como demostraron que podían automatizar de manera confiable la medición de la creatividad p sin perder precisión, pudieron escalar el experimento masivamente. Finalmente pudieron observar el ciclo de vida de la creatividad de la máquina en tiempo real.

Beto
Así que tenemos nuestra vara de medir. Ahora veamos el auténtico desafío que construyeron estos investigadores. Tomaron 10 tareas diferentes de ingeniería de aprendizaje automático derivadas de MLE Bench.

Alicia
Claro. MLE Bench.

Beto
Y solo como contexto, para cualquiera que esté escuchando, MLE Bench es esencialmente una lista curada de competiciones pasadas de Kaggle. Y Kaggle es donde las empresas publican conjuntos de datos increíblemente difíciles, como diagnosticar enfermedades a partir de imágenes o predecir tendencias del mercado bursátil. Y ofrecen grandes premios en efectivo por los mejores algoritmos.

Alicia
Así que estos no son problemas de juguete. Son desafíos duros, desordenados, de ciencia de datos del mundo real.

Beto
Exacto.

Alicia
Para abordar estos, usaron marcos de agentes especializados, específicamente cosas como AIDE y OpenHands.

Beto
Y solo para no quedar atrapados en acrónimos, estos marcos son básicamente entornos de software.

Alicia
Sí, prácticamente.

Beto
Envuelven modelos como GPT-5 o Qwen-3, dándole a la IA una terminal, un intérprete de Python y un sistema de archivos. Le permite a la IA actuar como un ingeniero de software sentado en una computadora en lugar de solo un chatbot escupiendo texto.

Alicia
Esa es una manera realmente genial de visualizarlo. El marco le da a la IA manos para escribir, esencialmente. Así que los investigadores dieron a estos agentes un presupuesto estricto de ocho horas para intentar hasta 10 episodios en un problema dado.

Beto
Y un episodio es un ciclo iterativo completo, ¿verdad?

Alicia
Sí. El agente lee el problema, hace un plan estratégico, escribe el código, lo ejecuta y obtiene una puntuación de rendimiento. Y mira esa puntuación, actualiza su contexto y comienza el siguiente episodio.

Beto
Y ver cómo se desarrolla ese ciclo durante ocho horas es realmente donde vemos lo que podríamos llamar "el fenómeno de la IA perezosa". Aunque quiero decir, cuanto más profundizamos, creo que "perezoso" es probablemente la palabra equivocada.

Alicia
"Terco" es probablemente mejor.

Beto
Sí, "terco". Porque cuando rastreas la trayectoria de esa creatividad interna pico a través de esos 10 episodios, cae universalmente como una roca.

Alicia
Lo hace realmente. En todos los modelos en todos los marcos.

Beto
Claro. Los agentes comienzan explorando estrategias muy diferentes. Su pico de creatividad es altísimo en los episodios uno y dos. Pero normalmente para el episodio tres o cuatro, encuentran una solución que produce una puntuación aceptable, y dejan de explorar por completo. Cambian de exploración a modo de explotación pura.

Alicia
Simplemente entran en un túnel de visión extremo. Y para entender por qué, los investigadores usaron un modelo diferente, DeepSeek V3.2, para realizar un análisis de comportamiento cognitivo en los agentes.

Beto
Como un terapeuta de IA.

Alicia
Algo así. Sí. Básicamente leyeron los registros de razonamiento internos. El monólogo interno de la IA, por así decirlo, en cada etapa. Y encontraron que durante los primeros episodios, alrededor del 75% de los pensamientos internos de la IA se centran en la exploración estratégica amplia.

Beto
Se está preguntando a sí misma, "¿debería probar un modelo basado en árboles? ¿Debería procesar los datos de manera diferente?"

Alicia
Exacto. Pero para el final de la ejecución de ocho horas, más del 50% de su monólogo interno es consumido por lo que llaman "refinamiento paramétrico".

Beto
Solo ven aquí, los pernos.

Alicia
Ajustando los pernos.

Beto
Okay. Quiero plantear un argumento de diablo por un segundo, porque creo que necesitamos mirar esto prácticamente. Si tú o yo estamos tratando de resolver un acertijo complejo, o escribir un plan de negocios, y encontramos un marco que finalmente produce resultados decentes, no lo tiramos y empezamos de nuevo cada vez.

Alicia
No, por supuesto que no.

Beto
Lo optimizamos. Ajustamos las variables. Lo refinamos. Entonces, ¿por qué se considera un defecto estructural cuando la IA hace exactamente lo mismo?

Alicia
Bueno, lo fascinante aquí es el tiempo y el resultado de ese cambio. Para la IA, este giro hacia la optimización sucede demasiado pronto, y críticamente, tiene cero correlación con ganancias reales de rendimiento.

Beto
Oh, ¿así que está optimizando sin mejorar realmente?

Alicia
Precisamente. Cuando un experto humano optimiza, generalmente posee conciencia meta. Entienden la topología del espacio del problema. Un humano se da cuenta, "okay, ajustar esta tasa de aprendizaje por 0.001 ya no está mejorando mi precisión. Necesito alejarme, girar y probar un enfoque radicalmente diferente".

Beto
Y la IA simplemente carece de eso.

Alicia
Le falta completamente esa conciencia meta, sí.

Beto
Así que no sabe cuándo ha escalado una pequeña colina y necesita bajar para encontrar la montaña real.

Alicia
Eso es exactamente. Optimizar por creatividad p- solo obliga a la IA a ser diferente por el bien de ser diferente, no conduce naturalmente a mejores puntuaciones. Pero dejarla caer en su propia preferencia de ajustar parámetros sin fin, tampoco funciona. Simplemente carece de la intuición humana de cuándo cambiar de marcha entre explotación y exploración.

Beto
No es perezoso. Es simplemente terco. Se queda atrapada en un mínimo local y se niega a irse. Pero sabes, si la IA es tan ciega a sus propios platillos personales, realmente te hace preguntarte si nuestras ideas iniciales son buenas para empezar.

Alicia
Oh, sí.

Beto
¿Cómo se comparan estas ideas generadas por el agente con la enorme base de datos de ideas humanas?

Alicia
Aquí es donde el artículo entrega su hallazgo más impactante, honestamente. Cuando midieron la creatividad del agente, cuán novedosas eran las soluciones de la IA en comparación con cada enfoque documentado que los científicos de datos humanos intentaron en esas competiciones específicas de Kaggle, GPT-5 exploró espacios de solución significativamente más novedosos que los humanos.

Beto
Espera, ¿de verdad?

Alicia
Sí. Incluso más que los humanos ganadores de la medalla de oro.

Beto
Eso es una afirmación asombrosa. Así que la IA está inventando cosas que los expertos humanos ni siquiera pensaron.

Alicia
Sí, consistentemente. Quiero decir, en promedio, los competidores humanos de élite que ganaron medallas de oro obtuvieron alrededor de 0.744 en la escala de novedad histórica. GPT5 obtuvo casi el doble, promediando 1.423.

Beto
El doble de novedad.

Alicia
La IA estaba generando rutinariamente enfoques metodológicos complejos que los expertos humanos nunca habían documentado que lo hubieran intentado.

Beto
Pero quiero decir, si está inventando ideas que son el doble de novedosas que los ganadores de medallas de oro humanos, ¿por qué los agentes de IA no están ganando cada competición de Kaggle en la Tierra ahora mismo?

Alicia
Debido a esa misma brecha entre la novedad y la utilidad de la que hablamos antes, a pesar de esta enorme creatividad histórica, a pesar de trazar estos territorios totalmente inexplorados, solo el 21.25% de las ejecuciones de GPT5 lograron un rendimiento a nivel de medalla en la tarea real.

Beto
Oh, vaya. Así que tenían la brillantez, pero no la ejecución.

Alicia
Exacto.

Beto
Aquí es donde se pone realmente interesante, sin embargo, porque los investigadores destacan un ejemplo específico y muy memorable de esto en las fuentes que quiero explicarte. Fue una competición de Kaggle llamada "Tarea de Clasificación de Enfermedades de Hoja de Cassava".

Alicia
Oh, me encanta este ejemplo.

Beto
Es tan bueno. Así que el objetivo es escribir un algoritmo que mire fotos de hojas de cassava y diagnostique qué enfermedad tienen. Es increíblemente difícil porque las imágenes a menudo están borrosas, ampliadas o mal iluminadas.

Alicia
Sí, es un problema clásico de visión por computadora con datos del mundo real muy desordenados.

Beto
Claro. Así que vimos al agente comenzar su ejecución en el episodio cero. Actúa totalmente normal usando un enfoque de clasificador Rich estándar. Para ponerlo en inglés sencillo, solo está tratando de dibujar una línea matemática simple para separar las hojas enfermas de las sanas.

Alicia
Muy estándar, muy poca novedad.

Beto
Exacto. Para los episodios uno y dos, comienza a explorar un poco, trayendo un modelo llamado "Light GBM", que usa árboles de decisión. Y de nuevo, esta es una preparación humana muy estándar.

Alicia
Sí, siguiendo el camino bien transitado de los científicos de datos humanos.

Beto
Pero luego, en el episodio tres, el agente aparentemente tiene un momento eureka. Inventa un enfoque genuinamente fundamentalmente novedoso. Mantiene los árboles de decisión, pero luego añade algo llamado "aumento de tiempo de prueba y promediado de inversión".

Alicia
Y si no eres ingeniero de aprendizaje automático, esto es lo que realmente significa. En lugar de solo mirar una foto de una hoja una vez y adivinar, la IA escribió código para tomar la imagen, voltearla, reflejarla, hacer zoom y cambiar los colores.

Beto
Oh, así que forza al modelo a diagnosticar la hoja desde una docena de ángulos distorsionados antes de hacer una suposición promedio final.

Alicia
Exacto, lo cual es una técnica increíblemente sofisticada. Fue una combinación que literalmente ningún humano en toda la historia de esa competición de Kaggle había intentado.

Beto
Ni uno solo.

Alicia
No. El juez LLM la evaluó y le dio una puntuación de creatividad H perfecta de cuatro. Fue fundamentalmente históricamente novedoso, un verdadero avance en el espacio de búsqueda.

Beto
Fue puro genio. Pero luego la tragedia de la IA perezosa golpea porque durante los siguientes seis episodios consecutivos, desde el episodio cuatro hasta el nueve, el agente simplemente se queda ahí.

Alicia
... sin hacer nada.

Beto
Básicamente. Tiene este increíble marco novedoso, pero pasa el resto de su presupuesto de ocho horas haciendo pequeños ajustes inútiles a los hiperparámetros. Cambia la variable de 0.1 a 0.15, luego de vuelta a 0.1.

Alicia
Su creatividad interna pico cae a cero absoluto.

Beto
Claro. Y predeciblemente, su puntuación de rendimiento apenas se mueve. La IA fue lo suficientemente valiente como para trazar territorio completamente nuevo, pero carecía del sentido común para darse cuenta de que había navegado su barco directamente hacia un callejón sin salida. Simplemente dejó el ancla y se negó a moverse.

Alicia
Lo cual plantea una pregunta importante: ¿por qué sucede esto?

Cuando los investigadores analizaron los datos, encontraron que después de que un agente alcanza un estado altamente novedoso, el 87% de las veces, solo intenta refinarlo.

Beto
Simplemente se niega a pivotar.

Alicia
Casi nunca abandona una idea novedosa fallida para intentar algo más. Y casi nunca regresa a una base humana segura y probada. Simplemente talla obstinadamente un muro de ladrillos.

Beto
Así que si sabemos que la IA se está quedando atrapada en estos callejones sin salida, el siguiente paso obvio es descubrir cómo arreglarlo, ¿verdad? Si la estrategia de búsqueda está rota, ¿cómo guiamos mejor al agente?

Alicia
Y los investigadores tenían exactamente el mismo pensamiento. Querían saber si este era solo un problema con la forma en que el agente estaba buscando en el espacio de posibilidad. Así que probaron rigurosamente diferentes estrategias de búsqueda dentro del marco.

Beto
Okay. ¿Qué probaron?

Alicia
Bueno, comenzaron con una búsqueda codiciosa, que es el enfoque más básico. Básicamente simplemente toma lo que parece ser el siguiente paso inmediato mejor.

Beto
Lo cual naturalmente conduce a una visión de túnel.

Alicia
Claro. Así que escalaron a métodos mucho más sofisticados. Intentaron la búsqueda en árbol Monte Carlo.

Beto
Oh, MCTS.

Alicia
Sí. Y para contexto, esta es la clase de estrategia de vistazo utilizado en las IAs de juego como AlphaGo. Es como un gran maestro de ajedrez, visualizando 14 futuros ramificados, evaluando la probabilidad de ganar en cada camino antes de hacer un solo movimiento.

Beto
Okay. Eso suena mucho mejor que la "búsqueda codiciosa" ("greedy search").

Alicia
Lo es. Y luego también probaron la "búsqueda evolutiva" ("evolutionary search"), que imita la selección natural. Básicamente lanza cien ideas mutadas al azar contra un muro, mata a las peores y solo deja que los mejores competidores críen para crear la próxima generación de código.

Beto
Esas dos suenan increíblemente robustas. Así que ¿cuál logró mantener alta la creatividad p?

Alicia
Ninguna de ellas.

Beto
Espera, ¿ninguna?

Alicia
Ninguna. Esta es honestamente la conclusión más crucial del estudio. Todas estas estrategias de búsqueda sofisticadas resultaron en la misma caída estructural en la creatividad. Todas se quedaron atascadas en los mismos recorridos, ajustando parámetros sin fin.

Beto
Así que si la estrategia de búsqueda no es el problema, tiene que ser el entorno en el que está operando la IA. La arquitectura que la sostiene, como la memoria que impulsa el andamiaje.

Alicia
Has dado en el clavo. Los investigadores concluyeron que la causa raíz es el andamiaje. Y el andamiaje es toda la arquitectura subyacente del agente. Dicta cómo el agente recuerda sus acciones pasadas, cómo muta su código de un paso a otro, y cómo evalúa su trayectoria histórica.

Beto
Así que ¿cómo forza exactamente el andamiaje a caer en este problema?

Alicia
Realmente se reduce a la ventana de contexto. Un agente LLM no tiene un cerebro humano que pueda mantener casualmente un mapa intuitivo y extenso de un proyecto de tres meses. Está estrictamente limitado por su ventana de contexto. La cantidad de texto que puede mantener en su memoria activa en un momento.

Beto
Oh, ya veo.

Alicia
Sí, a medida que los episodios se acumulan, los registros de sus primeros intentos exploratorios son expulsados de su memoria. Literalmente olvida los matices del panorama amplio que exploró hace unas pocas horas, y se obsesiona totalmente con el código específico que está justo frente a él en la instrucción actual.

Beto
Así que el andamiaje forza un sesgo de memoria a corto plazo, lo que inevitablemente conduce a ajustes codiciosos a corto plazo.

Alicia
Exacto.

Beto
¿Qué significa todo esto, para los que escuchan?

Alicia
Si eres desarrollador, o investigador, o simplemente alguien que intenta usar agentes de IA para resumir grandes conjuntos de datos, hacer una lluvia de ideas de estrategias de marketing, o escribir código, necesitas internalizar este hallazgo. Todavía no puedes confiar en estos agentes para descubrimientos autónomos de principio a fin.

Beto
Realmente no puedes.

Alicia
Simplemente no puedes escribir una instrucción brillante, irte por ocho horas, y esperar volver con un gran avance de mitad de camino. Debido a ese problema del andamiaje, tienes que ser la señal del techo.

Beto
Esa es la forma perfecta de expresarlo. Tienes que actuar como la conciencia meta, lo que le falta a la IA. Cuando estás usando una herramienta de IA y notas que solo te está dando ligeras variaciones estilísticas de la misma respuesta exacta.

Alicia
"Arial 11" a "Arial 12". Cuando la ves entrando en esa fase de refinamiento paramétrico, tienes que intervenir forzosamente. El artículo sugiere explícitamente que los profesionales humanos necesitan inyectar artificialmente lo que llaman "bonos de novedad".

Beto
Así que, ¿cómo se ve un "bono de novedad" en la práctica para nuestro oyente? ¿Es solo decirle a la IA que se esfuerce más?

Alicia
No, no. Tiene que ser mucho más disruptivo que eso. Tienes que forzar activamente a tus herramientas de IA a adoptar una perspectiva totalmente diferente, esencialmente rompiéndolas de su ventana de contexto.

Beto
Como sacarlas de ella.

Alicia
Sí. Podrías necesitar pedirle que "descarte todo lo que acabamos de hacer en los últimos cinco prompts, y aborde este problema desde la perspectiva de un biólogo evolutivo". O, "dame una solución que se base completamente en un lenguaje de programación diferente".

Beto
Porque la exploración pura falla ya que nunca optimiza. Pero la explotación pura falla porque se queda atrapada en mínimos locales como nuestro ejemplo de hoja de cassava.

Alicia
Precisamente. La intervención humana sigue siendo absolutamente necesaria para equilibrar las dos. Tienes que gestionar la creatividad p del agente.

Beto
Es una realidad fascinante. Quiero decir, seguimos mirando las noticias esperando ver a un científico de IA totalmente autónomo. Lo que realmente tenemos ahora es un asistente de laboratorio brillante, incansable, pero increíblemente terco.

Alicia
Muy terco.

Beto
Puede generar ideas que son completamente ajenas a los expertos humanos. Esa alta creatividad p es muy real, y es espectacular de presenciar. Pero carece totalmente de la resiliencia psicológica, la creatividad p, para saber cuándo abandonar una idea estancada. Realmente demuestra que el verdadero descubrimiento científico es mucho más que navegar por un espacio de búsqueda matemática.

Alicia
Requiere intuición, frustración y honestamente la sabiduría para saber cuándo rendirse y empezar de nuevo. Y si conectamos esto con el panorama general, requiere una comprensión del contexto más amplio del problema y la historia del dominio, algo que actualmente falta en el andamiaje del agente.

Beto
Y eso me lleva a un concepto final para reflexionar. Construyendo directamente sobre las limitaciones que notaron estos investigadores sobre la ventana de contexto.

Ahora, una de las principales razones por las que la creatividad p de la IA se desploma es porque su memoria está restringida. Empieza a olvidar sus propios intentos exploratorios porque solo puede retener tanta información.

Alicia
Se asienta en lo que está justo frente a él porque eso es todo lo que puede ver claramente.

Beto
Claro. La limitación de la ventana de contexto actúa como un vendaje forzado. Pero piensa en hacia dónde se dirige la tecnología. Estamos viendo modelos con ventanas de contexto que se expanden hasta los millones de tokens.

Alicia
Se está moviendo rápido.

Beto
Entonces, ¿Qué sucede en dos, tres o cinco años cuando estos agentes tienen esencialmente memoria infinita?

¿Cuando una IA pueda mantener un estado perfecto, comprimido e instantáneamente accesible de cada idea fallida que la humanidad haya tenido jamás, junto a cada idea fallida que jamás haya intentado?

Alicia
Esa es una idea salvaje.

Beto
Si tenemos toda la historia de los fracasos perfectamente mapeada en la punta de los dedos, podrá esto darle a la IA la conciencia meta que necesita para dejar de ajustar y empezar a inventar? ¿O el peso aplastante de la historia humana simplemente atrapará a estos modelos en el bloqueo creativo definitivo, incapaces de moverse en ninguna dirección porque saben exactamente cómo termina cada pasada?

Alicia
Es una pregunta profunda sobre la naturaleza de la innovación misma. Quiero decir, a menudo asumimos que la memoria perfecta es un activo, pero a veces la ignorancia humana de los fracasos pasados es exactamente lo que nos permite ser lo suficientemente audaces para intentar algo loco, algo que podría funcionar esta vez.

Beto
Es la paradoja definitiva del conocimiento.

Bueno, gracias por acompañarnos en esta inmersión profunda en las verdaderas mecánicas de la creatividad de la IA. Te animamos encarecidamente a seguir explorando las fuentes, a intentar aplicar algunos de estos bonos de novedad a tus propios flujos de trabajo, y a probar estos límites con tus propias herramientas de IA. Recuerda ser la señal del techo. Te esperamos en el próximo análisis profundo.

¿Qué hace a un experto?

Esta investigación analiza las diferencias en los flujos de trabajo de resolución de problemas entre científicos de datos principiantes y expertos, mediante el análisis de 440 cuadernos Jupyter a través de un análisis de secuencias multinivel. Los autores descubrieron que, si bien ambos grupos siguen transiciones generales similares entre fases como la limpieza de datos y el entrenamiento de modelos, sus estructuras estratégicas generales y patrones de codificación detallados varían significativamente. Los principiantes suelen seguir procesos largos y lineales, mientras que los expertos utilizan ciclos iterativos más cortos y secuencias de acciones más eficientes para refinar sus soluciones. Estos hallazgos sugieren que la formación en ciencia de datos debería alejarse de la instrucción rígida y paso a paso para cultivar un pensamiento flexible y adaptativo. Este cambio es cada vez más importante, ya que las herramientas de IA generativa pueden fomentar, sin querer, un enfoque superficial de la resolución de problemas entre los estudiantes. En definitiva, el estudio destaca que la pericia se define por cómo un profesional gestiona el proceso, y no solo por el código final producido.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "What makes an Expert? Comparing Problem-solving Practices in Data Science Notebooks", por Manuel Valle Torre y colegas. Publicado el 17 de Febrero de 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Alicia
Bienvenidos a un nuevo análisis profundo. Hoy abordamos una pregunta realmente masiva desde el principio. Quiero decir, ¿qué separa realmente a un experto de un aficionado?

Beto
Correcto. Y lo más importante, ¿cómo capturas esa diferencia cuando gran parte de lo que hace un experto es totalmente invisible?

Alicia
Exacto. Imagínate esto por un segundo. Le das a un chef maestro y a un cocinero casero la misma receta para un pastel complejo y de múltiples capas.

Beto
Está bien, estoy contigo.

Alicia
Les das los mismos ingredientes, el mismo horno, las mismas herramientas. Y al final del día, ambos podrían producir un pastel que sepa bastante bien.

Beto
Correcto. Porque no puedes saborear el flujo de trabajo. Solo saboreas el pastel.

Alicia
Exacto. Pero si te sientas en la esquina y solo los observas trabajar, verás que cómo se mueven por esa cocina será radicalmente diferente.

Beto
Oh, absolutamente.

Alicia
El cocinero casero probablemente esté revisando la receta frenéticamente cada dos minutos, dejando un rastro enorme de harina por todas partes.

Beto
Probablemente esté usando cada tazón de mezcla que tiene.

Alicia
Sí, exactamente. Pero el chef maestro opera en una realidad totalmente diferente. Su flujo de trabajo es increíblemente fluido. Está limpiando a medida que va. Anticipa el siguiente paso antes incluso de terminar el actual.

Beto
Y sabe exactamente cuándo pivotar, si la masa se ve, digamos, un poco demasiado seca.

Alicia
Correcto. Eso es eficiencia. Es total confianza. Y sin embargo, es completamente invisible en ese producto final.

Beto
... que es exactamente donde reside la verdadera pericia. Está compuesta por esas habilidades tácitas, casi automáticas, que son increíblemente difíciles de plasmar en un libro de texto. Siempre calificamos el pastel, pero rara vez calificamos el movimiento alrededor de la cocina.

Alicia
... lo que nos lleva perfectamente a nuestra misión de hoy. Estamos haciendo un análisis profundo en el equivalente digital de esa cocina. Tenemos un artículo de investigación fascinante de febrero de 2026 de la Universidad Tecnológica de Delft.

Beto
Sí, este estudio es brillante. Básicamente, descubrieron una forma de colocar un dispositivo de seguimiento digital en los chefs del mundo tecnológico. Los científicos de datos.

Alicia
Correcto. Para ver exactamente cómo se mueven por sus espacios de trabajo, tomaron 440 cuadernos de Jupyter de una gran competencia de Ciencia de Datos de Kaggle.

Beto
Y para rastrear los detalles, fue el desafío de clasificación de preguntas insinceras de Quora.

Alicia
Correcto. Así que se trata de un problema muy complejo del mundo real.

Beto
Exacto. Y su objetivo aquí era increíblemente ambicioso. Decidieron no solo mirar el código final para ver si el modelo de IA resultante era preciso. Querían decodificar empíricamente el proceso de resolución de problemas en sí mismo.

Alicia
Están preguntando qué separa realmente a un experto de un novato mientras se adentran en el barro de un problema, línea por línea, celda por celda.

Beto
Correcto. Mientras la harina todavía estaba volando por la cocina.

Alicia
Exacto. Así que para quienes nos escuchan, ya sea que sean científicos de datos mirando un conjunto masivo de datos, un gerente tratando de construir un equipo altamente cualificado, o simplemente alguien que ama aprender, este es el atajo definitivo.

Beto
Porque entender la mecánica oculta de la pericia es cómo dominas literalmente cualquier habilidad compleja.

Alicia
Exacto. Además, más adelante, exploraremos cómo la inteligencia artificial moderna y generativa está creando inadvertidamente algunas trampas ocultas masivas para los estudiantes hoy en día.

Beto
Sí. Esa parte va a sorprender a algunas personas.

Alicia
Seguro. Pero para empezar, tenemos que comenzar con una imagen general. ¿Cómo empezaron estos investigadores a mapear algo tan abstracto como el proceso de pensamiento de un científico de datos?

Beto
Bueno, comenzaron tratando de mapear el viaje amplio de la resolución de problemas para lograrlo. Tomaron 11 fases técnicas muy granulares.

Alicia
Como ¿qué específicamente?

Beto
Cosas como la extracción de datos, el análisis exploratorio de datos, el entrenamiento del modelo, esa clase de cosa. Y las categorizaron en cinco etapas cognitivas generales.

Alicia
Correcto. Así que haciendo zoom out del código específico, hacia el pensamiento real detrás de él.

Beto
Exacto. Esas cinco etapas son definición del problema, recopilación de datos, registro de datos, interpretación y, finalmente, reflexión.

Alicia
Eso tiene mucho sentido. Quieres ver los engranajes cognitivos subyacentes girando, no solo registrar que alguien presionó la tecla de entrada. Quieres saber qué están recopilando de información o sobre lo que están reflexionando.

Beto
Correcto. Y así, la hipótesis era que los expertos deben navegar estas cinco etapas cognitivas fundamentalmente de manera diferente a los novatos.

Alicia
Claro. Asumirías que los profesionales tienen un sistema totalmente diferente.

Beto
Exacto. Para probar esto, aplicaron técnicas llamadas "modelos de Markov y minería de procesos".

El camino hacia la maestría: cómo los principiantes y los expertos resuelven problemas de ciencia de datos

Alicia
Está bien, desglosémoslo. Para aquellos de nosotros que no pasamos nuestros fines de semana construyendo modelos de Markov, ¿qué están haciendo exactamente esas herramientas con los datos?

Beto
Buena pregunta. Piensa en un modelo de Markov como una forma de mapear la probabilidad matemática del movimiento.

Alicia
Como predecir su siguiente paso.

Beto
Básicamente, sí. Si estás actualmente en la fase de recopilación de datos, ¿cuál es la probabilidad estadística exacta de que tu próximo movimiento sea avanzar a la interpretación?

Alicia
Ah.

Beto
En contraste con la probabilidad de ir hacia atrás a la definición del problema. Minería de procesos construye sobre eso creando un mapa visual holístico. Se parece casi a un mapa de metro de las rutas más comunes a través de un flujo de trabajo.

Alicia
Así que estaban buscando el flujo de trabajo experto canónico. Asumieron que los maestros de esta competencia de Kaggle tendrían esta secuencia distinta y altamente optimizada de pasos.

Beto
Correcto. La salsa secreta. Un mapa de ruta oculto que los grandes maestros siguen. Algo radicalmente diferente de la guía estándar para principiantes.

Alicia
¿Y qué encontraron?

Beto
Bueno, aquí está el giro. No hay uno.

Alicia
Espera, ¿de verdad?

Beto
Sí. Cuando mapearon las transiciones inmediatas de fase a fase, los novatos y los expertos parecían casi idénticos.

Alicia
Estás bromeando.

Beto
No. Se mueven entre estas fases cognitivas de alto nivel de manera casi exactamente igual.

En la ciencia de datos, existe un estándar de la industria famoso llamado "el modelo CRISP-DM".

Alicia
Correcto. El flujo de trabajo de libro de texto estándar.

Beto
Exacto. Es este flujo de trabajo lineal altamente idealizado. Empiezas con la comprensión del negocio, pasas a la comprensión de los datos, luego a la preparación, modelado, evaluación y despliegue.

Alicia
Y todo el mundo hace eso.

Beto
Los datos mostraron que básicamente todos, desde el principiante más nuevo hasta el gran maestro de primer nivel, generalmente siguen esa trayectoria idealizada exacta.

Alicia
Espera, espera. Estoy genuinamente confundida aquí. Si están haciendo los mismos pasos en el mismo orden exacto, ¿por qué uno es un experto y otro un novato?

Beto
Parece contradictorio, ¿verdad?

Alicia
Sí. ¿Estamos mirando los datos mal? ¿O la idea de un flujo de trabajo experto es solo una ilusión para completarlo?

Beto
Aquí es donde realmente tenemos que cambiar nuestra perspectiva. La magia no está en el orden inmediato uno a uno de esas categorías de alto nivel. La pericia no se trata de poseer un mapa secreto al que nadie más tenga acceso. Se trata de la ejecución estructural más profunda de ese viaje.

Alicia
Entonces, ¿cómo puedes medir eso?

Beto
Bueno, los investigadores se dieron cuenta rápidamente de que simplemente mirar las transiciones paso a paso no revelaba toda la verdad. Tenían que hacer zoom out significativamente.

Alicia
Como mirar todo el proceso.

Beto
Exacto. Necesitaban mirar toda la vida útil de los cuadernos de Jupyter, desde la primera línea de código hasta la entrega final.

Alicia
Así que no solo mirar si alguien pasa del paso A al paso B, sino mirar toda la forma del proceso de resolución de problemas durante horas o incluso días.

Beto
Sí. Y para lograr esa vista de pájaro, utilizaron una técnica llamada "agrupamiento jerárquico aglomerativo" ("aglomerative hierarchical clustering").

Alicia
Eso es bastante complicado.

Beto
Lo es. Sí. Pero este algoritmo esencialmente toma todos los 440 cuadernos, analiza su similitud estructural general y los agrupa en narrativas distintas de cómo se abordó realmente el problema.

Alicia
Y déjame adivinar que aquí es donde las diferencias finalmente se vuelven visibles.

Beto
Precisamente. Cuando ejecutaron este agrupamiento, surgieron tres grupos distintos.

Alicia
Está bien, veamos el grupo uno.

Los datos mostraron que los novatos estaban fuertemente sobrerrepresentados en este grupo específico. ¿Cómo se ve esa narrativa de novato a nivel macro?

Beto
Bueno, el grupo uno está definido por secuencias de trabajo largas, rígidas y altamente lineales. Es el enfoque clásico absoluto de seguir el manual de principio a fin.

Alicia
Así que simplemente marchan directamente.

Beto
Básicamente, sí. Un usuario en este grupo define el problema. Recopila sus datos. Construye su modelo. Reflexiona al final, y terminan. Es prácticamente una línea recta.

Alicia
Oh, vaya. Eso me hace pensar instantáneamente en construir muebles de IKEA.

Beto
Oh, esa es una gran analogía.

Alicia
Correcto. Como cuando eres un completo novato, sacas ese manual. Empiezas en el paso uno de la página uno y absolutamente no te desvías. Procedes totalmente linealmente ...

Beto
... porque tienes miedo de estropearlo.

Alicia
Exacto. Pero el problema es que si algo sale mal en la página cuatro, tal vez un pasador no encaja o lo que sea, no sabes realmente qué hacer porque solo estás siguiendo ciegamente las instrucciones.

Beto
Correcto. No has internalizado cómo funciona realmente la pieza de mobiliario como un sistema.

Alicia
Correcto. Así que el novato trata esencialmente la ciencia de datos compleja como un manual de instrucciones estático.

Pero ¿qué hay de los otros grupos?

Beto
Bueno, entonces los investigadores miraron los grupos dos y tres. Y aquí es donde los expertos, los usuarios que han logrado progresos altos en Kaggle, como maestros y grandes maestros, están fuertemente sobrerrepresentados.

Alicia
Y yo supongo que su proceso estructural se ve fundamentalmente diferente de esa trayectoria lineal.

Beto
Completamente diferente.

Alicia
Lo que me dejó alucinada al mirar el artículo fue que, contraintuitivamente, los flujos de trabajo de los expertos son en realidad más cortos en general.

Beto
Son más cortos y, crucialmente, son altamente iterativos. Los expertos no se adhieren ciegamente a ese proceso canónico Crisp-VM de principio a fin.

Alicia
No solo siguen el manual.

Beto
No, se adaptan dinámicamente a las realidades de los datos que tienen delante. Esto revela la inmensa flexibilidad de sus esquemas mentales.

Alicia
Una cosa en los datos que realmente me llamó la atención y, francamente, me confundió al principio fue lo que sucede alrededor del paso 19 para estos expertos.

Beto
Ah, sí.

Alicia
Parece que de repente simplemente van hacia atrás por completo.

Beto
Sí, ese detalle específico es posiblemente el hallazgo más crucial de todo el estudio.

Comparemos los dos grupos aquí. Para los novatos, su actividad de recopilación de datos alcanza su punto máximo muy temprano en el flujo de trabajo y luego disminuye constantemente a medida que pasan al modelado.

Alicia
Como el cocinero casero. Recopilan sus ingredientes y nunca vuelven a mirar la nevera.

Beto
Exacto. Pero para los expertos, los datos revelan un segundo pico prominente de actividad de recopilación de datos mucho más tarde en la vida útil de los cuadernos. Alrededor del paso 19.

Alicia
Llevando eso de vuelta a la analogía de IKEA, es como cuando el constructor experto está a mitad de tiempo armando una estantería masiva, se da cuenta de que una pieza específica podría no encajar en la disposición extraña de su sala de estar. Y en lugar de seguir adelante y esperar lo mejor, hace una pausa.

Beto
Correcto. Iteran.

Alicia
Sí. Vuelven al kit de herramientas, agarran una pieza diferente o reconstruyen completamente una sección para que sea perfecta para ese entorno específico.

Beto
Y eso es porque están involucrándose en la fase de reflexión significativamente antes que los novatos.

Alicia
Lo que significa que no están esperando hasta el final para ver si funciona.

Beto
Exacto. Los novatos esperan hasta el final para evaluar si su modelo es bueno. Los expertos están constantemente dando vueltas. Construyen una pequeña pieza, la evalúan, recopilan más datos, ajustan los parámetros y reflexionan de nuevo.

Alicia
Fundamentalmente entienden cómo retroceder para poder avanzar.

Beto
Esa es la manera perfecta de expresarlo.

Alicia
Pero bien, sabemos que los expertos iteran más. Sabemos que no tienen miedo de saltar de nuevo a la recopilación de datos. Y sabemos que reflexionan constantemente.

Pero eso crea un puente narrativo hacia nuestro próximo gran misterio aquí. Si están constantemente volviendo y volviendo a hacer pasos, ¿cómo demonios ejecutan estos bucles con tanta eficiencia que su proceso general sigue siendo más corto que el de los novatos?

Beto
Esa es la gran pregunta. Porque no puedes iterar a nivel macro si estás ahogándose en confusión a nivel micro.

Alicia
Correcto. Si te lleva una hora solo escribir una línea de código, no puedes permitirte empezar de nuevo.

Beto
Exacto. Un novato que intente volver a hacer un ciclo y reconstruir su canal de datos probablemente se quedará sin tiempo porque es demasiado lento para escribir el código real.

Alicia
Entonces, ¿cómo miraron los investigadores eso?

Beto
Para entender esta eficiencia, tuvieron que hacer zoom hasta el fondo. Estamos pasando de la forma general del flujo de trabajo a las acciones específicas de codificación celda por celda dentro de los cuadernos Jupyter.

Alicia
Usando una herramienta diferente esta vez, ¿correcto?

Beto
Sí. El uso de un método llamado "minería de patrones secuenciales" ("sequential pattern mining") para hacer esto.

Alicia
Así que en lugar de mirar el entrenamiento del modelo como una fase abstracta gigante, están mirando las secuencias exactas de pulsaciones de teclas de comandos, lo que el usuario escribe dentro de esa fase.

Beto
Precisamente. Están buscando acciones micro recurrentes. Sabes, secuencias de código pequeñas y frecuentes que los usuarios repiten. Y la divergencia entre los dos grupos a este nivel microscópico es simplemente impactante.

Alicia
El artículo destaca estadísticas específicas para esto, ¿correcto? Como las tasas de soporte.

Beto
Sí, las tasas de soporte, que básicamente significan el porcentaje de veces que apareció una combinación de secuencia específica en el conjunto de datos en comparación con todas las demás acciones.

Alicia
Entonces, ¿cómo se ve realmente un ciclo de novato en el código?

Beto
Bueno, los patrones de los novatos representan abrumadoramente la exploración por prueba y error.

Alicia
Mucha adivinanza.

Beto
Exacto. Por ejemplo, en la fase de recopilación de datos, los novatos repiten frecuentemente exactamente el mismo tipo de acción, una tras otra. Ejecutarán una secuencia como ingeniería de características seguida inmediatamente por otra acción de ingeniería de características.

Alicia
¿Y cuál es la tasa de soporte para eso?

Beto
Los datos muestran una tasa de soporte del 7% para ese ciclo específico. O durante el registro de datos, ejecutarán una verificación de distribución y luego ejecutarán inmediatamente otra verificación de distribución, lo que ocurre a una tasa masiva del 15% para los novatos.

Alicia
15%, lo que significa que básicamente solo están adivinando.

Beto
Básicamente.

Alicia
Están probando algo, viendo si aparece algo y luego probando exactamente el mismo tipo de acción de nuevo con un pequeño ajuste esperando un mejor resultado.

Beto
Es una forma muy incierta y reactiva de moverse por el espacio de trabajo.

Alicia
Así que compáralo con los expertos. ¿Qué están haciendo diferente?

Beto
Los patrones micro de los expertos son increíblemente intencionales. Dominan en patrones de modelado, como colocar una clase de modelo y pasar inmediatamente a ajustarla.

Alicia
Muy decisivo.

Beto
Correcto. También tienen secuencias de configuración rápidas y altamente estructuradas, como importar módulos seguido de otra acción de importar módulos. Incluso tienen patrones de reflexión únicos que los novatos casi nunca usan, como guardar en CSV seguido de guardar en CSV.

Alicia
Mira, aquí es donde se pone realmente interesante para mí. Porque miras ese patrón de importar módulos y cuenta una historia completa.

Beto
Realmente lo hace.

Alicia
Un experto se sienta, visualiza todo el problema, sabe exactamente qué herramientas va a necesitar y las importa todas por adelantado.

Beto
Mientras que los novatos constantemente se interrumpen a sí mismos.

Alicia
Correcto. Un novato importa una herramienta, empieza a trabajar, se da cuenta de que necesita otra, vuelve arriba para importar una herramienta nueva, empieza a trabajar de nuevo, destruye completamente su propio flujo.

Beto
Sí.

Alicia
Me hace pensar en alguien tratando de abrir un candado. Un novato solo mete la llave y la sacude salvajemente, esperando escuchar cualquier cosa que suene como progreso. Están confiando totalmente en la suerte.

Beto
Eso es muy preciso.

Alicia
Pero el experto abridor de candados está aplicando tensión precisa. Está escuchando el clic distinto de cada cilindro individual. Sabe exactamente qué mecanismo está manipulando.

Beto
La analogía de abrir cerraduras captura perfectamente la diferencia en la carga cognitiva. El meneo salvaje de los novatos es exactamente lo que crea esas cadenas largas, lineales y hinchadas que vimos en el grupo uno.

Alicia
Porque están agotados de adivinar.

Beto
Correcto. Están gastando tanta energía mental solo tratando de que el código se ejecute sin lanzar un error que no les queda absolutamente nada de ancho de banda cognitiva para ver la imagen completa.

Alicia
Lo que explica el paso 19.

Beto
Exacto. Los expertos pueden iterar a nivel macro, golpeando ese segundo pico crucial en el paso 19, precisamente porque no están perdiendo tiempo adivinando. Ya saben cómo ajustar el modelo. Así que gastan su energía en planificar si es el modelo correcto.

Alicia
Lo que nos lleva a un dilema urgente masivo que esta investigación destaca. Y honestamente, es algo que afecta básicamente a todos los que aprenden una habilidad compleja hoy en día.

Beto
El dilema de la IA.

Alicia
Sí. Estamos viviendo en la edad de oro de la inteligencia artificial generativa. Herramientas como ChatGPT o GitHub Copilot ahora pueden escribir código, automatizar la depuración y básicamente ejecutar todas esas acciones a nivel micro por ti en segundos.

Beto
Y el artículo advierte explícitamente sobre las consecuencias no intencionadas de esta tecnología exacta. Usan un término brillante para describir el riesgo. "La pereza metacognitiva".

Alicia
La pereza metacognitiva. Ese es un concepto pesado. ¿Cómo se ve eso en la práctica?

Beto
Es una amenaza profunda para el desarrollo de la verdadera pericia. Si un estudiante simplemente le pide a una IA que le dé el siguiente paso correcto para solucionar un error o construir un modelo, bueno, la IA actúa como una muleta.

Alicia
Elimina la lucha productiva.

Beto
Exacto. La herramienta fomenta una mentalidad de finalización superficial de la tarea donde el usuario solo se preocupa por obtener la respuesta final, evitando completamente el aprendizaje estructural profundo.

Alicia
Entonces, ¿qué significa todo esto para alguien que usa IA hoy en día? Realmente me recuerda a depender del GPS de un coche.

Beto
Oh, esa es una comparación perfecta.

Alicia
Correcto. Si te mueves a una ciudad nueva y realmente complicada y solo sigues ciegamente las indicaciones de giro por giro de tu teléfono, llegarás exitosamente a tu destino cada vez.

Beto
El código de la IA funciona a la perfección.

Alicia
Exacto. Pero después de un año viviendo allí, todavía no sabes realmente la disposición de la ciudad. Si tu teléfono muere, estás completamente perdido. Nunca construiste el esquema mental de cómo se conectan los barrios.

Beto
La IA es el GPS perfecto. Pero al externalizar la navegación, los estudiantes están reforzando activamente exactamente el mismo comportamiento de novato, lineal, no interactivo, identificado en el grupo 1.

Alicia
Simplemente siguen la línea.

Beto
Sí. Se vuelven totalmente dependientes de moverse en línea recta de la pregunta a la solución. Nunca desarrollan el pensamiento reflexivo estratégico.

Alicia
La capacidad de saber cuándo retroceder o cómo golpear ese segundo pico de recopilación de datos.

Beto
Correcto. Los rasgos exactos que caracterizan a los grandes maestros en los grupos 2 y 3.

Alicia
Así que básicamente están actuando como novatos solo que con una herramienta mucho más rápida y elocuente.

Beto
Desafortunadamente, sí.

Alicia
Entonces, ¿cómo arreglamos esto? Porque obviamente no podemos reinventar la IA, el artículo sugiere que necesitamos un cambio fundamental en cómo abordamos la educación, la evaluación y la formación en general.

Beto
Absolutamente tenemos que hacerlo. Tenemos que cambiar lo que estamos calificando y valorando. Los investigadores argumentan que debemos cambiar nuestro enfoque para calificar el proceso en sí, no solo la precisión del modelo final o el producto final.

Alicia
Debemos empezar a evaluar el flujo de trabajo.

Beto
Exacto.

Alicia
Así que un profesor o un gerente no debería solo mirar el pastel totalmente horneado. Realmente necesitan revisar las grabaciones de seguridad de la cocina para ver cómo se movió el chef.

Beto
Esa es una gran forma de decirlo.

Considera la alternativa: Si no hacemos esto, produciremos toda una generación de trabajadores que pueden generar código pero no pueden resolver problemas complejos y ambiguos.

Alicia
Ese es un pensamiento aterrador para cualquier empresa tecnológica en este momento.

Beto
Lo es. Pero, curiosamente, los investigadores creen que la inteligencia artificial puede ser la solución aquí, en lugar de solo el problema.

Alicia
¿De verdad? ¿Cómo?

Beto
Argumentan que los futuros sistemas de IA no deben ser solo generadores de respuestas. Deben diseñarse como sistemas de soporte inteligentes.

Alicia
Está bien, ¿cómo se vería realmente un sistema de soporte inteligente en la práctica para alguien que está sentado en su computadora?

Beto
Bueno, imagina una IA que monitorea silenciosamente tu flujo de trabajo en segundo plano. Detecta que estás atrapado en un ciclo lineal rígido, meneando salvajemente la llave con ingeniería de características interminable, probando lo mismo una y otra vez.

Alicia
Así que en lugar de simplemente alimentarte con el código correcto para saltarse el obstáculo, ...

Beto
Exacto. En vez de generar el código correcto, la IA interviene y te insta a involucrar tu metacognición. Podría decir: "Oye, noté que estás haciendo mucha transformación de datos. Antes de continuar, hagamos una pausa y evaluemos el rendimiento base actual del modelo".

Alicia
Oh, vaya. Así que efectivamente sienta el andamiaje del ciclo iterativo tipo experto. Te empuja activamente a alcanzar tu segundo pico.

Beto
Sí, te obliga a dejar de actuar como un seguidor de instrucciones pasivo y empezar a actuar como un estratega.

Alicia
La IA se convierte en una compañera colaborativa para la lluvia de ideas y el pensamiento crítico, en lugar de un reemplazo para la lucha necesaria del aprendizaje.

Beto
Porque esa lucha estratégica es lo único que construye la verdadera pericia. Definitivamente no puedes saltarte el proceso desordenado e iterativo de desarrollar un esquema mental flexible.

Alicia
Hombre, eso es poderoso.

Bueno, para quienes nos escuchan, ya sea que estén codificando algoritmos de aprendizaje automático, escribiendo una estrategia de marketing compleja o literalmente horneando un pastel, la conclusión definitiva aquí es profunda.

Beto
Realmente se aplica a todo.

Alicia
En un mundo definido por la sobrecarga de información y atajos interminables de IA, la habilidad más valiosa ya no es solo saber cómo seguir los pasos para obtener la respuesta correcta. La habilidad definitiva es saber cómo gestionar estratégicamente el proceso de resolución de problemas en sí mismo.

Beto
Requiere abrazar la flexibilidad, dominar la iteración y alejarse de la comodidad de la línea recta.

Alicia
Lo que nos deja con una última reflexión para meditar hoy. Hemos sido condicionados toda nuestras vidas a pensar que el progreso es siempre moverse hacia adelante.

Beto
Avanzar al siguiente paso.

Alicia
Correcto, pasar la siguiente página del manual.

Pero ¿qué pasa si la verdadera marca de la pericia no es saber la respuesta de inmediato, sino saber exactamente cuándo retroceder?

Beto
Me encanta eso.

Alicia
¿Qué pasa si esos momentos increíblemente frustrantes en tu propio trabajo, donde te sientes estancado, donde te das cuenta de que las piezas no encajan y te forzas a tirar tu progreso y empezar de nuevo, no son en realidad señales de fracaso? ¿Qué pasa si esos son los momentos exactos en que estás actuando más como un gran maestro?

Beto
Una forma completamente diferente de ver quedarse atascado.

Alicia
Así que la próxima vez que te encuentres limpiando harina del techo y volviendo a empezar la receta desde cero, solo recuerda, no estás fallando. Simplemente has alcanzado tu segundo pico.