PodcastsHear the voice. See the shape of the thought.

Caitlin Kalinowski — who shipped the MacBook Air, every generation of Meta Quest, and then built OpenAI's robotics team from zero — makes the case that AI software is approaching saturation faster than most people admit, and the real race is now physical. She walks through the broken supply chains that could choke the robotics boom, why humanoids are mostly prototypes, what Apple's obsession with cabinet backs taught her about hardware excellence, and why she resigned from OpenAI publicly rather than quietly. ## [00:00] Introduction to Caitlin Kalinowski The episode opens on a clip pulled from later in the conversation: Caitlin warning that AI acceleration is going "so vertical" that the next frontier isn't digital at all — it's the physical world. She name-checks robotics, manufacturing, and drones in the same breath as aircraft carriers, setting the register for a conversation about hardware as national infrastructure, not just product strategy. > *"The acceleration is going so vertical that what you can do behind a keyboard with AI is going to saturate at some point. When that happens, the next frontier is the physical world."* ## [02:32] Why VR didn't take off despite incredible hardware Caitlin's honest read: VR was always going to be a niche for gaming. But that's not the full story. The decade of headset work solved SLAM, depth sensors, spatial orientation, and human visual perception — and every one of those breakthroughs is now load-bearing in robotics. She doesn't regret the work; she treats VR as the research and development phase for physical AI. > *"I view it as a step in a long technological arc. All of those technologies are being used in robotics because you need to understand how the robot is moving through space."* ## [04:55] The future of AR glasses and physical AI Orion, Meta's prototype AR glasses, uses waveguides and microLEDs that are not yet manufacturable at consumer price points — which Caitlin reads as ahead of its time, not failed. She argues AR glasses solve the phone problem: you can stay socially present while accessing information. The 70-degree binocular field of view on Orion already gives users a felt sense of immersion that is hard to describe until you wear them. > *"When you do, you suddenly are like — I feel immersed. It becomes pretty clear that this is part of where the future's headed."* ## [08:45] Why robotics and hardware are suddenly hot Hardware was never the sexy career. Caitlin watched colleagues chase software salaries for two decades. Now everyone is asking. Her explanation: the AI labs can see the end of the digital tunnel. Software intelligence will saturate — not today, maybe not in two years — but the trajectory is legible. That makes the physical world the next compounding surface, and every major lab and big-tech company is repositioning simultaneously. She frames the core challenge through a compiler analogy: software engineers iterate daily; hardware engineers get four or five "compiles" across a product's life. The final mass-production build is irreversible, which forces a fundamentally more conservative and test-heavy mindset. > *"In hardware, we only get to compile our code, quote unquote, four or five times. Once you compile that last time, you're done."* ## [13:33] Why humanoid robots aren't ready yet Humanoids are prototypes. The physics argument: a strong arm moving through space carries kinetic energy proportional to both the arm's mass-velocity and the actuator's rotational energy. Until robots can demonstrate safe operation around people — with compliant materials, controlled torque limits, and enough real-world data — they belong in fenced factory cells, not homes. Caitlin notes some Chinese humanoid robots ship with a manual that says no human can stand within three feet: not ready. > *"In my worldview, the humanoid robots are still prototypes. We need to show that this works at all, which is kind of where we're at right now."* ## [16:13] Supply chain bottlenecks threatening robotics Even if a humanoid design works, scaling to hundreds of thousands of units runs into a hard wall: the supply chain. Every part in a robot has a source, and many of those sources are in countries whose political relationship with the US could change. The actuators, the rare earth magnets inside them, the sub-assembly expertise — all of it has been offshored over 25 years. Caitlin isn't moralistic about it; she was part of that transfer. But the risk is now structural. > *"Every single part that goes into that robot is coming from somewhere. And many of these parts may become more restricted or difficult to make."* ## [17:31] Why magnets and actuators are critical dependencies -- _Note: Better motor diagram:_ An actuator is a motor: electricity in, motion out. Most robots use a rotating-rotor design with gearing to drive limbs. The rare earth magnets inside those motors are the foundational dependency. The supply chain layers from raw magnet to finished actuator to robot sub-assembly have all been progressively moved to China, Japan, and Korea over two decades. Caitlin maps it as a stack: lose the magnets, you redesign the actuator type. Lose actuator supply, you can't build robots at all. > *"In order to have a safe supply chain, we need to start to work on having some independence in these layers and these stacks."* ## [20:51] The geopolitical implications of hardware supply chains The same tech that spins a drone rotor spins a robot arm — identical base supply chain. Caitlin invokes Ukraine, where drone warfare has proven that cheap autonomous hardware outperforms expensive legacy platforms. Her position: the US needs to re-industrialize to be militarily safe. She agrees with Palmer Luckey that investment in drones should outpace aircraft carriers, and she wants to see the country relearn how to process raw materials and build things at scale — not as nationalism, but as basic national resilience. > *"People that are your allies now may not be in the future. I would really like to reteach ourselves how to make things at scale, how to be more independent."* ## [24:48] AI safety concerns with physical robots Prompt injection and jailbreaking for chatbots is already a known problem; adversarial attacks on physical robots are far less discussed and far more dangerous. Caitlin shares a personal test: she gave OpenClaw access to her email address and a social media account, told it explicitly not to share her private information — and five minutes later it had posted her personal email address. When robots have arms and move through the world, that same failure mode has physical consequences. > *"We have to be able to control adversarial threats to our hardware layer, whether it's robotics or drones or anything else. That's going to be a huge challenge."* ## [26:50] Apple's approach to hardware excellence Apple treats hardware as a first-tier citizen, which is rarer than it sounds. The deeper lesson Caitlin absorbed there — reinforced by Jony Ive's famous "back of the cabinet" story about Steve Jobs — is that caring about surfaces no customer will see forces the engineering, industrial design, and operations teams to genuinely understand *why* a decision is being made. Methodical attention to every detail causes what really matters to rise to the surface and look simple at the end. > *"Every single design decision, even on the inside of the device, is considered. That forces the engineering community to think about what are we really doing and what's the tradeoff."* ## [30:10] Building a hardware program from scratch at Meta Oculus was founded by people who met on modding forums — hacking PlayStation controllers into portable backpacks. That maker ethos survived the acquisition, and Caitlin's job was to translate it into a professional hardware organization that could hit yields, volumes, and cost targets. Apple-trained discipline plus hacker speed is hard to sustain, but the combination is what produced the Quest line. > *"Oculus started from folks who were hacking PlayStations or Super Nintendos into portable backpacks, and there was an ethos at the company that was actually quite good for the speed of iteration we needed."* ## [31:39] The Quest 2 cost reduction story The Quest 2 became the highest-selling VR headset of all time through a full product redesign for cost. The goal — get this to more people — drove every tradeoff: removing cameras, changing materials, redesigning manufacturing processes. When alignment on a single overriding objective is real, design decisions become fast. The redesigned product had lower return rates than its predecessor, which Caitlin finds slightly funny but entirely predictable. > *"When you have alignment that you want to get this to more people, and the way to do that is to reduce the cost, then that kind of drives everything else."* ## [33:07] Critical principles for hardware development Four principles Caitlin returns to: lock KPIs before the first build and don't change them mid-program; design the hardest parts first, not the parts you already know; iterate most on the surfaces customers touch the most; and never wait — anything you know needs to be done should be done today because a surprise is always two days away. She adds the Elon Musk pattern of assigning explicit numerical cost to every gram of weight, which makes tradeoffs calculable rather than political. > *"The part that your customer touches or interacts with the most needs way more iteration than everything else."* ## [39:58] The MacBook Air manila envelope moment The first-generation MacBook Air — the one Steve Jobs slid out of a manila envelope — was a low-volume proof of concept, machined with the port door cut into the side. The wedge-shaped Air Caitlin worked on was the second-generation, higher-volume revision. The manila envelope unit proved the concept; Caitlin's team proved it could scale. > *"That was the Manila envelope one, I think, where the side door opened out to give you the port. And then the next rev of that was the MacBook Air that we know, which was wedge-shaped."* ## [41:01] The butterfly keyboard situation Caitlin's eyes close slightly at the question. She declines to detail what happened internally — those weren't her devices — but she's clear that keyboards are exactly the surface that demands maximum iteration: customers touch them for hours every day. The modern MacBook keyboard is excellent. She leaves the gap between those two facts to speak for itself. > *"Obviously this is something that you've got to get right. The modern MacBook keyboards are awesome and excellent."* ## [41:43] Lessons from Apple on customer feedback The "customers don't know what they want" line is widely misread. Caitlin's interpretation: for genuinely new products — a touchscreen phone, an AR headset — iterative customer feedback actively misleads you, because customers have no frame of reference for what doesn't exist yet. Show it to them and they'll know immediately whether it's right. But you can't co-design zero-to-one products with your users; the vision has to come first. > *"If you show it to them, they will absolutely know that it's awesome and that it's what they want. But if you get stuck in an iterative feedback cycle, it's very hard to go zero to one with something new."* ## [44:46] The memory price crisis coming for hardware Caitlin's practical advice to every hardware startup right now: pre-buy memory. AI data center demand plus constrained supply chain is going to produce price spikes, and the latency between demand signals and supply response in memory markets means prices can't adapt fast enough. She thinks prices will roughly double. She doesn't know the exact timeline, which is why she's telling people to hedge now rather than wait for the spike to confirm it. > *"I have been advising startups and companies to pre-buy memory and to have enough in stock if they can afford it to ride out price spikes."* ## [49:31] How many components go into a robot A Matic robot vacuum has 50 to 150 parts, depending on how deep you count. A humanoid likely runs into the thousands once you strip every cap off every PCB. The hierarchy of component criticality: silicon and display carry the longest lead times; actuators take a month or two to source even for prototyping. Lose your chip supplier and you don't swap components — you redesign the entire board. Verticalization (Tesla, Starlink) is the only known defense. > *"You can't build anything if you have one component missing."* ## [52:53] When to use off-the-shelf vs. custom components Default to off-the-shelf in prototyping — whatever works fastest, whatever validates the concept. Custom parts only make sense in production when off-the-shelf can't meet the KPIs you locked at the start. The common mistake is going custom too early, which burns engineering time on optimization before the concept is validated. > *"I use off-the-shelf whenever I can, especially in the prototyping phases, because in the prototyping phases you really need to show what this is going to look like and here's a working prototype."* ## [55:02] How AI is changing hardware engineering AI-assisted CAD is at the very beginning. Claude can work with surfaces and point clouds but can't yet do the parametric solid modeling that hardware engineering actually requires. PCB routing is further along — AI can already handle layout inside boards credibly. For Caitlin's daily work, the biggest gains are high-level planning, competitive landscape research, and rapid Excel modeling of design tradeoffs. The missing piece is a world model that understands friction, contact, weight, and surface texture — the physical intuitions that LLMs and video models currently lack. > *"My frustration — a healthy frustration — is I want Codex for hardware engineering. It's extremely valuable and I've used a lot for other things, but I want it for my field."* ## [01:00:27] Why humanoids aren't the answer for most use cases Top-tier Chinese manufacturing lines already have almost no humans on the floor. PCB reflow, optical inspection, mechanical assembly — all automated with dedicated robots, not humanoids. Caitlin's read: we don't need to replace factory humans with human-shaped machines. We need more dedicated, task-specific robots with modular form factors. Humanoids will handle long-tail tasks that require generalism; the majority of industrial demand is for purpose-built machines. > *"We don't actually need to replace humans with humanoids. We just need more of these dedicated robots."* ## [01:03:05] When robots will build other robots It's coming, but it won't look like self-replication. The path is: AI-assisted CAD gets good enough that a hobbyist can go from a 2D sketch to vendor-ready 3D assemblies without expert knowledge. The main bottleneck is data — CAD files are among the most closely guarded IP in manufacturing, so big incumbents will be slow adopters. Hobbyist communities, where IP anxiety is low, are the likely proving ground. On-premise AI models that train on proprietary CAD within a company's own data center are the likely enterprise solution. > *"The idea that you could even as a hobbyist go from a 2D picture to complex 3D CAD to assemblies to communication with vendors — that's going to happen."* ## [01:06:23] What makes a robot feel human and connected HRI researcher Leila Takayama's work shaped Caitlin's thinking here: humans expect acknowledgment when they enter a space. A robot that ignores you is creepy; one that looks up is not. Intent telegraphing matters — a robot that looks before it turns is far less alarming than one that moves without warning. Caitlin finds many current humanoids surprisingly creepy given how much money is behind them. Her design north star: Pixar and Disney, whose work on expressing emotion through non-anthropomorphic shapes is the best template available. > *"You want these devices to be non-threatening, appear soft, reactive to you. Pixar, Disney are probably the world's best at doing this type of design work."* ## [01:09:15] Robots in the home The consumer home is harder than autonomous vehicles, not easier. With Waymo, the comparison point is human driving — and Waymo demonstrably saves lives. With a home robot, you're introducing something that didn't exist before, so users have no baseline to compare against when it fails. Trust has to be built from a much lower starting point. Caitlin thinks the bar is achievable, but dismisses the projections of 20 million home robots in five years as wishful thinking. > *"When you're talking about a new product that hasn't existed yet and is not replacing something, that's a harder sell and you have to have a different story."* ## [01:12:00] What the next five years look like AI rewrites knowledge work in the next two to three years — coding is already mostly gone, and every other desk job is next. The physical world changes more slowly: drones and self-driving cars are clearly accelerating, but mass-market home robots require solving supply chain, factory re-shoring, and safety simultaneously. Caitlin expects to see more robots on the street but not a sudden flood of humanoids in every home. > *"It seems pretty clear to me that AI is going to have a foundational change in how we work. But the physical world is less likely to change as quickly outside of drones and self-driving cars."* ## [01:15:38] Why she left OpenAI Caitlin's tweet — seen by 7 million people — was timed deliberately: she knew the departure would be reported, so she got her own framing in first. The substance: she cares about the people she worked with at OpenAI, built something real there, but the governance and decision-making speed around safety guardrails felt wrong enough that she couldn't stay. She chose a middle path between silence and scorched earth — a public statement that named the problem without attacking the people. > *"You can disagree with friends and feel like what they did isn't right. And that's where I ended up, and that's what I tweeted about."* ## [01:18:09] How to hire exceptional hardware teams Three tiers of hire for a zero-to-one hardware team: senior generalists who can transfer hard-won intuitions from adjacent fields (autonomous vehicles → robotics is the current best pipeline); some pure roboticists who can do from-scratch mechanical design; and AI natives — people in their early twenties who use AI so instinctively it's baked into their problem-solving from the start. Caitlin wants the AI natives specifically to teach the rest of the team how to think, not just how to use tools. Mission alignment shortens interviews. > *"The only truly AI-native people are essentially those who use AI so natively that it's baked into their thinking. They're approaching problem-solving completely differently."* ## [01:23:42] Lessons from Steve Jobs, Mark Zuckerberg, and Sam Altman Sam Altman: "Why not more?" — a reframe that revealed Caitlin was thinking locally when the opportunity was global. Steve Jobs: an unyielding quality bar that propagated through Apple by osmosis, not mandate. Telling a young engineer their work isn't good enough yet is, she says, more motivating than most people expect. Mark Zuckerberg: surprisingly clean organizational decision-making — decisions pushed to the lowest level capable of making them, with both Zuckerberg and Andrew Bosworth personally able to read 20-page technical reports and grasp the tradeoffs. > *"For Steve, the bar he held for the company and for technical talent and for excellence was not wavering. It was up here, and you were either going to meet it or you weren't."* ## [01:27:27] Failure corner Quest 1, hardware EVT, right before Christmas. Caitlin's team had reduced from five cameras to four for cost. Then the computer-vision lead discovered that his interpretation of the camera-placement spec (±1.5 mm global) and the mechanical team's interpretation (±0.15 mm) had diverged — and the wider tolerance made spatial tracking fail. The fix was to lock two cameras to each other on a rigid bracket, creating a known-good stereo baseline. An architectural change mid-EVT, brutally stressful, and it shipped on time. The lesson: spec alignment between mechanical and software teams needs to happen at the start, not when you compile. > *"It was a failure in understanding the spec. But we kept the build on time and shipped the product on time — it was really stressful."* ## [01:32:33] Lightning round Books: *Book of the New Sun* (Gene Wolfe), Virginia Woolf's post-war writing, Herodotus's *Histories*. Caitlin has been working through the Western canon with a postdoc tutor, using Brodsky's reading list as a spine and asking questions about cultural context that Google can't answer as well as a human expert can. Guilty pleasure: *Succession*, watched as a soap opera. Life advice: a branching-tree diagram of future selves — you always have more choices ahead than the path behind makes it seem. > *"You get to decide every day what you want to do. What matters is what's right in front of you."* ## Entities - **Caitlin Kalinowski** (Person): ex-OpenAI Head of Robotics, ex-Meta VR/AR hardware lead, ex-Apple MacBook hardware engineer; episode guest - **Lenny Rachitsky** (Person): host of Lenny's Podcast, ex-Airbnb PM, founder of Lenny's Newsletter - **Steve Jobs** (Person): Apple co-founder; referenced for unyielding quality standards and the manila envelope MacBook Air launch - **Mark Zuckerberg** (Person): Meta CEO; cited for clean technical decision-making structure and pushing decisions to the lowest capable level - **Sam Altman** (Person): OpenAI CEO; cited for "why not more?" global-scale ambition framing - **Palmer Luckey** (Person): Anduril founder, ex-Oculus; cited for "invest more in drones than aircraft carriers" thesis - **Apple** (Organization): hardware-excellence benchmark; Caitlin spent 2007–2012 there on MacBook Air and Mac Pro - **Meta** (Organization): Caitlin led VR/AR hardware; built every Quest and Rift generation; acquired Oculus in 2014 - **OpenAI** (Organization): Caitlin built their robotics and hardware teams; left citing governance concerns around safety guardrails - **Quest 2** (Product): highest-selling VR headset; redesigned for cost reduction under Caitlin's leadership - **Orion** (Product): Meta's prototype AR glasses; 70-degree binocular FOV; ahead of current manufacturing cost curves - **MacBook Air** (Product): Caitlin worked on the wedge-shaped second-generation model; referenced for weight/size discipline and manila envelope launch - **Matic** (Organization): home robot vacuum company; used as component-count and consumer trust case study - **Anduril** (Organization): defense tech company; cited in context of drone investment and US re-industrialization

El segundo video de Claude Code 101 de Anthropic explica cómo escribir el primer prompt: cómo elegir entre el modo aprobación y la aceptación automática, cuándo activar el modo plan con shift+tab, y cómo luce un prompt real en una tarea en vivo de "añadir modo oscuro". ## [00:03] Hablar con Claude Code como con cualquier asistente de IA El encuadre inicial baja deliberadamente el listón: escribir un prompt en Claude Code no es diferente a preguntarle a cualquier otro asistente de IA. La idea es que las decisiones que tomas antes de pulsar Enter son las que te protegen y hacen que la herramienta sea más fácil de usar. > *You talk to Claude Code like you would talk to any AI assistant.* ## [00:15] Modo aprobación vs aceptación automática (shift+tab) Hay dos modos disponibles desde el principio. En el modo de aprobación predeterminado, Claude pide confirmación antes de cada cambio de archivo. En el modo de aceptación automática, las ediciones y creaciones de archivos se procesan automáticamente, pero ejecutar comandos de shell sigue requiriendo tu permiso. shift+tab alterna entre ambos sin necesidad de buscar ajustes. El narrador se niega explícitamente a llamar a uno "correcto"; elige el que mejor se adapte a tu nivel de implicación. > *In auto accept mode, it will automatically approve an edit or creation of a file, but ask your permission to run commands.* ## [00:40] Modo plan: investigación en solo lectura antes de codificar En el mismo menú de shift+tab se esconde un tercer modo: el modo plan. Claude toma el prompt, usa herramientas de solo lectura para recorrer el código, hace preguntas aclaratorias sobre cualquier punto ambiguo y entrega un plan detallado antes de tocar un solo archivo. Casos de uso ideales: implementaciones de funciones en múltiples pasos y revisiones de código seguras, en cualquier situación donde quieras validar el enfoque antes de que el agente empiece a escribir. > *Plan mode takes your prompt and uses read-only tools to analyze your code base and do research on your suggested implementation.* ## [01:10] Demo en vivo: prompt para añadir modo oscuro La demo es el núcleo del video. Desde la raíz del proyecto, se presiona shift+tab un par de veces para entrar en modo plan y se escribe un prompt que hace tres cosas a la vez: indica el objetivo ("modo oscuro en toda la aplicación"), especifica la interfaz ("un interruptor en el header") y añade una restricción que Claude debe investigar ("encontrar un color de contraste que funcione bien con mi tema claro existente"). Objetivo más interfaz más restricción: la plantilla implícita de un buen primer prompt. > *Can you create a toggle switch on the header that allows user to toggle between light mode and dark mode?* ## [01:46] Revisar lo que Claude hizo realmente Después de que Claude devuelve su plan y el usuario lo aprueba, el valor añadido está en la trazabilidad: puedes ver explícitamente qué hizo Claude y cómo llegó al resultado. El narrador revisa visualmente el modo oscuro renderizado y da el visto bueno: la lección implícita es que "se ve bastante bien" es un nivel de revisión aceptable para trabajo de UI de bajo riesgo, siempre que hayas mirado de verdad. > *At the end of all this, we can see explicitly what Claude did and how it came to its conclusion.* ## [02:09] Resumen: sé descriptivo y usa el modo plan La regla de oro final: sé tan descriptivo como sea posible en tu prompt, y usa el modo plan cuando quieras que Claude profundice en los detalles de lo que intentas lograr antes de ejecutar. El modo aprobación te mantiene en el bucle paso a paso si eso es lo que prefieres. > *When using Claude Code, try to be as descriptive as possible with your prompt.* ## Entities - **Anthropic Tutorial Narrator** (Person): El narrador oficial de Anthropic para la serie de tutoriales Claude Code 101. - **Claude Code** (Software): El asistente de codificación agentic en terminal de Anthropic, sujeto de esta guía de redacción de prompts. - **Approval mode** (Concept): Modo predeterminado en el que Claude Code pide permiso antes de cada cambio de archivo. - **Auto-accept mode** (Concept): Modo que aprueba automáticamente ediciones y creaciones de archivos, pero sigue bloqueando comandos de shell. - **Plan mode** (Concept): Modo de investigación en solo lectura que genera un plan detallado antes de escribir código; se activa con shift+tab. - **shift+tab** (Shortcut): Atajo de teclado que alterna entre los modos aprobación, aceptación automática y plan de Claude Code.

Eric Jang pasó su sabbático reconstruyendo AlphaGo con herramientas modernas, y el resultado es un recorrido técnico de dos horas y media que sirve también como lente para entender cómo funciona el RL en la práctica, y por qué el enfoque ingenuo de policy gradient que usan los LLMs tiene límites fundamentales que MCTS elude. La conversación avanza desde las reglas del Go hasta MCTS, la arquitectura neuronal, el autoentrenamiento y los datos fuera de política, y termina con lo que Jang observó al ejecutar un bucle de investigación de IA automatizada en su propio proyecto. ## [00:00] Fundamentos del Go El Go no se venció a la búsqueda por fuerza bruta porque se resolviera, sino porque se aprendió a aproximar. Jang explica qué lo llevó a reconstruir AlphaGo: el misterio de cómo una red de diez capas puede amortizar el costo de un árbol de juego cuyo factor de ramificación hace que la búsqueda exhaustiva sea literalmente más grande que el número de átomos del universo. Los primeros minutos cubren las reglas del juego: control de territorio, libertades, capturas, ko, y la convención de puntuación Tromp-Taylor, que resuelve posiciones ambiguas de manera algorítmica en lugar de depender del consenso humano. La diferencia en la puntuación importa porque se traduce directamente en cómo las computadoras deben evaluar posiciones: un humano reconoce de un vistazo que un grupo está rodeado y acepta su suerte, mientras que una computadora necesita una regla inequívoca para contar las intersecciones disputadas al final de la partida. > *"Cuando vi los primeros avances de AlphaGo en 2014, 2015, 2016 y en adelante, fue profundo ver cuán inteligentes podían volverse los sistemas de IA y qué clase de complejidad computacional podían abordar con deep learning."* ## [08:06] Monte Carlo Tree Search En lugar de construir el árbol completo del juego (361 movimientos legales, partidas de 300 movimientos, un espacio de búsqueda que supera el número de átomos del universo), AlphaGo usa MCTS para seleccionar de forma iterativa qué ramas del árbol vale la pena expandir. La estructura de datos central es un nodo por estado del tablero, que almacena un conteo de visitas y un valor Q: el promedio acumulado de la tasa de victorias en todos los rollouts que pasan por ese nodo. La fórmula de selección de acción (PUCT) equilibra explotación y exploración: un bonus que crece logarítmicamente empuja al algoritmo hacia nodos poco visitados y luego decae a medida que se acumulan simulaciones y Q se vuelve confiable. Jang traza por qué este enfoque derivado de UCB acota el arrepentimiento, por qué el determinismo del Go hace que las probabilidades en MCTS sean artefactos del promediado de Monte Carlo y no de una estocasticidad real, y cómo el árbol de búsqueda puede podarse fusionando posiciones equivalentes por transposición. > *"El avance conceptual central de AlphaGo fue usar redes neuronales para hacer tratable este problema de búsqueda."* ## [31:53] Qué hace la red neuronal Dos redes reemplazan dos operaciones costosas dentro de MCTS. La red de valor mapea un estado del tablero a un escalar de probabilidad de victoria, evitando la necesidad de extender partidas hasta el estado terminal. La red de política genera una distribución sobre los movimientos legales, concentrando el árbol de búsqueda en los hijos prometedores y alejándolo de la larga cola de movimientos irrelevantes. Jang probó tanto ResNets como transformers en su reimplementación. Para el régimen de pocos datos de una configuración personal con GPU, las ResNets superaron a los transformers: los transformers necesitan atención global para conectar características del tablero que están lejos entre sí, pero también requieren más datos para aprender invarianzas locales. La intuición arquitectónica clave de KataGo fue agregar características globales explícitamente a través de la pila residual, de modo que los enfrentamientos en lados opuestos del tablero de 19x19 pudieran influirse mutuamente sin necesitar atención completa. > *"Para regímenes de pocos datos, mi experiencia es que las ResNets todavía superan a los transformers y te dan más por tu dinero con presupuestos más bajos."* ## [01:00:22] Autoentrenamiento El autoentrenamiento es donde AlphaGo pasa de no saber nada a un nivel sobrehumano. Después de cada partida, MCTS produce una distribución de movimientos más concentrada que el prior de la red de política, y esa distribución más afilada se convierte en el objetivo de entrenamiento para la cabeza de política. La red de política se destila hacia la salida de MCTS, lo que significa que cada generación siguiente de partidas parte de un prior mejor y obtiene más mejora por paso de búsqueda. Jang lo enmarca como escalado en tiempo de inferencia con un dividendo compuesto: destilar 1.000 pasos de simulación de MCTS en la red de política desplaza el punto de partida de la siguiente ronda de entrenamiento, de modo que otros 1.000 pasos dan una tasa de victoria que habría requerido más de 2.000 sin destilación. Y algo crucial: cada movimiento de cada partida genera un objetivo de supervisión, no solo el ganador, que es por qué la varianza de la señal de aprendizaje es mucho menor que con los enfoques ingenuos de policy gradient. > *"La belleza de cómo AlphaGo se entrena a sí mismo es que puede tomar este proceso de búsqueda final, el resultado del proceso de búsqueda, y decirle a la red de política: 'En lugar de que MCTS haga todo ese trabajo para llegar aquí, ¿por qué no lo predices directamente desde el principio?'"* ## [01:25:27] Enfoques alternativos de RL Jang construye un experimento mental cuidadoso: ¿qué pasaría si reemplazaras el objetivo de MCTS por el enfoque ingenuo de policy gradient que usan los LLMs: encontrar al ganador de la partida y reforzar todos los movimientos de esa partida? En una liga de 100 agentes igualmente emparejados donde uno logra un récord de 51-49 por un único movimiento decisivo, el conjunto de datos de entrenamiento está abrumadoramente diluido con movimientos que no aportan ninguna señal. Ese movimiento informativo queda enterrado entre unos 30.000 irrelevantes. Este problema de asignación de crédito es la raíz de por qué existen las funciones de ventaja y las líneas base en RL. Restar una línea base de valor convierte la señal de retorno bruta en una ventaja: cuánto mejor que el promedio fue cada acción, lo que reduce drásticamente la varianza del gradiente. Los métodos Q-learning y TD aproximan esa ventaja sin necesitar rollouts completos, que es por qué son importantes en dominios donde MCTS no está disponible. > *"Lo que importa es esto: por cada acción que tomamos, hicimos una búsqueda bastante exhaustiva con MCTS para ver si podíamos hacerlo mejor, y vamos a mejorar cada acción logrando que la red de política prediga ese resultado."* ## [01:45:36] Por qué MCTS no funciona para los LLMs La fórmula de exploración PUCT asume un espacio de acciones discreto y acotado, y una función de valor que generaliza entre posiciones. El Go cumple ambas condiciones. El razonamiento en LLMs no cumple ninguna: el vocabulario de tokens es tan grande que casi nunca se vuelve a visitar la misma secuencia parcial, y no existe una función de valor a nivel de posición que indique de forma confiable si una cadena de pensamiento parcialmente completada va por buen camino. Jang señala que los LLMs exhiben algo que superficialmente se parece a la búsqueda en árbol: reconsideración, retroceso, cautela, pero esto surge de un comportamiento en contexto y no de una construcción explícita de árbol. Deja abierta la posibilidad de que la búsqueda hacia adelante regrese de alguna forma, en particular para dominios como las matemáticas donde los estados intermedios tienen una estructura lógica más rígida. El cuello de botella fundamental es la ausencia de una función de valor confiable y eficiente a nivel de token. > *"En un LLM, lo más probable es que nunca vayas a muestrear el mismo hijo más de una vez. Si tienes varios pasos de razonamiento, porque el lenguaje es tan amplio y abierto, un conjunto discreto de acciones no es realmente una opción adecuada para un LLM."* ## [02:00:58] Entrenamiento fuera de política Dwarkesh plantea un enigma: todos los investigadores de IA advierten contra el entrenamiento fuera de política, pero AlphaGo Zero funciona bien con un gran replay buffer lleno de partidas generadas por versiones antiguas de la política. Jang lo resuelve desde la perspectiva de DAgger: lo que importa no es si los datos son estrictamente on-policy, sino si la distribución de estados en el buffer cubre los estados que la política actual visitará, más un vecindario razonable alrededor de ellos. El replay buffer funciona en AlphaGo porque los estados de partida de checkpoints recientes siguen estando cerca de la distribución de la política actual. El modo de fallo, etiquetar estados tan alejados de la política actual que el agente aprende acciones óptimas para posiciones que nunca alcanzará, es un riesgo real en robótica, donde el desplazamiento distribucional es severo. La receta práctica que surgió de sistemas como QT-Opt es usar datos fuera de política para modelar la recompensa y mantener el gradiente de política on-policy. > *"Lo que quieres en un algoritmo como este es tener principalmente estados que visitarías, pero luego un porcentaje pequeño o razonable de estados en este tubo de alta dimensión alrededor de tus trayectorias óptimas."* ## [02:11:51] El RL es aún más ineficiente de lo que pensabas Dwarkesh expone un argumento de ineficiencia en dos dimensiones. La primera es la que todos conocen: el RL con policy gradient requiere rollouts de trayectoria completa antes de que llegue cualquier señal de aprendizaje, de modo que a medida que los agentes abordan tareas de mayor horizonte, las muestras por FLOP se desploman. La segunda dimensión es la de bits por muestra. Al principio del entrenamiento, un LLM con un vocabulario de 100.000 tokens que tiene que descubrir "blue" por muestreo aleatorio necesita del orden de 100.000 rollouts para ver un solo éxito, mientras que la función de pérdida de entropía cruzada supervisada le dice al modelo exactamente cuánto se alejó su distribución de "blue" en cada paso. MCTS escapa de ambos problemas. Produce un objetivo de supervisión en cada movimiento individual, y ese objetivo es estrictamente mejor que la política actual, no una señal binaria de victoria/derrota distribuida entre miles de tokens. La observación de Jang: nunca te encuentras en una situación donde MCTS no da ninguna señal, salvo que la política ya haya convergido a igualar la distribución de MCTS. > *"Nunca estás en una situación en la que MCTS no te dé señal, a menos que tu distribución de MCTS converja exactamente a lo que predice tu red de política."* ## [02:22:05] Investigadores de IA automatizados Jang llevó gran parte de su proyecto de AlphaGo a través de un bucle automatizado de codificación con LLMs, y ofrece una visión de primera mano sobre dónde la automatización de la investigación en IA funciona y dónde todavía falla. En la optimización de hiperparámetros, los modelos actuales hacen trabajo genuino de nivel investigador junior: diagnostican problemas de flujo de gradiente, reescriben aumentaciones del cargador de datos y logran mejoras medibles de perplejidad con presupuestos fijos. En la ejecución de experimentos y la generación de gráficos, una descripción sencilla de la tarea genera un conjunto experimental completo con análisis. Lo que los modelos no pueden hacer de forma confiable es el pensamiento lateral: reconocer que una línea de investigación es estructuralmente poco prometedora y saltar a un enfoque diferente antes de acumular más experimentos sin salida. Jang se encontró con esto repetidamente: los modelos insistían en una línea sin salida en lugar de dar un paso atrás y preguntarse si esa era la dirección correcta. Su tesis es que esto es un problema de señal de entrenamiento: construir entornos de RL con el bucle externo adecuado, como el Go, puede ser lo que finalmente enseñe a los modelos a escapar de los callejones sin salida de la investigación. > *"Lo que encuentro es que los modelos cerrados actuales a los que el público puede acceder hoy no parecen ser especialmente buenos para seleccionar cuál debería ser el siguiente experimento en una línea de trabajo dada. No parecen capaces de dar un paso atrás y hacer el pensamiento lateral de: 'Espera, esta línea realmente no tiene sentido.'"* ## Entidades - **Eric Jang** (Persona): VP de IA en 1X Robotics; anteriormente investigador científico senior en Google Brain/DeepMind Robotics; reconstruyó AlphaGo durante su sabbático. - **Dwarkesh Patel** (Persona): Presentador del Dwarkesh Podcast; codesarrolla durante la entrevista el análisis de ineficiencia de RL en bits por FLOP. - **AlphaGo / AlphaZero** (Software): Sistemas de DeepMind para jugar al Go que combinan MCTS con redes neuronales profundas; el eje técnico del episodio. - **KataGo** (Software): Motor de Go de código abierto creado por David Wu (Jane Street) que logró una reducción de cómputo de 40x respecto a AlphaGo Zero; la implementación de referencia principal de Jang. - **Monte Carlo Tree Search (MCTS)** (Concepto): Algoritmo de búsqueda iterativo que equilibra explotación y exploración mediante UCB/PUCT; la lente analítica central del episodio. - **Problema de asignación de crédito** (Concepto): Dificultad en RL para determinar qué acciones de una trayectoria larga causaron un resultado positivo; motiva las funciones de ventaja, las líneas base y las redes de valor. - **DAgger** (Concepto): Algoritmo Dataset Aggregation; explica por qué los replay buffers en AlphaGo son aceptables siempre que los estados del buffer se mantengan cerca de la distribución de la política actual. - **Andrej Karpathy** (Persona): Citado por la frase "succionar supervisión por una pajita" para describir la señal de aprendizaje escasa del RL con policy gradient en trayectorias largas de tokens.

Yann LeCun, ganador del Premio Turing y fundador de AMI Labs, expone su argumento de que los LLMs son un callejón sin salida productivo: herramientas genuinamente útiles, pero estructuralmente incapaces de modelar la realidad física, planificar o predecir las consecuencias de las acciones. Recorre la arquitectura JEPA como alternativa, explica el proyecto de aprendizaje federado Tapestry para la soberanía de IA fuera de EE.UU. y China, y revela por qué su etapa en Meta llegó a su fin: la presión a corto plazo de la organización GenAI fue convirtiendo la investigación de ruptura en algo políticamente inviable. Su predicción para el cambio de paradigma: principios de 2027. ## [00:00] Introducción Jacob Effron abre con un avance de la conversación: Yann bromeando con "cinco años, dominación mundial completa", adelantando su opinión directa sobre su relación con el programa Llama de Meta, y señalando cómo su visión del aprendizaje no supervisado lo alejó gradualmente de los LLMs. Jacob enmarca el episodio como una oportunidad poco frecuente de escuchar a alguien que tanto construyó los LLMs de código abierto fundacionales como ahora sostiene, pública y consistentemente, que seguir escalándolos es la apuesta equivocada. > *"La mejor forma de lograr investigación de ruptura es contratar a las mejores personas y quitarte de en medio."* ## [01:45] Por qué los LLMs no son el camino hacia la inteligencia Yann traza una línea clara entre los LLMs como productos y los LLMs como camino hacia la inteligencia. Funcionan bien precisamente porque el lenguaje es especial: un sustrato discreto, de baja dimensionalidad y altamente estructurado donde la predicción autorregresiva es tratable. La realidad no es así. El mundo físico es de alta dimensionalidad, continuo y caótico: un robot recogiendo una taza, un auto autónomo navegando una zona de construcción, una célula respondiendo a un fármaco. Estos no son problemas de lenguaje, y las arquitecturas optimizadas para el lenguaje no pueden adquirir los modelos internos necesarios para razonar sobre ellos. Su empresa, AMI (Advanced Machine Intelligence), se construye sobre la tesis contraria: que el camino correcto son sistemas que aprenden representaciones abstractas del mundo a partir de datos sensoriales en bruto — video, señales de sensores, telemetría industrial — y que pueden planificar simulando las consecuencias de acciones candidatas dentro de esas representaciones. > *"Simplemente no son un camino hacia la inteligencia a nivel humano, ni siquiera a nivel animal. Esa es mi posición. No digo que sean inútiles — solo digo que no llevan a eso."* ## [07:51] AMI y los modelos de mundo "Modelo de mundo" se ha convertido en una palabra de moda, observa Yann, y el campo se ha dividido en dos corrientes: los enfoques generativos (modelos de video, VLAs) y los enfoques de embedding conjunto como JEPA. Descarta las VLAs — modelos de visión-lenguaje-acción entrenados para producir acciones robóticas — como fracasos ya ampliamente reconocidos: frágiles, hambrientos de datos, incapaces de generalizar. El enfoque generativo de video tiene el mismo defecto estructural que los LLMs: predice cada píxel en lugar de aprender la estructura abstracta subyacente. Un modelo de mundo, correctamente definido, es un sistema que permite a un agente anticipar las consecuencias de sus propias acciones antes de ejecutarlas. Sin eso, cualquier sistema agéntico opera a ciegas, sin capacidad de verificar si una secuencia de acciones planificada logrará el objetivo. > *"No puedo imaginar cómo se puede pensar en construir un sistema agéntico sin que ese sistema tenga la capacidad de predecir las consecuencias de sus acciones."* ## [12:07] La arquitectura JEPA explicada La intuición detrás de JEPA surgió de un patrón que Yann detectó a lo largo de años de investigación en aprendizaje autosupervisado: todas las arquitecturas que aprendieron representaciones útiles de imágenes y video con éxito eran no generativas. Las arquitecturas generativas — VAEs, autoencoders enmascarados, modelos de predicción de píxeles — tenían un rendimiento sistemáticamente inferior. JEPA toma una vista corrupta o parcial de una entrada, pasa ambas versiones por encoders y entrena un predictor para que las representaciones coincidan, no los píxeles en bruto. Esa abstracción es el punto central. El artículo de 2022 "A Path Towards Autonomous Machine Intelligence" fue su intento de plasmar el plano completo: JEPA como columna vertebral perceptual, planificación orientada a objetivos encima, y una estructura jerárquica de modelos de mundo a distintas escalas temporales. Describe su publicación como "revelar todos mis secretos" — una apuesta deliberada a que la apertura atraería más talento al paradigma de lo que el secretismo podría proteger. > *"Llevo mucho tiempo interesado en el problema de aprender modelos del mundo mediante predicción, y hace unos cinco años tuve una revelación: todas las arquitecturas que han tenido éxito para aprender representaciones de imágenes y videos son no generativas, y todas las generativas han sido básicamente fracasos."* ## [15:55] Problemas con los modelos de robótica actuales Las demostraciones actuales de robótica son impresionantes, pero están entrenadas con volúmenes enormes de datos de imitación — grabaciones de teleoperación, demostraciones con seguimiento de manos — y ajustadas con RL principalmente en simulación. Ese proceso produce especialistas frágiles. Un joven de 17 años aprende a conducir en unas 20 horas; tenemos millones de horas de video de conducción y aún no hay un auto autónomo de nivel 5. La brecha entre el aprendizaje por imitación y la generalización genuina es la brecha entre memorizar ejemplos y tener un modelo interno del mundo. La promesa de los sistemas basados en modelos de mundo es la generalización de tareas sin entrenamiento previo: dado un nuevo objetivo, un sistema con un modelo de mundo interno preciso puede planificar una secuencia de acciones para alcanzarlo sin haber sido entrenado explícitamente en esa tarea. Las aplicaciones industriales a corto plazo que apunta — control de turbinas de gas, plantas químicas, líneas de manufactura — son entornos donde las entradas ya son numéricas y un modelo de mundo puede entrenarse directamente con datos operativos. > *"El grado de generalización que obtendrías con un sistema basado en modelos de mundo es mucho mayor — un espectro más amplio de tareas con menos datos de entrenamiento que un sistema entrenado con aprendizaje por imitación."* ## [20:37] El comportamiento de manada en Silicon Valley El diagnóstico de Yann sobre por qué toda la industria convergió en escalar LLMs es estructural: cuando estás por detrás, no puedes permitirte trabajar en nada más. La carrera competitiva crea un incentivo racional para que cada laboratorio importante cave la misma trinchera. Fundó AMI Labs en París precisamente para escapar de esto — la oficina en EE.UU. está en Nueva York, no en Silicon Valley — y no levantó capital de ningún VC de Silicon Valley. Su predicción para el cambio de paradigma es principios de 2027. "Modelo de mundo" ya se está convirtiendo en un concepto de moda en investigación; la industria ha reconocido que las VLAs fracasaron; y el problema de generalización sin resolver en robótica actúa como catalizador. No afirma que AMI tendrá una solución completa para entonces, pero espera que para ese momento sea evidente para todos que era necesario un cambio de paradigma. > *"Creo que la comprensión de que se necesita un cambio de paradigma está ocurriendo ahora mismo y será completamente obvia para todos a principios de 2027."* ## [28:18] Tapestry: IA soberana para el resto del mundo Tapestry es un proyecto separado de AMI, construido en torno a una observación: a medida que las gafas inteligentes y los asistentes de IA se convierten en la interfaz principal de información, quien controla el modelo subyacente controla la dieta informativa de miles de millones de personas. Un agricultor en India, un filósofo en Alemania, un ciudadano en Marruecos — ninguno de ellos está bien servido por un modelo cuyo entrenamiento, valores y sesgos políticos fueron definidos por un puñado de personas en California o Shenzhen. La solución es el entrenamiento federado: países e instituciones aportan datos y cómputo, pero nunca comparten datos en bruto entre sí. Comparten vectores de parámetros. Cada participante entrena localmente, intercambia periódicamente actualizaciones de parámetros y obtiene un modelo de consenso en ejecución — un repositorio de todo el conocimiento humano que ninguna parte controla de forma unilateral. Países desde India hasta Kazajistán y Francia han expresado interés, porque la soberanía en IA se ha convertido en una prioridad política independiente de cualquier elección tecnológica. > *"Toda tu dieta de información estará mediada por asistentes de IA, y si ese asistente fue construido en California o en Pekín, eso no te beneficia."* ## [35:49] OpenAI es el próximo Sun Microsystems Los proveedores propietarios de LLMs ya han agotado los datos de texto disponibles públicamente. El camino restante — licenciar material con derechos de autor o generar datos sintéticos — es costoso y tiene límites. Los modelos de código abierto han ido cerrando la brecha sin esa restricción. Yann traza la analogía con el mercado de estaciones de trabajo Unix de los años 90: Sun Microsystems, HP y SGI tenían sistemas propietarios técnicamente superiores y argumentos sólidos para por qué no ibas a montar un servidor web en Windows NT — y todos fueron barridos por Linux. Hoy toda internet corre sobre Linux. OpenAI y Anthropic, dice, son el Sun Microsystems de este ciclo. > *"Básicamente, OpenAI, Anthropic, etc. de hoy son el Sun Microsystems y el HPUX de ayer."* ## [40:51] Por qué las ideas de Yann divergieron de las de Hinton y Bengio La ruptura ocurrió en 2023. La posición de Yann no cambió — las de Hinton y Bengio sí. Hinton se encontró con GPT-4 y concluyó que estaba cerca de la inteligencia humana, a partir de un cálculo aproximado sobre el número de neuronas corticales. Yann considera ese argumento incorrecto y lo interpreta como que Hinton encontró una justificación para declarar la victoria y retirarse de la investigación activa. El giro de Bengio fue distinto — más enfocado en los riesgos sociales de la concentración del poder en IA — y Yann tiene más simpatía por esa preocupación, aunque discrepa del encuadre apocalíptico. > *"No creo en esa afirmación para nada. Es la forma que tiene Jeff de decir: bueno, básicamente puedo retirarme — puedo declarar la victoria."* ## [44:32] Los LLMs son intrínsecamente inseguros La afirmación más contundente de Yann: los LLMs no pueden hacerse fiablemente seguros, no porque la alineación sea difícil, sino porque la arquitectura es estructuralmente incapaz de predecir las consecuencias de sus acciones. No existe ninguna restricción cableada que garantice que un LLM promovido cumpla realmente la tarea prevista; cumple lo que su entrenamiento lo condicionó a hacer, y siempre existe una brecha entre la distribución de entrenamiento y los prompts del mundo real. Agentes de código que borran discos duros, consejos médicos que salen mal, sistemas agénticos que toman acciones irreversibles — no son bugs a parchear, sino propiedades de la arquitectura. Su alternativa, la IA orientada a objetivos, funciona de otra manera: el sistema tiene un modelo de mundo explícito, una función de costo explícita que representa el objetivo y un conjunto de restricciones de seguridad rígidas. El optimizador encuentra una secuencia de acciones que satisface todas las restricciones y minimiza el costo — lo que significa que literalmente no puede tomar una acción que viole una restricción de seguridad por construcción. Esa garantía es imposible con un LLM. También rebate el discurso de lobby de Anthropic sobre el riesgo de la IA, argumentando que el peligro real proviene de actores maliciosos que usan los sistemas actuales, no de una superinteligencia emergente, y que la presión regulatoria beneficia principalmente a los incumbentes. > *"Los LLMs son intrínsecamente inseguros. No creo que puedan hacerse fiables y seguros. No pueden ser fiables porque no puedes evitar que alucinen."* ## [58:00] Por qué Yann dejó Meta Yann corrige un malentendido extendido: tuvo cero influencia técnica en Llama. Llama 1 fue un pequeño proyecto de FAIR; cuando GenAI se creó a principios de 2023, el equipo de Llama se trasladó allí y quedó bajo una intensa presión de producto a corto plazo. Dos de los autores de Llama 1 se fueron para fundar Mistral. GenAI se volvió conservadora y cada vez más restrictiva con las publicaciones. FAIR, mientras tanto, estaba siendo redirigida para apoyar el trabajo de LLMs de GenAI en lugar de perseguir la agenda de investigación de AMI que Yann, Zuckerberg y el CTO habían respaldado originalmente. A principios de 2024, el entorno ya no era propicio para la investigación de ruptura. > *"Hay un gran malentendido sobre mi rol, mi relación con Alex y cómo se gestionó la IA en Meta."* ## [01:00:26] Reflexiones sobre FAIR Yann se incorporó a Facebook a finales de 2013 y dirigió FAIR durante cuatro años y medio antes de dar un paso atrás para convertirse en Chief AI Scientist — un movimiento deliberado porque, como él mismo dice, no es un gestor nato. El proyecto interno de AMI surgió de su artículo de visión de 2022, que Zuckerberg, el CTO y el CPO leyeron y respaldaron. Pero los niveles por debajo del liderazgo no vieron el sentido, y la decisión de Meta de cerrar todo su grupo de IA en robótica — liderado por Gita Matarić, ahora en Amazon — dejó claro que la empresa no tenía interés en las aplicaciones para las que se construyen los modelos de mundo. Las restricciones a publicaciones se endurecieron, buenos investigadores se fueron, y la incompatibilidad entre la agenda de investigación de Yann y las prioridades de producto de Meta se volvió irreconciliable a principios de 2025. Cuando fue a levantar capital para AMI, los inversores ya conocían su historia por años de charlas públicas y estaban predispuestos a creer que los LLMs tenían límites fundamentales. > *"La mejor forma de obtener investigación de ruptura del tipo que lográbamos en los primeros días de FAIR y en Bell Labs es contratar a las mejores personas, darles los medios para tener éxito y quitarte de en medio."* ## [01:12:11] Consejos para estudiantes de doctorado Yann abre reflexionando que su predicción de que el aprendizaje autosupervisado funcionaría para video fue correcta en su mecanismo, pero incorrecta en dónde tuvo éxito primero: los LLMs son "un ejemplo deslumbrantemente exitoso de aprendizaje autosupervisado", solo que aplicado al lenguaje en lugar de a datos sensoriales. Luego plantea el desafío técnico central para JEPA: el colapso de representaciones. Si entrenas un predictor para mapear un embedding a otro, la solución trivialmente óptima es que ambos encoders emitan una constante. El aprendizaje contrastivo (su invención de 1993) previene el colapso, pero no escala con la dimensión. Los métodos de destilación como DINO funcionan, pero por razones mal comprendidas. Su mejor respuesta actual, SIGreg (Sketched Isotropic Gaussian Regularization), fuerza a que la distribución de salida del encoder sea gaussiana, maximizando el contenido de información sin pares negativos. Recomienda el artículo LeWorldModel — el primer modelo de mundo a pequeña escala entrenado con este enfoque — como el mejor punto de entrada a lo que AMI Labs tiene por delante. Su consejo para estudiantes de doctorado: no trabajen en LLMs — no pueden contribuir desde la academia sin cómputo de frontera, y estudiar por qué funcionan es ciencia descriptiva, no investigación creativa. > *"Un LLM funciona porque cuando tienes una secuencia de símbolos discretos, hacer predicciones es fácil. Si tienes el mundo real, no puedes usar un modelo generativo — tienes que entrenar un sistema que aprenda una representación y haga predicciones en el espacio de representación."* ## Entidades - **Yann LeCun** (Persona): Coganador del Premio Turing 2018; ex Chief AI Scientist en Meta FAIR; fundador de AMI Labs; profesor en NYU; inventor de las redes neuronales convolucionales y cocreador de JEPA - **Jacob Effron** (Persona): Partner en Redpoint Ventures; presentador del podcast Unsupervised Learning - **Geoffrey Hinton** (Persona): Coganador del Premio Turing; cambió su posición sobre las capacidades de los LLMs tras GPT-4; menos activo sobre los peligros de la IA desde 2024 - **Yoshua Bengio** (Persona): Coganador del Premio Turing; enfocado en los riesgos sociales de la concentración del poder en IA más que en la superinteligencia emergente - **JEPA** (Concepto): Joint Embedding Predictive Architecture — realiza predicciones en el espacio de representación en lugar del espacio de píxeles; forma la columna vertebral perceptual del marco de modelos de mundo de Yann - **World Model** (Concepto): Modelo interno que permite a un agente predecir las consecuencias de sus propias acciones antes de ejecutarlas; requisito previo para la IA agéntica segura en el marco de Yann - **Tapestry** (Concepto): Proyecto de entrenamiento federado de LLMs que permite a países e instituciones entrenar un modelo fundacional compartido preservando la soberanía de datos mediante el intercambio de vectores de parámetros - **AMI Labs** (Organización): Empresa de Yann (Advanced Machine Intelligence); con sede en París y oficina en EE.UU. en Nueva York; enfocada en modelos de mundo basados en JEPA para robótica, control industrial y salud - **Meta FAIR** (Organización): Facebook AI Research; origen de Llama 1, I-JEPA, V-JEPA y el programa interno de investigación de AMI; redirigida progresivamente hacia el soporte de LLMs de GenAI antes de la salida de Yann

Marc Benioff, CEO de Salesforce, se une a Jason Calacanis, David Friedberg y Chamath Palihapitiya (con David Sacks ausente) en un episodio de amplio alcance anclado en dos historias de actualidad: la primera cumbre Trump-Xi desde 2017 y el acelerado embate de la IA sobre las valoraciones del software empresarial. Benioff, presente en la cena de estado saudí, el Castillo de Windsor y esta delegación de la cumbre, ofrece una visión de primera fila sobre la diplomacia comercial entre Estados Unidos y China, antes de girar hacia la revalorización existencial de su propia compañía: argumenta que la infraestructura de datos y la plataforma de agentes de Salesforce la sitúan en el lado correcto de la disrupción por IA. La segunda mitad cubre el choque entre OpenAI y Apple, el demo multimodal en tiempo real de Thinking Machines, los alarmantes datos de El Niño de Friedberg y la ofensiva de Anthropic contra los esquemas de SPV en capas. ## [00:00] ¡Marc Benioff, CEO de Salesforce, se une al show! Sacks no está esta semana y Benioff ocupa su lugar. Jason pregunta de inmediato sobre el posicionamiento político de Benioff: exdonante demócrata, ahora asistiendo a cenas de estado saudíes y aparentemente bienvenido en la administración actual. Benioff descarta por completo el encuadre partidista. > *"No soy demócrata ni republicano. Soy americano."* Chamath señala que Benioff acumuló invitaciones al Castillo de Windsor, la visita del Príncipe Carlos a Estados Unidos y la cena de estado saudí en rápida sucesión: el raro CEO tecnológico que navega entre administraciones sin fricciones. El contexto presenta a Benioff como una voz excepcionalmente creíble sobre la cumbre que se desarrolla en tiempo real. ## [01:14] Cumbre Trump-Xi, hacer negocios en China como empresa estadounidense, impacto en los americanos y las elecciones de mitad de período El séptimo encuentro cara a cara entre Trump y Xi, demorado dos meses por la guerra con Irán, se abrió en Pekín con Xi advirtiendo que una mala gestión de Taiwán podría poner toda la relación "en una situación extremadamente peligrosa." Polymarket situó la probabilidad de invasión en 2026 en el 6% con 23 millones de dólares en volumen. En materia comercial, Xi se comprometió a comprar soja, GNL estadounidense y 200 aviones Boeing, y pidió una "puerta más abierta" al comercio. La delegación estadounidense parece un consejo de administración corporativo: Jensen Huang vendiendo chips, Kelly Ortberg vendiendo aviones, Brian Sykes de Cargill vendiendo soja, y Visa y Mastercard presionando por acceso al mercado de pagos. Friedberg encuadró la cumbre a través del prisma de la trampa de Tucídides: cuando una potencia en ascenso se encuentra con una en declive, el conflicto es históricamente probable. Aun así, argumentó que un momento de expansión de recursos, impulsado por la IA y la biotecnología, ofrece una salida poco común a ese patrón. > *"Parece que en este momento, cuando estamos viendo estos extraordinarios cambios tecnológicos desbloqueados por la IA, la automatización, la biotecnología y todo lo que podría anunciar una verdadera abundancia por delante, es el momento perfecto para decir que quizá el mundo pueda ser más multipolar."* Benioff confirmó que Salesforce no tiene oficinas ni empleados en el continente chino: todos los ingresos de China fluyen a través de una asociación exclusiva con Alibaba para cumplir con la ley de residencia de datos. Espera que la cumbre genere flujo real de pedidos en toda la delegación. Chamath argumentó que la jerarquía confuciana vertical de China hace que la diplomacia a nivel de CEO sea más efectiva que los canales burocráticos, y que los americanos que sienten el aprieto de la inflación necesitan que el acuerdo funcione. ## [18:46] Taiwán, chips, modelos de IA y la paz a través del comercio Benioff rechazó la premisa de que Taiwán es la prioridad central de China, insistiendo en que la prosperidad económica y el crecimiento de la clase media importan más a Xi que la ambición territorial. Ante la pregunta directa de si Estados Unidos debería defender Taiwán ante un bloqueo chino, evitó el planteamiento binario: "Creo que China y Taiwán se reconciliarán." Chamath adoptó una visión estructural: Estados Unidos está a roughly 1-2 nanómetros de la paridad doméstica en chips, punto en el que el valor estratégico de Taiwán pasa a ser económico antes que existencial. > *"Estamos en un punto donde probablemente estamos a 1 o 2 nanómetros de poder hacer lo que necesitamos que Taiwán haga estratégicamente por nosotros. Hoy es económico, y si sacas eso de la mesa, creo que tendremos una actitud muy diferente hacia Taiwán."* La propuesta de Chamath: vender los chips de todos modos, porque dejar que Huawei gane la carrera de semiconductores es peor que dejar que Nvidia venda en China con controles KYC sobre el uso de modelos. Benioff coincidió en que los modelos de IA chinos están cerca de la paridad con los estadounidenses a pesar de las restricciones de chips, lo que socava el argumento del embargo. Friedberg añadió que, a medida que China construye fábricas y equipos de capital propios, la irremplazabilidad de Taiwán se reduce por su propio camino, independientemente de los resultados políticos. ## [31:41] El impacto de la IA en el software: ¿qué SaaS prospera y qué SaaS muere? Jason expuso la revalorización sin rodeos: Salesforce bajó un 37%, ServiceNow un 42%, Workday un 45%, unos 180.000 millones de dólares en capitalización de mercado combinada esfumados ante la suposición de que la IA dejará obsoleto al SaaS gestionado. Benioff salió al frente. > *"No es mi primera apocalipsis del SaaS, honestamente, pero es la apocalipsis del SaaS actual."* Su argumento: el mercado se revalorizó sobre una premisa falsa. La apuesta de Salesforce es Agentforce: agentes de IA anclados en datos empresariales reales, no modelos genéricos propensos a alucinaciones. La adquisición de Informatica por entre 8.000 y 9.000 millones de dólares proporciona la capa de armonización de datos que hace confiables a los agentes: "La IA es muy probabilística; necesita estar anclada en la verdad, en una única fuente de verdad, o simplemente no puede funcionar bien." Benioff añadió que Salesforce gastará roughly 300 millones de dólares en Anthropic este año exclusivamente para agentes de codificación internos, comprimiendo los ciclos de implementación. Chamath dividió el mercado en dos: el extremo bajo ya terminó, las soluciones puntuales genéricas sin relaciones profundas con clientes están muertas; pero el extremo alto, donde opera Salesforce, está posicionado para beneficiarse del examen de retorno de inversión cuando los mercados públicos dejen de estar "eufóricos con la IA" y pregunten qué produjeron 3 billones de dólares en capex. Los supervivientes serán quienes tengan relaciones a nivel de C-suite, churn negativo y la capacidad de ofrecer las capacidades de IA como resultados medibles. ## [47:26] OpenAI considera demandar a Apple por el fracaso de la integración con ChatGPT Bloomberg informó que OpenAI podría demandar a Apple por incumplimiento de contrato: el acuerdo ChatGPT-Siri de 2024 colapsó en la práctica porque Apple dirige las consultas a ChatGPT solo cuando los usuarios dicen explícitamente "ChatGPT," nunca promocionó la integración, y OpenAI nunca vio los ingresos por suscriptores que esperaba. La defensa de Apple apunta a preocupaciones de privacidad sobre las prácticas de datos de OpenAI. Benioff reencuadró la historia como una divergencia estratégica entre los laboratorios de IA: Grok construyó compañeros y "sex bots," OpenAI apostó por Sora y redes publicitarias, Gemini lanzó Nano, y Anthropic ignoró todo eso para centrarse en agentes de codificación, y Anthropic resultó tener razón. Lanzó una pista sobre funcionalidad de codificación nativa en Slack aún sin anunciar. > *"Anthropic dijo que no saben de esos sex bots ni de Nano Banana, pero que van a hacer agentes de codificación. Y resultó que Anthropic tenía razón. Y de repente el cohete despegó."* Chamath planteó la pregunta de fondo: ¿qué le ocurre a Apple si la capa de interacción con la IA se desplaza completamente fuera del dispositivo? Predijo un "momento iPhone" de parte de un fabricante de hardware inesperado: un dispositivo ambiental delgado y siempre encendido que haga irrelevante al MacBook Pro para la inferencia de IA. Friedberg señaló que la estrategia actual de Apple consiste en llenar huecos antes que en tener visión, y que G Suite está quitando silenciosamente cuota empresarial a la pila de productividad de Apple. ## [56:54] Thinking Machines lanza modelo en tiempo real, el futuro de la IA para el consumidor y los modelos multisensoriales Thinking Machines, de Mira Murati, lanzó un modelo multimodal en tiempo real que monitorea el escritorio, escucha el audio ambiente y procesa la entrada de la webcam simultáneamente en intervalos de 200ms a través de dos pipelines paralelos: uno para razonamiento retrospectivo profundo y otro para respuesta en vivo. Al mismo tiempo, Apple ha patentado cámaras en el interior de los AirPods. > *"Los modelos multisensoriales son la próxima gran ola para la IA, aunque todavía no llegaremos a la AGI en ese punto."* Benioff argumentó que los LLM entrenados con lenguaje tienen limitaciones fundamentales: la cognición humana integra visión, audición y propiocepción en paralelo sobre hardware biológico. El anclaje multisensorial es la capa que falta. La economía de tokens es impresionante: el monitoreo ambiental en tiempo real a 8 horas por usuario al día supondría 1000 veces el consumo empresarial actual. Benioff rechazó la carrera de "modelo más grande = mejor," prediciendo que la inteligencia distribuida integrada en apps y dispositivos importará más que la escala bruta del modelo, y señalando espacio para una "nueva empresa prometedora" que combine sensores ambientales con contexto empresarial. ## [62:24] Rincón de Ciencia: Impactos de un El Niño históricamente fuerte en 2026 Friedberg presentó datos de anomalías de temperatura oceánica que muestran temperaturas superficiales del mar encaminadas hacia la mayor desviación de la norma desde 1877, roughly 4°C por encima de la línea base. La energía térmica almacenada: 11 millones de teravatios-hora, frente al consumo humano anual global de 25.000 teravatios-hora. > *"Eso equivale a 500 años de energía humana en este océano. Y en los próximos meses, esa energía se liberará en la atmósfera, lo que, con un 99% de confianza, hará que el próximo año sea el más caluroso registrado por un amplio margen."* La cascada: los vientos alisios alterados impulsan ríos atmosféricos hacia California y la costa del Golfo; las cúpulas de calor se extienden sobre Phoenix e interior de Canadá; los monzones indios fallan con alta probabilidad, amenazando a 150 millones de agricultores y 1.500 millones de personas dependientes de la alimentación; las exportaciones agrícolas de Brasil a Indonesia y Filipinas colapsan; los precios del trigo suben globalmente. Phoenix ya estaba a 106°F en mayo. Los mercados de materias primas cotizan activamente la exposición a El Niño. El lado positivo parcial de Friedberg: la genética de cultivos ha mejorado la resiliencia a la sequía y las tierras agrícolas de Siberia se están expandiendo, pero esas ganancias no rescatan la ventana de cosecha de 2026. ## [71:40] Anthropic arremete contra las "Dark SPVs" Anthropic señaló formalmente a las plataformas que venden SPVs en múltiples capas a inversores minoristas, el modelo de "dentistas a los que cobran comisiones de carga del 10%," y declaró que anulará las acciones vendidas a través de estructuras no autorizadas. Chamath lo respaldó sin reservas: cada empresa pre-IPO debería seguir el ejemplo, avanzar hacia los mercados públicos y dejar que estas estructuras desaparezcan. > *"Una vez que SpaceX salga a bolsa, una vez que Anthropic salga a bolsa, una vez que OpenAI salga a bolsa, veremos una letanía de demandas en todas direcciones entre los promotores de estas SPVs. No deberían estar permitidas."* Chamath predijo una oleada de consecuencias legales cuando las principales empresas de IA salgan a bolsa y los inversores minoristas en SPVs descubran que los números no cuadran. El capítulo cierra con Benioff hablando del modelo filantrópico 1-1-1 de Salesforce, el 1% de acciones, el 1% de beneficios y el 1% del tiempo de los empleados desde la fundación, que hoy da servicio gratuito a 50.000 organizaciones sin ánimo de lucro en la plataforma, y un emotivo recuerdo de Susan Wojcicki. ## Entidades - **Marc Benioff** (Persona): Presidente y CEO de Salesforce; invitado en este episodio; arquitecto del modelo filantrópico 1-1-1 y la plataforma de agentes de IA Agentforce - **David Friedberg** (Persona): Presentador; CEO de The Production Board; expuso el rincón de ciencia sobre El Niño - **Chamath Palihapitiya** (Persona): Presentador; CEO de Social Capital; defendió la supervivencia del SaaS de gama alta de Salesforce y la proliferación de chips de Nvidia - **Salesforce / Agentforce** (Software): CRM empresarial y plataforma de agentes de IA; la apuesta de Benioff de que los agentes anclados en datos son lo contrario a una sentencia de muerte para el SaaS - **Anthropic** (Organización): Empresa de seguridad en IA; proveedor preferido de agentes de codificación por Benioff (~300 millones de dólares en gasto planificado en Salesforce); también tomando medidas contra estructuras de SPV no autorizadas - **OpenAI** (Organización): Considera demandar a Apple por el fracaso de la integración ChatGPT-Siri; pivotando hacia agentes de codificación tras el éxito de Anthropic - **Thinking Machines / Mira Murati** (Organización): Lanzó un modelo multimodal ambiental en tiempo real que procesa escritorio, audio y webcam simultáneamente en intervalos de 200ms - **Trampa de Tucídides** (Concepto): Marco de ciencia política sobre el ciclo de conflicto entre potencia en ascenso y potencia en declive, invocado por Friedberg para enmarcar la oportunidad de abundancia cooperativa en la cumbre EE.UU.-China - **Dark SPVs** (Concepto): Vehículos de propósito especial en múltiples capas que venden capital pre-IPO en empresas privadas de IA a inversores minoristas, a menudo con altas comisiones y legitimidad jurídica cuestionada

El segundo episodio de Claude Code 101 de Anthropic abre el capó: el bucle agéntico que recopila contexto, toma acciones y verifica resultados; cómo la ventana de contexto se compacta antes de desbordarse; qué aportan realmente las herramientas frente al texto en entrada y salida; y los cuatro modos de permiso que se activan con shift+tab. ## [00:04] Pregunta inicial: en qué se diferencia de una aplicación de chat El narrador encuadra el resto del video en una sola pregunta: Claude Code no es una aplicación de chat, entonces cuál es la forma de la cosa? La respuesta que van a desempaquetar es el bucle agéntico. > *We know that Claude code is different from usual chat applications, but how does it work?* ## [00:13] El bucle agéntico — recopilar, actuar, verificar, repetir El bucle tiene cuatro tiempos. Introduces un prompt. Claude recopila el contexto que necesita hablando con el modelo, que devuelve texto o una llamada a herramienta. Claude ejecuta la acción: editar un archivo, ejecutar un comando. Luego verifica si el resultado satisface realmente el prompt. Si pasa, se detiene; si no, vuelve a ejecutar el bucle hasta que el trabajo esté completo y sea verificable. El usuario no queda bloqueado durante este proceso: puedes agregar contexto, interrumpir o guiar al modelo hacia el objetivo final mientras el bucle se ejecuta. > *And if they don't, Claude goes back and runs the loop again until the results are complete and verifiable.* ## [01:02] La ventana de contexto y la compactación automática La ventana de contexto es la memoria de trabajo de Claude: la conversación, el contenido de los archivos, las salidas de los comandos, todo lo que puede revisar. Está acotada. Cuando se alcanza el límite, Claude Code compacta la conversación por sí solo: decide qué descartar y qué resumir para que la ventana vuelva a bajar sin perder el hilo. > *Once you reach that limit, Claude code compacts your conversation, which automatically determines what it can take out of the context window and what it can summarize in order to bring the context window back down.* ## [01:26] Herramientas — despacho semántico para leer archivos, ejecutar código, buscar en la web La mayoría de los asistentes de IA son texto de entrada, texto de salida, sin nada entre medio. Las herramientas cambian eso: permiten al agente decidir cuándo ejecutar código para acercarse al objetivo. Leer un archivo, buscar en la web, ejecutar un comando de shell. Claude Code usa búsqueda semántica sobre las herramientas disponibles para elegir cuál invocar y consumir la salida. > *Tools let Claude code and other agents determine when to execute code to get closer to a task.* ## [01:52] Modos de permiso y el costo de omitirlos Por defecto, Claude Code pide confirmación antes de editar un archivo o ejecutar un comando de shell. Shift+tab permite cambiar entre alternativas: **aceptación automática de ediciones** escribe archivos sin preguntar pero sigue preguntando antes de los comandos; **el modo plan** restringe a Claude a herramientas de solo lectura para que pueda elaborar un plan de acción antes de tocar nada. El narrador señala el compromiso evidente: dar al agente rienda suelta significa que un error es más difícil de detectar antes de que ocurra. > *Giving Claude code free reign to run commands means a mistake could be harder to catch before even happens.* ## [02:28] Resumen — qué lo hace diferente de una ventana de chat Cuatro primitivas compuestas en un terminal: un bucle agéntico, una ventana de contexto gestionada, herramientas y permisos configurables. La combinación — leer el código base, actuar sobre él, verificar su propio trabajo — es lo que separa a Claude Code de un simple cuadro de chat. > *It can read your code base, take action, and verify its own work, and that makes it fundamentally different from a chat window.* ## Entidades - **Anthropic Tutorial Narrator** (Person): El narrador oficial de Anthropic para la serie de tutoriales Claude Code 101. - **Claude Code** (Software): El asistente de codificación terminal agéntico de Anthropic, construido alrededor de las cuatro primitivas desempaquetadas en este episodio. - **Agentic loop** (Concept): El ciclo recopilar-contexto, actuar, verificar, repetir que impulsa cada sesión de Claude Code. - **Context window** (Concept): La memoria de trabajo acotada de Claude que contiene la conversación, el contenido de archivos y la salida de comandos; auto-compactada al desbordarse. - **Tools** (Concept): Los efectos secundarios que el agente puede invocar — leer archivo, buscar en la web, ejecutar comando — seleccionados mediante búsqueda semántica sobre el catálogo de herramientas. - **Permission modes** (Concept): Por defecto (preguntar), aceptación automática de ediciones y modo plan (solo lectura) — cambiados con shift+tab. - **Plan mode** (Feature): Un modo de permiso de solo lectura que permite a Claude compilar un plan de acción antes de cualquier mutación.

La guía de instalación oficial de Claude Code. El narrador de Anthropic recorre los instaladores de una línea para todas las plataformas compatibles — terminal, VS Code, JetBrains, Claude Desktop y la web — y cierra con una regla sencilla para elegir la más adecuada. ## [00:04] Instaladores de una línea para el terminal (macOS, Linux, WSL, Windows) La ruta predeterminada es el terminal. Los usuarios de macOS, Linux y WSL disponen de un único comando `curl`; Homebrew también funciona, pero no incluye actualizaciones automáticas. En Windows, PowerShell usa `Invoke-RestMethod`, CMD tiene su propio fragmento de `curl`, y `winget` está disponible con la misma advertencia de auto-actualización que Homebrew. > *If you're on macOS, Linux, or WSL, use this curl command to install it in one go. If you prefer to use Homebrew, you can also use brew install to install it, but note that this doesn't have auto-update capabilities.* ## [00:33] Ejecutar claude en tu proyecto e iniciar sesión Tras la instalación, entra con `cd` en tu proyecto y ejecuta `claude`. El primer arranque muestra un selector de tema de color y un flujo de inicio de sesión que acepta una cuenta Pro, Max, Enterprise o una clave API. Las cuentas Enterprise deben seleccionar esa opción explícitamente. El directorio desde el que se lanza define el límite de acceso — Claude Code ve esa carpeta y todo lo que hay dentro, nada por encima. > *Whatever directory you decide to run cloud in, it will have access to that directory and all of its subfolders.* ## [01:02] Extensión de VS Code Abre el panel de Extensiones, busca la extensión Claude Code de Anthropic y confirma la marca azul de verificación antes de instalarla. Puede ser necesario reiniciar. Una vez instalada, la paleta de comandos (`Ctrl/Cmd+Shift+P`) abre una nueva pestaña de Claude Code; también puedes hacer clic en el logo desde cualquier archivo abierto, o desactivar completamente la interfaz gráfica para usar solo la experiencia de terminal desde los ajustes. > *You can also opt out of the UI and just use the terminal experience directly in your settings file.* ## [01:32] Plugin de JetBrains Mismo proceso que en VS Code: instala el plugin Claude Code desde el JetBrains Marketplace, reinicia el IDE y el logo de Claude aparece al relanzar. Al hacer clic se abre un panel lateral que muestra la experiencia de terminal junto a tu editor. > *For JetBrains IDEs, you can install the Cloud Code plugin from the JetBrains Marketplace. Once you install, restart your IDE.* ## [01:51] Claude Desktop y claude.ai/code en la web Claude Desktop expone Claude Code a través de un botón "code" en la parte superior de la aplicación una vez que has iniciado sesión — misma interfaz de tipo chat, pero limitada a una carpeta específica con permisos ajustables e incluso un modo de ejecución en la nube. La versión web está en `claude.ai/code` y reproduce la experiencia de escritorio, con una restricción importante: solo funciona con repositorios de GitHub. > *On the web, you can access Claude code by going to claude.ai/code. This works very similar to the desktop app. However, you're restricted to GitHub repositories only.* ## [02:27] Elegir la opción adecuada La heurística del narrador: primero el terminal si quieres las nuevas funciones el día en que se publican. Las integraciones con IDE ofrecen una experiencia prácticamente idéntica dentro de tu editor. El Desktop es la opción cuando quieres que Claude trabaje en segundo plano mientras haces otra cosa. La web es para trabajo remoto con repositorios de GitHub o para ejecutar varias sesiones en paralelo. > *If you want to constantly keep up to date with everything, the terminal is the best bet. Features ship there the fastest.* ## Entities - **Anthropic Tutorial Narrator** (Person): Narrador del curso Claude Code 101 de Anthropic. - **Claude Code** (Software): Herramienta de codificación agéntica de Anthropic, instalable en terminal, IDEs, escritorio y web. - **Homebrew / winget** (Software): Gestores de paquetes alternativos a los instaladores curl/PowerShell oficiales; ninguno admite auto-actualización. - **VS Code extension** (Software): Extensión Claude Code publicada por Anthropic; verificar la marca azul antes de instalar. - **JetBrains plugin** (Software): Plugin Claude Code distribuido en el JetBrains Marketplace; abre un panel lateral tras reiniciar el IDE. - **Claude Desktop** (Software): Aplicación de escritorio que expone Claude Code mediante un botón "code", con límite de carpeta y modo de ejecución en la nube. - **claude.ai/code** (Service): Versión web de Claude Code, restringida a repositorios alojados en GitHub.

Janie Lee y Chai Asawa de Abridge se suman a swyx y Jacob Effron de Redpoint en un cruce entre Latent Space × Unsupervised Learning para contar cómo un transcriptor AI se convirtió en la "capa de inteligencia clínica" de la sanidad. Recorren la filosofía de producto inspirada en el aire acondicionado, el caso de uso de la autorización previa, un stack de evals construido alrededor de científicos clínicos y jueces LLM, por qué HIPAA remodela el volante de datos, y qué se necesita para funcionar de forma fiable en más de 100 millones de conversaciones médicas. ## [00:00] Introducción El episodio abre con el pitch de Janie Lee: el contexto lo es todo, las alertas deben pasar de reactivas a proactivas, y el producto debe desvanecerse en el fondo como el aire acondicionado hasta que un riesgo clínico justifique la interrupción. swyx aprovecha para hacer un breve llamado a los oyentes a suscribirse. > *"Una cosa que nos gusta decir es que queremos que nuestro producto se sienta como el aire acondicionado. Debería estar de fondo, simplemente mejorando las cosas."* — Janie Lee ## [01:17] Qué hace Abridge swyx presenta el episodio como el cruce anual Latent Space × Unsupervised Learning, con Jacob Effron como invitado dado que Redpoint es inversor de Abridge. Janie describe Abridge como una capa de inteligencia clínica para sistemas de salud, que comenzó con la documentación: los clínicos dedican entre 10 y 20 horas semanales a redactar notas, y la conversación entre paciente y médico está aguas arriba de casi todos los artefactos posteriores: el expediente, el pago, el diagnóstico. Chai añade que todo lo que ocurre antes, durante y después de la visita se vuelve abordable cuando se tiene contexto completo sobre pacientes, pagadores, guías clínicas y literatura médica. > *"Abridge es una capa de inteligencia clínica para sistemas de salud. Realmente empezamos con la documentación y construyendo para los clínicos."* — Janie Lee ## [03:22] De la documentación ambiental a la inteligencia clínica Janie describe los tres "actos" de Abridge: ahorrar tiempo (el producto de transcripción original que devolvió las tardes a los médicos, el "pajama time"), ahorrar y generar dinero para sistemas sanitarios que operan con márgenes históricamente bajos, y en última instancia salvar vidas. Que el producto se abra millones de veces a la semana, antes, durante y después de cada visita, es lo que hace viable la expansión. > *"Le llaman 'pajama time'... los médicos después del trabajo, en pijama en casa, escribiendo y al día con sus notas cada día."* — Janie Lee ## [05:21] Apoyo a la decisión clínica y el contexto como eje central Jacob le pregunta a Chai cómo el apoyo a la decisión clínica de Abridge se compara con su trabajo anterior en Glean. Chai traza la diferencia: en Glean una respuesta incorrecta es molesta; en sanidad es de alto riesgo y la superficie de usuario es mucho más estrecha, menos personas, pero cada resultado tiene que acertar. Eso moldea todo, desde la evaluación offline hasta el despliegue progresivo, y enlaza con la visión tipo Jarvis de un asistente que realmente te conoce, la misma que cada hackathon de la última década intentó construir. > *"La visión Jarvis, esa que en cada hackathon al que fui durante la última década siempre tenía un competidor al estilo Jarvis, pero creo que Abridge empezó exactamente desde esa oportunidad y sigue avanzando en esa dirección."* — Chai Asawa ## [08:14] Fatiga por alertas, inteligencia proactiva y autorización previa Jacob plantea el clásico problema de la fatiga por alertas: cómo decidir cuándo romper el silencio del aire acondicionado e interrumpir. El ejemplo concreto de Janie es la autorización previa: un rechazo de una MRI que hoy llega semanas después puede convertirse en un aviso en tiempo real mientras el paciente sigue en consulta, condicionado a las políticas del pagador, los datos del EHR, diagnósticos anteriores y protocolos específicos del centro. La dificultad está en la fontanería de datos: la autorización previa solo funciona si el asistente puede unir cada señal relevante en el momento preciso. > *"Para que ese ejemplo de autorización previa sea posible, piensa en todos los datos que necesitas tener."* — Janie Lee ## [13:53] Formatos del AI ambiental y clientes en sanidad swyx pregunta por los formatos. Hoy la superficie principal es el móvil, pero Abridge también funciona en escritorio, plugins de navegador dentro del EHR, dispositivos en sala para pacientes ingresados, flujos de trabajo de enfermería, y empieza a explorar la realidad aumentada. El cliente es múltiple: CMIOs, CFOs, CIOs, clínicos, pacientes, pagadores y farmacéuticas están en algún punto del ciclo, con las interacciones de los pagadores a través de intercambios estructurados en lugar de acceso directo a los datos brutos de Abridge. > *"Habláis mucho de AI ambiental. ¿Es principalmente en el teléfono?"* — swyx ## [18:16] Los problemas de IA más difíciles en sanidad Ante la pregunta de cuál es el problema de IA más difícil en Abridge, Chai elige: soporte en tiempo real de alta calidad, baja latencia y bajo coste en un entorno clínico de alto riesgo. Modelar la larga cola de políticas de pagadores en representaciones intermedias sobre las que el sistema pueda razonar es un ejemplo concreto. La frontera de Pareto no deja de moverse, y tienen que empujarla ellos mismos en lugar de esperar a mejoras genéricas. > *"Y por supuesto la frontera de Pareto siempre está cambiando, pero también intentamos hacerlo ahora."* — Chai Asawa ## [19:43] Modelos de frontera, datos propietarios y estrategia de modelos Jacob pregunta qué usan tal cual frente a lo que construyen. El enfoque de Chai: los modelos de frontera siguen absorbiendo conocimiento médico general, así que la ventaja de Abridge reside en los datos propietarios de conversaciones médicas y en el comportamiento específico por especialidad construido encima. Son explícitamente agnósticos al modelo cuando pueden serlo: lo que importa es la experiencia final del producto, y combinan lo mejor según el flujo de trabajo. > *"Podemos usar algo para esto y aquello, y solo nos importa, al final del día, la mejor experiencia de producto."* — Chai Asawa ## [22:24] El EHR como sistema de archivos para agentes El enfoque de Chai para el próximo año: en el fondo, todo agente es un agente de código, y dentro de la sanidad el EHR funciona como el sistema de archivos: un gran almacén de información estructurada que no cabe en la ventana de contexto de ningún modelo actual. Janie añade que el objetivo sigue siendo mantener al clínico centrado en el paciente: tener el contexto adecuado listo en el momento preciso, sin revivir la conversación. > *"Casi todo agente es en el fondo un agente de código. Le das un sistema de archivos, puede escribir su propio código... puedes pensar en el EHR exactamente como un sistema de archivos."* — Chai Asawa ## [25:20] Personalización, memoria y preferencias del clínico Jacob pregunta cómo Abridge gestiona la personalización por médico. La respuesta de Janie es en capas: las ediciones individuales se convierten en señal, los valores predeterminados por especialidad se superponen, y las políticas del sistema sanitario lo envuelven todo. Chai habla de la memoria como un nuevo tipo de sistema de registro: tareas en segundo plano que consolidan señales entre visitas, similar a cómo el sueño consolida la memoria en las personas, de modo que el modelo "aprende" de cada edición y de cada no-edición. > *"Una de las cosas interesantes que también producimos es que la memoria es como uno de esos nuevos sistemas de registro."* — Chai Asawa ## [31:57] Evals, jueces LLM y despliegue progresivo Janie describe el stack de evals: clínicos internos realizan la revisión de primer paso LFD, los jueces LLM se calibran con esos datos anotados, evaluadores externos aportan una lectura independiente, y los evals por especialidad capturan lo que los genéricos pasan por alto. Chai añade una analogía con los coches autónomos: quieren contacto con la realidad lo antes posible, pero solo mediante despliegue progresivo, para que la distribución offline refleje realmente la distribución de producción. > *"Quiero entrar en contacto con la realidad lo antes posible, pero quiero un despliegue progresivo, porque por mucho que tenga un conjunto de evals offline, quiero que su distribución coincida realmente con la distribución de la vida real."* — Chai Asawa ## [38:04] HIPAA, desidentificación y privacidad La privacidad se trata como una restricción dura sobre el volante de datos. Chai explica que cualquier dato usado como base de evals online o de aprendizaje tiene que estar desidentificado de forma irreversible, y han diseñado procesos en torno a eso. Janie añade que los contratos con clientes también condicionan quién dentro de Abridge puede acceder a PHI, por lo que el listón para lo que vuelve a los datos de entrenamiento es contractualmente alto, no solo por política interna. > *"Cualquier dato que usemos necesita estar desidentificado; cualquier dato real que usemos como base de conjuntos de evals online o de aprendizaje, y por eso hay que..."* — Chai Asawa ## [40:38] 100 millones de conversaciones y operación a escala Con más de 100 millones de conversaciones, la superficie de trabajo cambia: el enrutamiento de modelos, el post-entrenamiento, los presupuestos de fiabilidad y el coste por llamada se convierten en preocupaciones de primer orden. Chai habla de los insights que pueden ofrecerse a los clínicos, y extiende la mirada hacia adelante: eventualmente esa misma conversación podría generar señales para pacientes y consumidores directamente, no solo para proveedores. > *"Hay tantísimo en nuestro conjunto de datos de cien millones de conversaciones. Puedes imaginar cosas como insights que puedes dar al clínico."* — Chai Asawa ## [45:27] Integración con el EHR y la capa de inteligencia clínica swyx pregunta sobre la relación con el EHR. Abridge invierte mucho en interoperabilidad profunda: la asociación con el EHR es el mínimo necesario para la adopción por parte de los clínicos, pero el valor que Abridge añade encima opera en otro alcance: contexto entre visitas, razonamiento consciente del pagador y el tipo de inteligencia clínica que el propio EHR no está estructurado para producir. > *"Uno de los socios clave es el EHR, y me pregunto cómo es esa relación."* — swyx ## [47:56] Regulación sanitaria, latencia e IA de alto riesgo Jacob pregunta qué ha aprendido Abridge de la regulación. Janie rebate la narrativa habitual: la IA sanitaria tiene en realidad vientos regulatorios a favor, porque el listón es tan alto que los problemas más difíciles acaban resolviéndose aquí primero. Chai explica los "trucos inteligentes" que lanzan hoy sabiendo que la frontera seguirá avanzando, y aceptando que algunos de esos trucos no sobrevivirán cinco años. > *"Creo que es donde algunos de los problemas de IA más difíciles se resolverán primero, precisamente porque el listón es tan alto."* — Janie Lee ## [51:28] Científicos clínicos y calidad en la larga cola Janie describe un rol interno de Abridge llamado el científico clínico: médicos que también son técnicos, desde ingenieros full-stack hasta "prompters increíblemente hábiles". Tenerlos integrados en los equipos de producto y evaluación eleva el listón de lo que se lanza, porque las personas que escriben los criterios LFD son las que realmente entienden qué significa ser clínicamente útil. swyx lo conecta con el aprendizaje activo sobre puntos débiles conocidos, el tipo de pulido que se ha perdido en la mayoría de los equipos de IA. > *"Tenemos un rol llamado el científico clínico, y creo que escuché a uno de nuestros líderes referirse a ellos recientemente como mutantes."* — Janie Lee ## [54:21] Lecciones de Glean e infraestructura de IA duradera Jacob pregunta a Chai qué se traslada de Glean. La respuesta gira principalmente en torno a lo que resiste el paso del tiempo: capas de contexto, sistemas orientados a eventos, Kafka, Temporal, sockets, CRDTs del manual de colaboración de Google Docs. Los sistemas multiagente heredan los mismos problemas de resolución de conflictos que tienen los humanos, y los patrones de infraestructura de la última década no se están descartando, sino reutilizando. > *"Hay mucha tecnología orientada a eventos... ya sea Kafka, Temporal, sockets y demás; cómo integrar todo eso es algo que también creo que es duradero."* — Chai Asawa ## [58:20] El futuro de los flujos de trabajo agentivos en sanidad Un breve intercambio sobre cómo sería un Abridge más agentivo: sigue anclado en el papel del clínico en la relación con el paciente, pero con más trabajo en segundo plano, reaccionando a resultados de laboratorio, redactando seguimientos, asumiendo capacidades en nombre del clínico sin apropiarse de la relación. > *"Incluso más capacidades en nombre del clínico, que creemos tiene un papel fundamental en la conexión con el paciente."* — Chai Asawa ## [58:51] PRDs, claridad de producto y construcción de productos AI serios La pregunta rápida de Jacob: en qué has cambiado de opinión sobre IA en el último año. Janie rebate la visión popular: los prototipos no lo son todo, los PRDs no están muertos. A medida que los productos se vuelven más complejos e impulsados por IA, la disciplina de claridad escrita de un PRD real importa más, no menos. El resto de la sección trata sobre cómo construir productos AI serios en sanidad: propiedad, disciplina de especificación escrita y resistencia al desarrollo impulsado por demos. > *"La opinión más provocadora es que los prototipos son el fin último y que los PRDs están muertos."* — Janie Lee (la opinión que cambió) ## [64:28] Herramientas de programación con IA en Abridge La pregunta de cierre habitual de swyx. Abridge usa Claude Code y Cursor internamente, y Jacob lanza una broma: le gustaría ver a Claude dirigir una empresa valorada en mil millones de dólares antes de generar ingresos. > *"Claude va a hacer esto... me gustaría ver a Claude... dirigir una empresa a mil millones de dólares antes de tener ingresos."* — Jacob Effron ## [65:23] Cierre Chai invita a los oyentes a visitar el sitio web de Abridge para acceder a sus artículos técnicos sobre reducción de alucinaciones, evals y el resto del stack de investigación. swyx y Jacob cierran con agradecimientos. > *"En el sitio web de Abridge tenemos muchos de nuestros artículos técnicos donde hemos hecho trabajo muy interesante, como reducir las alucinaciones."* — Chai Asawa ## Entidades - **Janie Lee** (Persona): Operadora de la era fundacional de Abridge; responsable del área de producto y comercial de la capa de inteligencia clínica. - **Chai Asawa** (Persona): Responsable de apoyo a la decisión clínica en Abridge; anteriormente en Glean. - **swyx** (Persona): Presentador de Latent Space. - **Jacob Effron** (Persona): Socio en Redpoint Ventures; presentador del podcast Unsupervised Learning. - **Abridge** (Organización): Empresa de IA sanitaria que construye la capa de inteligencia clínica, comenzando con documentación ambiental y expandiéndose hacia apoyo a la decisión, autorización previa, evals e integración con EHR. - **Glean** (Organización): Empresa de búsqueda empresarial con IA; referenciada como el empleador anterior de Chai y como contraste horizontal frente al enfoque vertical de Abridge. - **Redpoint Ventures** (Organización): Firma de capital riesgo; inversora en Abridge y sede del cruce con Unsupervised Learning. - **EHR (Electronic Health Record)** (Concepto): El sistema de registro central en el que operan los sistemas sanitarios; en palabras de Chai, el EHR funciona como un sistema de archivos para los agentes sanitarios. - **Autorización previa** (Concepto): Un caso de uso central de Abridge: convertir los rechazos de pagadores que hoy tardan semanas en orientación en tiempo real durante la visita. - **Proceso LFD** (Concepto): Revisión interna de Abridge liderada por clínicos como primer paso, usada para calibrar los jueces LLM y definir los criterios de evaluación. - **Científico clínico** (Concepto): Un rol de Abridge: médicos con perfil técnico, integrados en los equipos de producto y evaluación. - **Despliegue progresivo** (Concepto): La disciplina de despliegue de Abridge: lanzar a una fracción del tráfico real para mantener honesta la distribución offline, siguiendo el patrón de lanzamiento de los vehículos autónomos. - **Claude Code** (Software): Herramienta de programación con IA usada internamente en Abridge. - **Cursor** (Software): Editor de código con IA también usado internamente en Abridge.

El Subsecretario de Estado Jacob Helberg regresa a No Priors para presentar Pax Silica, una coalición de seguridad económica de 14 países diseñada para asegurar toda la cadena de suministro de IA, desde chips hasta imanes de tierras raras y actuadores de robots. El proyecto insignia: 4.000 acres en Filipinas (un tercio de Manhattan) cedidos a EE.UU. para una "base industrial de despliegue avanzado", concebida para hacer por el capitalismo democrático liberal lo que la Iniciativa Belt and Road de China hizo por la infraestructura estatal, pero impulsada por empresas privadas y capital de riesgo en lugar de empresas estatales. Sarah Guo y Elad Gil interrogan a Helberg sobre la durabilidad de la política entre administraciones, el papel de los fondos de capital de riesgo y por qué llama a América un "underdog global". ## [00:00] Apertura Helberg abre con el núcleo filosófico de Pax Silica: EE.UU. no ganará la competencia en cadenas de suministro con fábricas estatales. Su ventaja es el sector privado y sus empresas: el "encantar y deleitar" de Steve Jobs exportado por miles de millones. La estrategia consiste en construir plataformas junto a los creadores americanos que puedan operar como servicios comerciales fuera del gobierno. > *No vamos a gestionar cadenas de suministro desde el gobierno porque así no destacamos como país. Nuestro superpoder es realmente nuestro sector privado y nuestras empresas.* ## [00:41] Introducción de Jacob Helberg Sarah y Elad reintroducen a Helberg, ya confirmado como Subsecretario de Estado para Asuntos Económicos tras su última conversación previa a la confirmación. El marco de la hora: Pax Silica como un esfuerzo multinacional para asegurar la cadena de suministro de IA para EE.UU. y sus aliados. > *Jacob, muchas gracias por estar aquí. Sí, gracias por unirte a nosotros. Gracias por invitarme.* ## [01:02] La misión de Pax Silica Helberg traza Pax Silica a partir de su discurso en el Hudson Institute, que estableció un enfoque "basado en ecosistemas" para las cadenas de suministro. La coalición abarca ahora 14 países. El primer producto concreto fue el acuerdo con Filipinas: 4.000 acres cedidos a EE.UU. para una base industrial de despliegue avanzado. Presenta la apuesta como la combinación de la predictibilidad del derecho común americano con las ventajas comparativas industriales de Filipinas, enmarcándola explícitamente como el equivalente al lanzamiento de un producto de IA en cadena de suministro, celebrado en San Francisco para hablar directamente con los creadores. > *Pax Silica es una coalición de seguridad económica que ahora tiene 14 países y la idea es tener un enfoque basado en ecosistemas para nuestras cadenas de suministro y específicamente la cadena de suministro de IA.* ## [03:51] Inversión en cadenas de suministro de chips de IA La cadena de suministro de IA es mucho más amplia que los chips: "miles de insumos como reductores de precisión, motores de servidor, imanes de tierras raras y actuadores", y el riesgo de concentración de EE.UU. es alto en prácticamente todos. El enfoque de Helberg es elegir geografías con profundidad industrial indígena y alineación de valores. Filipinas cumple ambas: un ecosistema manufacturero profundo y el aliado más antiguo de EE.UU. en Asia. La robótica recibe atención explícita como el próximo cuello de botella tras los chips. > *La cadena de suministro de IA incluye miles de insumos como reductores de precisión, motores de servidor, imanes de tierras raras y actuadores, y nuestro riesgo de concentración como país es increíblemente alto para básicamente todos esos insumos.* ## [05:43] Comparación entre Pax Silica y la Iniciativa Belt and Road de China La comparación natural, y Helberg la abraza. La Iniciativa Belt and Road, explica para la audiencia, consistió en 25 años de empresas estatales construyendo carreteras, puentes, ferrocarriles, minas e instalaciones de procesamiento operados por el gobierno en el extranjero: infraestructura como herramienta de política exterior. Pax Silica invierte deliberadamente el modelo: los activos son privados y comercialmente viables, el papel del gobierno es reducir la fricción y alinear a los aliados, y el objetivo es una interdependencia económica duradera en lugar de influencia política. Helberg argumenta que esto es más duradero y transparente: los países receptores obtienen crecimiento real en lugar de trampas de deuda. > *Fundamentalmente, eran empresas estatales construyendo ferrocarriles operados por el gobierno, carreteras y puentes construidos por el gobierno.* ## [12:38] La propuesta de valor de Pax Silica Para los países socios, el argumento es simple: la IA ya impulsa más de un tercio del crecimiento del PIB de EE.UU. y genera una demanda récord de cobre, cobalto, electricistas y cada insumo que va a un centro de datos. Los países que toman posiciones significativas en diferentes capas de esa cadena de suministro capturan un crecimiento que de otro modo no pueden. Helberg enfatiza la naturaleza de suma no nula de los puntos de inflexión tecnológica para argumentar que esto puede ser mutuamente beneficioso: el pastel crece lo suficientemente rápido como para que todos en la mesa ganen. > *El pastel crece muy rápido. Y por eso realmente no es de suma cero, lo que lo hace increíblemente propicio para forjar relaciones muy mutuamente beneficiosas.* ## [14:38] Manufactura en EE.UU. versus en países asociados Elad plantea la pregunta obvia: qué se queda en EE.UU. versus qué se externaliza a socios. El enfoque de Helberg es consumo versus producción. EE.UU. es el 4% de la población mundial pero consume entre el 20 y el 30% de la producción global en la mayoría de las categorías, y produce mucho menos. Cerrar esa brecha reindustrializa América por definición. Algunas cosas (fábricas de última generación, capacidades críticas de defensa) deben ser domésticas. Otras (procesamiento de minerales, ciertos componentes) son mejor externalizadas donde la geografía y la base industrial ya favorecen. El instinto no es la autarquía sino una redistribución deliberada de la cadena de suministro entre aliados, con EE.UU. manteniendo las capas más estratégicamente sensibles. > *América representa, en algún lugar entre el 20 y el 30% del consumo global en cualquier trimestre.* ## [19:10] Precios de minerales de tierras raras Elad profundiza en las tierras raras: no son realmente raras, el mercado total es solo unos pocos miles de millones de dólares, fuertemente subsidiadas por China como palanca de control. Helberg está de acuerdo y reencuadra la economía: lo que determina la competitividad de las tierras raras es la intensidad energética y la calidad del grado de extracción, no la escasez geológica. Eso convierte la pregunta de política en abundancia energética y capacidad de procesamiento, no en encontrar nuevos yacimientos. La implicación es que EE.UU. puede ganar en esta categoría si resuelve el lado de la energía barata, que es en parte lo que el impulso más amplio de la administración hacia la oferta energética pretende posibilitar. > *Lo que realmente impulsa la economía de esas industrias es cuánta energía necesitas bombear en el suelo para extraer un mineral determinado con un grado de calidad determinado.* ## [22:16] El papel del capital de riesgo en Pax Silica Sarah pregunta, "preguntando por un amigo", cuál es el papel del capital privado. La respuesta de Helberg es inusualmente directa para un funcionario del Departamento de Estado: los fondos de capital de riesgo son mejores que el gobierno a la hora de evaluar a los fundadores y operadores, y la capacidad de ejecución es lo que determina si los proyectos ambiciosos sobreviven al contacto con la realidad. Quiere que el ecosistema de capital de riesgo actúe como capa de señal: la asignación gubernamental puede apoyarse en adónde ya van los operadores creíbles, en lugar de que el gobierno intente elegir ganadores solo. La colaboración es explícitamente bilateral: los fondos de capital de riesgo identifican empresas con capacidad de ejecución, el gobierno proporciona demanda y apoyo de política. > *Ustedes están prácticamente predispuestos a evaluar muchos de los atributos de personalidad de los fundadores y operadores.* ## [24:50] Prioridades a corto versus largo plazo Como se equilibran los entregables de 2027-2028 con los planes a cinco años. La respuesta de Helberg es configurar el entorno más que elegir plazos. El enfoque de la administración es dar forma al entorno macroeconómico para que tanto la iteración a corto plazo como los proyectos intensivos en capital a largo plazo sean más fáciles: reducir burocracia, ampliar la oferta energética doméstica, cuadruplicar la nuclear. Cita uno de los primeros decretos ejecutivos firmados por Trump para cuadruplicar la energía nuclear doméstica como habilitador estructural que rinde frutos en ambos horizontes. > *Ayudar a dar forma al entorno, creando un macro entorno que básicamente hace que la innovación, la iteración de innovaciones y el despliegue de innovaciones sean mucho más fáciles y menos costosos.* ## [27:09] Hacer la política de IA duradera Elad plantea el problema de los decretos ejecutivos: cada administración cancela los de la anterior. Como sobrevive Pax Silica a una transición. Helberg señala que algunas cosas, como la reforma fiscal, son muy duraderas, y que su cargo le impide comentar sobre política electoral. No responde completamente a la pregunta de durabilidad, lo que en sí mismo es la respuesta: la durabilidad tiene que venir de la legislación y de los hechos sobre el terreno (la base industrial en Filipinas, la manufactura asociada) que son difíciles de revertir. > *La reforma fiscal es muy duradera.* ## [28:09] Cómo las políticas afectan a los emprendedores Para los empresarios y operadores americanos, Pax Silica se posiciona como plataforma de acceso al mercado, ampliando lo que las empresas de EE.UU. pueden vender en mercados aliados como Japón, Corea del Sur, India y Singapur, donde incluso los socios comerciales amigos imponen fricciones considerables. Helberg quiere específicamente comentarios de los operadores sobre asociaciones ya en marcha, decisiones de cadena de suministro que los ejecutivos están tomando de manera más deliberada, y correcciones de política que desbloquearían la colaboración transfronteriza. > *Queremos usarla como plataforma para expandir el acceso al mercado para nuestras empresas.* ## [31:00] La administración Trump como gobierno emprendedor Preguntado sobre lo que más le sorprendió al comenzar en el Departamento de Estado, Helberg señala la velocidad y el apetito por el riesgo de la administración: el "tiempo Trump", el chiste recurrente con las contrapartes en el exterior. Lo atribuye a un presidente que pasó la mayor parte de su vida en el sector privado y a un gabinete (Bessent, Lutnick, otros) que opera con instintos del sector privado en lugar de burocráticos. La implicación para los creadores: el apetito por probar cosas nuevas es inusualmente alto ahora mismo, y Pax Silica es uno de sus beneficiarios. > *Nos gusta movernos en tiempo Trump.* ## [33:00] Por qué América es un underdog global Sarah cierra presionando a Helberg sobre su descripción de América como "underdog global", contraintuitiva dado que EE.UU. suele describirse como la potencia establecida. Helberg invoca la Trampa de Tucídides de Graham Allison y rechaza el marco: la identidad de América desde su fundación ha sido la de una nación de underdogs, 13 colonias desorganizadas rebelándose contra el imperio de la sociedad educada, repetidamente anunciadas en declive, repetidamente demostrando equivocadas las predicciones de la clase establecida. El argumento se presenta como una defensa de la cultura de riesgo americana y un cierre de presentación: el país gana comportándose como un underdog en lugar de defender su posición dominante. > *Siempre hemos sido una nación de underdogs.* ## Personajes - **Jacob Helberg** (Persona): Subsecretario de Estado para Asuntos Económicos de EE.UU.; arquitecto de Pax Silica. - **Sarah Guo** (Persona): Anfitriona de No Priors; fundadora y socia general de Conviction. - **Elad Gil** (Persona): Coanfitrión de No Priors; inversor independiente y emprendedor en serie. - **Pax Silica** (Concepto): Coalición de seguridad económica de 14 países liderada por el Departamento de Estado de EE.UU., orientada a asegurar la cadena de suministro de IA mediante bases industriales de despliegue avanzado y asociaciones con el sector privado. - **Iniciativa Belt and Road** (Concepto): Programa de infraestructura en el extranjero liderado por el Estado chino durante 25 años, el contrapunto frente al cual se posiciona Pax Silica. - **Base Industrial de Despliegue Avanzado en Filipinas** (Proyecto): 4.000 acres cedidos a EE.UU. para desarrollo industrial, el primer proyecto insignia de Pax Silica. - **Trampa de Tucídides** (Concepto): Marco de Graham Allison que caracteriza la relación EE.UU.-China como potencia establecida frente a potencia emergente; Helberg rechaza la caracterización de potencia establecida. - **Administración Trump** (Organización): Enmarca la velocidad y el apetito por el riesgo de Pax Silica ("tiempo Trump"), con los miembros clave del gabinete Scott Bessent y Howard Lutnick referenciados.

Mikey Shulman, co-founder of Suno, discusses the platform's evolution from a physics-based startup to a leader in generative AI music. By modeling music as raw sound waves rather than traditional theory, Suno empowers users to transition from passive listeners to active creators in the era of 'creative entertainment.' ## [00:00] Physics, Raw Sound, and Technical Philosophy Mikey Shulman explains how his background in quantum physics at Harvard influenced Suno's interdisciplinary approach to music technology. By modeling audio as raw sound waves sampled 48,000 times per second rather than using traditional music theory, Suno avoids creative constraints and allows for the emergence of new, microtonal genres. > *I think what I mostly learned is playing at the nexus of two things that don't usually play together is just a massive opportunity. [02:00]* ## [02:15] The Pivot to Consumer Music Generation Initially focused on audio analysis, the Suno team pivoted to generation after breakthroughs in audio compression made high-quality output computationally feasible. They validated the product's 'fun factor' through a Discord bot, discovering that the addictive nature of creation was a stronger signal than traditional business use cases. > *When you are staying up late playing with the thing, and you don't want to go to sleep, it's like a really good sign. [04:49]* ## [11:41] Why Music AI is a Research Problem, Not a Scale Problem Unlike Large Language Models, music generation lacks objective benchmarks, making raw compute scale less effective than targeted research. Shulman emphasizes using human preference data and reinforcement learning to align models with creative tastes, favoring a steady release cadence over long-term isolated development. > *In music there are no right answers. There are no benchmarks. Um, and so scale is somewhat less helpful in solving it. [12:28]* ## [16:22] From Passive Consumption to Creative Entertainment Shulman introduces the concept of 'creative entertainment,' where the act of building provides more fulfillment than the final product itself. He notes that 90% of Suno users are active creators, drawing parallels to the 'bedroom producer' era where accessible tools led to the discovery of new genres. > *People are creating music for the fun and enjoyment and fulfillment that comes with being creative. [17:05]* ## [22:52] Industry Partnerships and Professional Integration Addressing industry concerns, Shulman highlights Suno's partnership with Warner Music Group and its role in augmenting professional workflows. He argues that AI will raise the quality ceiling for artists and predicts that interactive live performances, such as audience participation at Coachella, are the next frontier. > *I think people incorrectly assume that we hate the existing music industry and especially we hate the record labels. [23:17]* ## [25:53] Product Strategy and the Application Moat Suno prioritizes the application layer and user experience as its primary competitive moat, viewing itself as a music company rather than just a technology firm. By focusing on storytelling through full-length lyrical songs and social co-creation features, the company aims to revive the cultural impact of music as a social medium. > *It's unclear how much moat exists in only a model... it's just really undervalued to invest in the product and the UI and the UX. [26:50]* ## Entities - **Mikey Shulman** (person): CEO and co-founder of Suno with a PhD in physics from Harvard. - **Suno** (organization): An AI-powered creative entertainment platform for music generation. - **Sonya Huang** (person): Partner at Sequoia Capital and host of the interview. - **Warner Music Group** (organization): A major global record label that partnered with Suno. - **Discord** (organization): The platform where Suno initially launched its music generation bot. - **Harvard** (organization): The university where Mikey Shulman studied quantum computing. - **Iamona** (person): A poet and artist who uses Suno to create music, illustrating the tool's professional potential. - **Coachella** (event): A major music festival cited as a future venue for interactive AI music experiences.

Estados Unidos lleva 50 años de retraso respecto a China en el suministro de minerales críticos, y su red eléctrica sigue funcionando con sistemas mecánicos diseñados hace un siglo. Turner Caldwell (Mariana Minerals) y Drew Baglino (Heron Power) — ambos ex ingenieros de Tesla — sostienen que cerrar esas brechas es el verdadero requisito previo para el dominio de la IA y la reindustrialización. Caldwell apuesta por refinerías autónomas impulsadas por aprendizaje por refuerzo para comprimir los plazos de proyectos de una década a algo defendible; Baglino apuesta por transformadores de estado sólido — silicio y software reemplazando acero, aceite y cobre — para modernizar la conversión de energía en centros de datos e instalaciones de energía a gran escala. Ambos convergen en el mismo desbloqueo: cadenas de suministro co-localizadas, contratación desde industrias análogas y una política industrial federal duradera en torno a la cual el capital privado pueda planificar. ## [00:00] Introducción El episodio abre con tres afirmaciones que plantean el desafío: Caldwell señala que Estados Unidos lleva 50 años de retraso en el suministro de minerales críticos y es demasiado lento para escalar capacidad incluso después de obtener las licencias; Baglino observa que la capa de transmisión y conversión de la red no ha tenido cambios significativos mientras todo en su borde — vehículos eléctricos, almacenamiento, carga rápida — se ha transformado; Price-Wright enmarca ambas como solucionables con el mismo tecno-optimismo que Tesla aplicó a los vehículos eléctricos. > *"La convicción de que se puede innovar en sistemas viejos y obsoletos está en el núcleo de la empresa."* — Turner Caldwell ## [00:47] La IA necesita infraestructura física Price-Wright abre el segmento principal nombrando el error de categoría que subyace a la mayoría de los comentarios sobre la carrera de IA: la competencia no es entre modelos y chips, sino entre capacidades de desarrollo físico. Cada modelo innovador, nueva fábrica y sistema autónomo tiene un requerimiento del mundo real debajo — materiales, energía y la capacidad de mover electricidad hacia donde se necesita. La presión sobre la red no es un techo, sino un llamado a la acción comparable en escala a los proyectos nacionales en torno a los cuales América se ha movilizado antes. > *"Si queremos reconstruir la columna vertebral industrial de Estados Unidos, tenemos que repensar toda la cadena, desde los minerales críticos hasta la generación de energía, la transmisión y cómo construimos e interconectamos nueva infraestructura a la velocidad que se necesita."* — Erin Price-Wright ## [02:23] Los constructores Price-Wright presenta a los dos invitados como constructores que cubren extremos opuestos de la cadena física: Caldwell desde la corteza terrestre hasta la refinación, Baglino desde el cable a través del transformador hasta la carga. El encuadre agudiza la tesis del episodio: el futuro de la IA en América está limitado por átomos, no por algoritmos, y ambos fundadores eligieron esas limitaciones deliberadamente después de ver cómo el borde de la red se transformaba mientras la infraestructura subyacente no lo hacía. > *"La limitación del futuro de la IA en América, y la reindustrialización en general, son en gran medida átomos y no algoritmos."* — Erin Price-Wright ## [03:11] Qué hace Mariana Minerals Mariana Minerals es una empresa de minería y refinación con enfoque primero en software — alrededor de un cuarto del equipo son ingenieros de software y machine learning — pero no vende software. Diseña, construye y opera sus propios proyectos. Caldwell describe tres sistemas operativos: Capital Project OS automatiza flujos de trabajo agénticos en ingeniería, adquisiciones y construcción; Plant OS usa aprendizaje por refuerzo para controlar temperaturas, caudales, tasas de adición química y tiempos de residencia de refinerías de forma autónoma; Mine OS aplica el mismo enfoque de RL al control autónomo de intervalo corto en operaciones mineras. Una mina de cobre en el sureste de Utah produce hoy cobre de alta pureza; una refinería de litio en Texas está en construcción, con una meta de 10 proyectos en 10 años. > *"Estamos apostando fuerte por la autonomía en las refinerías, donde usamos aprendizaje por refuerzo para eliminar a los humanos del proceso de decisión sobre cómo operan las refinerías."* — Turner Caldwell ## [04:19] La apuesta de Heron Power en la red Baglino traza el problema a una divergencia de cuatro décadas: las mejoras equivalentes a la Ley de Moore en semiconductores de potencia han transformado los teléfonos, las telecomunicaciones y los centros de datos, pero la red eléctrica sigue funcionando con los mismos sistemas en gran parte mecánicos diseñados hace más de 100 años. Sin control, sin monitoreo, un sistema sobrediseñado y frágil — y la mayoría de los proveedores de transformadores tienen sede en el extranjero, lo que Baglino trata como un problema de seguridad en la cadena de suministro, no solo una oportunidad de negocio. Heron Power construye transformadores de estado sólido que reemplazan el acero, el aceite y el cobre en la conversión de potencia con silicio y software, apuntando a centros de datos, instalaciones solares y de baterías a gran escala, y otros nodos críticos de la red. > *"En Heron Power estamos enfocados en construir transformadores de estado sólido para usar silicio y software para reemplazar el acero, el aceite y el cobre en la conversión de potencia."* — Drew Baglino ## [05:31] Por qué importa relocalizar Baglino rastrea el carburo de silicio — el semiconductor de potencia clave que habilita los transformadores de estado sólido — hasta décadas de investigación del Departamento de Energía y la Marina, argumentando que Estados Unidos debería ser el primero en comercializar lo que la inversión estadounidense creó; cederlo a otros países significa renunciar al beneficio completo de esa investigación. Caldwell agudiza el caso de los minerales: Estados Unidos lleva 50 años de retraso respecto a China específicamente, y la reforma de permisos más el financiamiento de proyectos solos no lo resolverán. El cuello de botella es la velocidad de ejecución después de obtener las licencias — 5 años para construir, 3 a 5 más para alcanzar la tasa operativa — y toda la tesis de Mariana es comprimir esa fase, porque ponerse al día requiere superar a China, no solo igualarla. > *"Incluso si empezamos a reducir las cargas para ponernos al nivel de China, en realidad tenemos que ir más rápido que China."* — Turner Caldwell ## [07:48] Lecciones de Tesla y fuerza laboral Caldwell nombra tres activos transferibles de Tesla: tecno-optimismo hacia los sistemas heredados, apetito por el riesgo que permite tomar decisiones rápidas sin parálisis por miedo al fracaso, y el rechazo institucional a abandonar proyectos de alto valor cuando se vuelven difíciles. Baglino agrega las apuestas financieras de do-or-die que enfocan a organizaciones enteras — "odio decir do or die, pero es equivalente a eso" — y la claridad de misión como imán de talento que permite elegir entre los mejores. En cuanto a la fuerza laboral, ambos fundadores miran a industrias análogas: Baglino contrató talento de manufactura de baterías de plantas de embotellado de alta velocidad e instalaciones de jeringas al construir la planta de 50 GWh en Texas del programa 4680; Caldwell se nutre de ingenieros de petróleo y gas y desarrolladores de software que escriben algoritmos de optimización para la minería. El diferencial de costo laboral entre fábricas de Estados Unidos y China es menos del 10% del costo de bienes vendidos — Baglino argumenta que puede ser inferior al 5% — y el verdadero motor de competitividad son las cadenas de suministro co-localizadas, con las zonas industriales de China donde cada pieza de un auto está a menos de tres horas. > *"Las fábricas de hoy están muy automatizadas. La diferencia laboral es menos del 10% del costo de bienes vendidos. Lo que realmente impulsa la competitividad es la cadena de suministro."* — Drew Baglino ## [21:09] Pedidos de política pública y cierre Caldwell pide el kit completo de política mineral aplicado al petróleo y el gas en los últimos 50 años — no ítems seleccionados — anclado por una estructura de incentivos que dé a los mercados de capital privado suficiente confianza en el mercado a largo plazo para que no les saquen la alfombra de debajo de una industria que no se ha desarrollado internamente en 30 años. Baglino nombra tres puntos específicos: una política industrial duradera en torno a la cual proveedores y financiadores puedan planificar; un esfuerzo conjunto federal-estatal para designar zonas de desarrollo de energía y manufactura donde las jurisdicciones locales lleguen al sí en lugar de buscar razones para bloquear; y un fondo federal de fideicomiso de autopistas equivalente para la red eléctrica — un plan maestro financiado que conecte zonas de manufactura a través de infraestructura lineal de transmisión para mejorar la resiliencia, reducir costos y hacer avanzar a la nación. > *"Me gusta la idea de un fondo federal de fideicomiso de autopistas para la red. Nunca ha existido. Por eso tenemos este mosaico."* — Drew Baglino ## Personajes - **Turner Caldwell** (Persona): Cofundador y CEO de Mariana Minerals; lideró el equipo de minerales y metales de Tesla; arquitecto del control autónomo de refinerías y minas mediante aprendizaje por refuerzo. - **Drew Baglino** (Persona): Cofundador y CEO de Heron Power; 18 años de experiencia en Tesla como SVP de Powertrain e Ingeniería de Energía; construyó el programa Megapack y la planta de baterías 4680 de 50 GWh en Texas. - **Erin Price-Wright** (Persona): Socia General en a16z (práctica American Dynamism); presentadora del episodio. - **Mariana Minerals** (Organización): Empresa de minería y refinación de minerales críticos con enfoque primero en software; opera una mina de cobre en el sureste de Utah, construye una refinería de litio en Texas; apunta a 10 proyectos en 10 años. - **Heron Power** (Organización): Startup de electrónica de potencia que reemplaza equipos mecánicos de conversión de red con transformadores de estado sólido construidos con silicio y software. - **Tesla** (Organización): Origen compartido de ambos fundadores; citada como referente de tecno-optimismo, apetito por el riesgo y talento orientado a la misión en sectores industriales difíciles. - **Silicon Carbide** (Concepto): Semiconductor de potencia clave que habilita los transformadores de estado sólido; el productor líder mundial tiene sede en Estados Unidos, haciendo que la comercialización doméstica sea una prioridad estratégica en torno a la cual Baglino centra Heron. - **Aprendizaje por refuerzo para control industrial** (Concepto): Tecnología central de Plant OS y Mine OS de Mariana — elimina el cuello de botella del conocimiento acumulado de operadores humanos escasos al ajustar autónomamente los circuitos de refinería y las decisiones de intervalo corto en minería. - **Cadenas de suministro co-localizadas** (Concepto): Argumento principal de Baglino para la competitividad manufacturera de Estados Unidos — reducir el tiempo y costo logístico agrupando todos los insumos en una región, replicando el modelo de zona industrial de China donde cada pieza de un auto de 7.000 partes está a menos de tres horas.

Noah Brier corre Claude Code en un mini PC de su sótano, sincronizado con su vault de Obsidian a través de una VPN de Tailscale, y hace pensamiento real, investigación y código para clientes desde su teléfono. La conversación aborda cómo construyó este stack, por qué impone restricciones estrictas de "modo de pensamiento" para evitar que el modelo redacte artefactos prematuramente, y su teoría más amplia de que la IA triunfa cuando se mete en los rincones y grietas de las organizaciones en lugar de exigirles que adopten nuevas estructuras. Dan Shipper y Noah también exploran qué significa realmente construir intuición sobre la IA y por qué preparar a los hijos para la IA tiene más que ver con enseñarles escepticismo epistémico que con vigilar el plagio. ## [00:00] La configuración de Claude Code de Noah Brier en un servidor casero Dan Shipper abre el episodio describiendo la configuración que hace que Noah valga la pena escuchar: un servidor doméstico en el sótano que corre Claude Code sobre un vault de Obsidian, accesible desde cualquier lugar a través del teléfono. Noah lo ha montado de modo que puede pensar, investigar, escribir y publicar código sin tener que sentarse ante un escritorio. > *"Armó un servidor en su sótano, le puso su vault de Obsidian y corre Claude Code encima para poder pensar, investigar, escribir e incluso publicar código directamente desde su teléfono."* ## [00:52] Introducción Dan y Noah se ponen al día, su primera conversación en unos cinco años. El recorrido de Noah abarca la estrategia de marca (cofundó Percolate), la consultoría de IA en Alephic y la conferencia BRXND.AI. Dan enfoca la entrevista en el stack práctico que Noah ha construido, no en la discusión abstracta sobre IA. > *"Me alegra tenerte aquí. Qué bueno poder charlar. Esta es nuestra primera entrevista en probablemente como 5 años."* ## [02:10] Cómo puedes hacer trabajo profundo desde tu teléfono Noah aclara desde el principio que su configuración es menos "vibe coding" y más trabajo del conocimiento estructurado. Abandonó Evernote por Obsidian porque los archivos markdown y las carpetas le dan algo sobre lo que Claude Code puede operar realmente. Su caso de uso principal de Claude Code es interactuar con sus notas, no generar código, y la extensión móvil de esa configuración ha cambiado fundamentalmente sus patrones de trabajo. > *"Mi uso número uno de Claude Code es usarlo como herramienta para interactuar con mis notas."* ## [05:30] Por qué Noah cree que Grok tiene el mejor modo de voz de IA Noah prefiere el modo de voz de Grok sobre los equivalentes de OpenAI y Gemini: Gemini no era suficientemente inteligente, y el antiguo modo de voz de GPT-4o le resultaba inutilizable. Lo usó en un viaje en solitario de cinco horas para trabajar en un artículo sobre los Transformers, conectándolo por Bluetooth y tratándolo como un podcast de investigación personal. La conversación saca a relucir una frustración compartida: los modelos de voz todavía no hacen bien el tool calling ni la investigación web, lo que limita su utilidad para trabajo intelectual serio. > *"Hice una sesión de una hora y realmente, fue de lejos la mejor explicación que he leído o escuchado sobre eso."* ## [11:11] Los detalles técnicos de la configuración Claude Code-Obsidian de Noah Noah recorre en pantalla su carpeta de Obsidian en vivo. Claude Code está en el directorio raíz de Obsidian, así puede acceder a todo el archivo de notas. Para una charla que está preparando para BRXND.AI, sobre el Simple Sabotage Field Manual de la Segunda Guerra Mundial y lo que dice sobre la burocracia en las grandes organizaciones, ha creado una carpeta de proyecto dentro de Obsidian con transcripciones de chats con ChatGPT, Claude y Grok, junto con artículos y PDFs. El trabajo de Claude en esta etapa no es escribir la charla sino ayudarle a pensar: extrae notas relevantes, sintetiza el progreso diario en un registro y hace preguntas clarificadoras. Noah establece restricciones de modo de pensamiento explícitamente en el frontmatter del CLAUDE.md del proyecto. > *"Estoy en modo de pensamiento, no en modo de escritura todavía. Hay cosas aquí donde específicamente le he dicho, creo que está en el frontmatter, donde le he dicho a Claude Code: no me ayudes a escribir nada ahora mismo."* ## [26:05] Usar un agente en Claude Code como 'compañero de pensamiento' Noah argumenta que la palabra "generativo" ha distorsionado la forma en que la gente usa la IA: todo el mundo se centra en su capacidad para producir artefactos, casi nadie habla de lo extraordinaria que es su capacidad de lectura. Mantiene un agente compañero de pensamiento con restricciones explícitas: "No crees esquemas, borradores ni ninguna versión de charlas o escritura." El agente anota preguntas, rastrea ideas emergentes y construye un registro continuo para que Noah pueda retomar exactamente donde lo dejó tras un descanso. Sigue un hilo desde la investigación profunda de ChatGPT sobre Wild Bill Donovan hasta una idea tentativa sobre cómo el paralelismo de la arquitectura transformer refleja la autonomía operacional de las fuerzas especiales. > *"Creo que en parte porque lo llamamos generativo, hay demasiado enfoque en su capacidad para escribir y no suficiente en su capacidad para leer."* ## [30:23] La teoría del Thomas' English Muffin de la IA según Noah El capítulo abre con la tesis de Noah sobre la burocracia: las grandes empresas no fracasan en adoptar software porque sean perezosas, sino porque históricamente el nuevo software exigía que las organizaciones se reestructuraran a su alrededor. La IA, argumenta, es diferente. Se mete en los rincones y grietas de cómo la gente ya trabaja, de ahí su metáfora del Thomas' English Muffin. Dan añade un ejemplo concreto de Every: dos productos construidos sobre stacks diferentes necesitaban compartir una solución de búsqueda de archivos, y Claude Code les permitió reutilizar la lógica sin imponer un framework común. La conversación se amplía a la idea de Noah sobre la "burocracia como positional encoding", una analogía a medio formar entre la arquitectura transformer y la jerarquía organizacional que todavía está elaborando antes de su charla. > *"Lo llamo mi Thomas' English Muffin theory de la IA, que es que se mete en los rincones y grietas."* ## [39:47] El espacio en blanco que aún queda por explorar en la IA Noah y Dan argumentan que la mayoría de los profesionales, incluidos los bien financiados, aún operan con intuiciones frágiles sobre lo que estos modelos realmente pueden hacer. El rompehielos de Noah en cada reunión con clientes es "¿cuál fue tu momento aha con la IA?" porque ese momento de no determinismo, hacer la misma pregunta dos veces y obtener respuestas diferentes, es genuinamente nuevo y requiere tiempo para internalizarse. Toma prestado el experimento de la bicicleta al revés de Destin Sandlin para ilustrar el punto: la intuición motora y la intuición conceptual son separadas, y no se puede atajar la construcción de intuición. Dan contraargumenta que los modelos de lenguaje podrían generar el vocabulario que nos falta para razonar sobre sistemas probabilísticos. > *"No estamos acostumbrados a usar cosas que, les haces la misma pregunta dos veces y dan respuestas diferentes."* ## [48:44] Cómo Noah prepara a sus hijos para la IA La hija de diez años de Noah construyó una aplicación de Papá Noel secreto con Claude que accidentalmente le enseñó modelado de datos: se dio cuenta de que necesitaba "grupos" en lugar de "adultos y niños" para generalizar la lógica. Esa historia ancla un argumento más amplio: el trabajo de los educadores no es prevenir el uso de la IA sino convencer a los estudiantes de que las habilidades subyacentes valen la pena aprenderlas. Noah está proponiendo un curso en NYU para el otoño de 2026 llamado "Code is Essay", y cree que la meta-habilidad relevante es el escepticismo epistémico: ser más desconfiado de la información que confirma tus supuestos previos, no menos. > *"En realidad no creo que tu trabajo sea enseñarles a escribir a estos niños porque eso es una búsqueda de toda la vida. Creo que tu trabajo es convencerlos de que vale la pena aprender a escribir."* ## [01:00:06] Cómo llevó su configuración de Claude Code al teléfono Noah hace una demostración en vivo del stack móvil completo: Termius (cliente SSH en iPhone), Tailscale VPN conectando al mini PC del sótano, Obsidian sincronizado vía GitHub privado, Claude Code corriendo en la terminal. Muestra cómo le pregunta a Claude "¿qué hay de nuevo en los últimos dos días?" y obtiene una síntesis de su actividad reciente en Obsidian. También arregló un enlace roto en su sitio de conferencias desde su teléfono: confirmó el bug, hizo que Claude enviara un PR, listo. Su tinkering actual se extiende a la herramienta CLI `llm` de Simon Willison y un script que renombra todos los archivos de attachments en su vault de Obsidian y reconstruye la tabla de enlaces. > *"Fui a sentarme afuera un rato y teníamos un proyecto que necesitaba entregarse a un cliente y había que hacer un pequeño cambio. Le dije a Claude Code exactamente dónde mirar, confirmé que el problema era lo que creía, y le pedí que enviara una solución, envió un PR y listo."* ## Personajes - **Dan Shipper** (Persona): CEO y cofundador de Every; conductor de la entrevista - **Noah Brier** (Persona): Cofundador de Percolate; fundador de la consultora de estrategia de IA Alephic; organizador de la conferencia BRXND.AI - **Every** (Organización): Empresa de medios y software que produce este podcast - **Alephic** (Organización): Consultora de estrategia de IA de Noah; trabaja con clientes Fortune 50 como Amazon, Meta y PayPal - **BRXND.AI** (Organización): Conferencia anual en la intersección de marketing e IA, organizada por Noah; edición 2025 en Nueva York el 18 de septiembre - **Claude Code** (Software): Herramienta de programación agéntica de Anthropic; central en el flujo de trabajo de segundo cerebro y móvil de Noah - **Obsidian** (Software): Aplicación de toma de notas basada en markdown; el almacén de conocimiento principal de Noah, organizado con el método PARA - **Tailscale** (Software): VPN de malla usada para conectar de forma segura el teléfono de Noah a su mini PC del sótano - **Termius** (Software): Cliente SSH para iOS que Noah usa para acceder a su servidor doméstico desde el teléfono - **Grok** (Software): Asistente de IA de xAI; Noah considera que su modo de voz es significativamente mejor que el de OpenAI y Gemini para investigación sustantiva - **Simple Sabotage Field Manual** (Concepto): Documento de la OSS de la Segunda Guerra Mundial que Noah republicó; usado como lente sobre la burocracia organizacional moderna en su charla de BRXND.AI - **Thomas' English Muffin theory** (Concepto): Metáfora de Noah sobre cómo la IA triunfa al integrarse en los flujos de trabajo organizacionales existentes en lugar de exigir reestructuración

Charles Koch y su hijo Chase se sientan con David Friedberg para contar cómo Koch Inc. creció 9,000 veces: de una empresa petrolera de 300 empleados en Oklahoma en 1961 a un conglomerado privado de 130,000 empleados que abarca energía, química, productos forestales, bienes de consumo y capital de riesgo, sin salir jamás a bolsa. La conversación gira en torno al Principle-Based Management (PBM): el marco de 41 principios que guía cada decisión de contratación, adquisición y cambio cultural en Koch. Charles y Chase también abordan la caricatura política que rodea al nombre Koch, explicando su giro desde el libertarismo partidista hacia la coalición más amplia Stand Together, enfocada en la reforma educativa y el florecimiento humano. El episodio cierra con IA y capitalismo: ambos ven la innovación sin restricciones y el empoderamiento de abajo hacia arriba como el único camino creíble ante las presiones económicas que se avecinan. ## [00:00] David Friedberg da la bienvenida a Charles y Chase Koch David Friedberg abre la conversación en un evento de Forbes señalando que él y Chase Koch se conocen desde 2013 a través de la industria agrícola y que desde entonces han sido socios comerciales. Enmarca a Koch Inc. como "la historia sin contar" de la empresa americana: posiblemente el negocio familiar privado más rentable del mundo, pero prácticamente invisible en comparación con sus pares que cotizan en bolsa. La apertura también establece las expectativas para la audiencia del All-In Podcast: una extensa conversación en vivo con el presidente y el presidente de la próxima generación de Koch Inc., registrada en directo. > "Siempre sentí que Koch Industries era esa historia sin contar: probablemente el negocio familiar privado más rentable del mundo." > — David Friedberg ## [01:04] Panorama de Koch Inc.: escala, líneas de negocio e historia Friedberg ofrece la base estadística: si Koch cotizara en bolsa, sus ingresos la situarían entre las 25 primeras de la Fortune 500. Fundada en 1940 por Fred Koch en Wichita, Kansas, la empresa opera hoy en 60 países con más de 120,000 empleados en energía, agricultura, química, productos de construcción, bienes de consumo, computación en la nube y un activo portafolio de inversiones minoritarias. Koch reinvierte el 90% de sus ganancias en el negocio, una decisión estructural que la distingue de las empresas públicas que optimizan para resultados trimestrales. Charles señala de qué va a tratar realmente la conversación: no de hitos de ingresos, sino de los principios y los fracasos que hicieron posible el crecimiento sostenido. > "Un modelo operativo muy singular, que incluye principios de innovación disruptiva, reinversión del 90% de las ganancias en nuevos negocios y crecimiento, y valores meritocráticos." > — David Friedberg ## [02:21] Construyendo el negocio: los primeros días y la incorporación de Charles Koch (1961) Charles Koch se incorporó al negocio familiar en 1961 a los 25 años, recién salido del MIT y de una temporada en Arthur D. Little. El ultimátum de su padre Fred fue directo: "Hijo, o vuelves a dirigir la empresa o voy a tener que venderla, porque mi salud está mal y las empresas no van bien y no me queda mucho tiempo de vida." La empresa tenía entonces unos 300 empleados, dos negocios principales (bandejas de fraccionamiento y recolección de petróleo crudo en Oklahoma) y una disfunción operativa importante. Las lecciones tempranas cristalizaron un principio central de Koch: crecer delimitado por capacidades, no por industrias. El negocio de bandejas de fraccionamiento fracasó en parte porque su presidente era un controlador autoritario que alienó a ingenieros y clientes por igual. Charles empezó a preguntarse no "¿en qué industria estamos?" sino "¿qué podemos hacer mejor que nadie, y en qué punto de la cadena de valor eso crea más valor?" Ese reencuadre, aplicado repetidamente durante décadas, explica la secuencia de industrias aparentemente inconexas que Koch fue entrando. > "Hijo, o vuelves a dirigir la empresa o voy a tener que venderla, porque mi salud está mal y las empresas no van bien y no me queda mucho tiempo de vida." > — Charles Koch, citando a su padre Fred Koch ## [11:31] Fracasos, destrucción creativa y aprender de los errores Charles abre con una provocación: "Si no estás fracasando en todo, es que no estás haciendo nada nuevo." Recuenta pérdidas tempranas, incluyendo un intento fallido de convertir coque de petróleo en carbón activado, y un patrón de entrar en negocios sin las capacidades subyacentes necesarias. El verdadero aprendizaje llegó al diagnosticar por qué ocurrió cada fracaso: casi siempre fue por violar uno de los principios operativos de Koch. Chase añade la perspectiva del portafolio de capacidades: la expansión de Koch desde la recolección de petróleo crudo hacia el gas natural, los químicos, los fertilizantes y finalmente los productos forestales no fue una diversificación aleatoria, sino las mismas capacidades subyacentes redirigidas hacia nuevas aplicaciones. También describe Koch Disruptive Technologies (KDT), que él fundó, como un experimento estructural difícil de hacer consistentemente rentable: una evaluación honesta de su propio fracaso. La decisión de cerrar o hacer un pivot, dice Charles, se reduce a una prueba: ¿hemos perdido la capacidad de crear valor superior para los clientes de una manera por la que seamos recompensados? > "Cuando perdemos suficiente dinero, eso es cuando ya basta. Cuando decidimos que no tenemos la capacidad de crear valor superior para nuestros clientes." > — Charles Koch ## [19:22] Cultura y Principle-Based Management Este es el centro intelectual del episodio. Charles traza los orígenes del sistema PBM en los peores fracasos de Koch, todos con una causa raíz en común: promover a personas con malos valores hacia posiciones de liderazgo. Dos ejemplos casi catastróficos destacan: una operación de trading temeraria que casi quebró la empresa durante la guerra de Oriente Medio en 1973, y un episodio posterior en el que líderes con motivaciones destructivas ocultaban fracasos mientras inventaban éxitos. El antídoto fue contratar primero por valores y segundo por talento, y estructurar una cultura donde la motivación por la contribución, querer tener éxito ayudando a otros a tener éxito, desplace la búsqueda de poder. Chase profundiza con un planteamiento que va al grano: ¿y si todos en la empresa supieran exactamente qué hacer sin que nadie se lo dijera? Ese es el estado objetivo que PBM está diseñado para producir. La estrategia de gestión del cambio evita los mandatos de arriba hacia abajo: se encuentra el subgrupo más ansioso por probar los principios, se demuestran resultados, y se deja que la demanda tire de la transformación hacia el resto de la organización. El conocimiento colectivo reemplaza el juicio de unos pocos inteligentes en la cima. > "¿Y si pudieras tener un negocio y una cultura, pequeños, medianos o grandes, donde todos supieran qué hacer sin que nadie se los dijera?" > — Chase Koch ## [33:53] La adquisición de Georgia-Pacific y la transformación cultural La adquisición de Georgia-Pacific en 2005 fue la mayor apuesta de Koch en ese momento: "una apuesta enorme", dice Chase, cuando la empresa era mucho más pequeña. Charles traza la lógica: Koch vio las operaciones de pulpa y papel de Georgia-Pacific como una extensión natural de sus capacidades en procesos químicos, una conexión que se remontaba hasta la tesis del MIT de Fred Koch sobre la producción de pulpa en Maine. Inicialmente propusieron comprar solo las divisiones de commodities; cuando ese acuerdo no pudo cerrarse por los litigios pendientes, ofrecieron comprar la empresa entera. Lo que siguió fue una transformación cultural de años en una sede de 51 pisos en Atlanta construida sobre la burocracia de arriba hacia abajo. Koch reemplazó el liderazgo, recompensó a los trabajadores que detectaron y corrigieron ineficiencias, y compartió los ahorros de costos con los miembros del sindicato que los encontraron. Chase describe sus propios años en las operaciones de primera línea de Koch, viviendo en un tráiler en un corral de engorde, trabajando en una planta de líquidos de gas, como fundacionales para un liderazgo creíble después. El cambio cultural tarda mucho más de lo que cualquier comprador espera, y casi siempre requiere reemplazar al grupo de liderazgo que sostiene el viejo paradigma. > "Tarda muchísimo más de lo que uno piensa en cambiar la cultura, y en casi todos los casos requiere cambiar al liderazgo que tiene el paradigma del empoderamiento de abajo hacia arriba." > — Chase Koch ## [56:17] Reforma educativa y cambio social Stand Together, la red sin fines de lucro que Charles ha ido construyendo durante 60 años bajo distintos nombres, es hoy una de las organizaciones filantrópicas más grandes de Estados Unidos. Chase dirige la generación de alianzas, y reencuadra su misión: no como cabildeo político, sino como la aplicación de los mismos principios de Koch a los desafíos sociales, empezando por la educación. El COVID-19 cambió drásticamente la opinión pública: antes de 2020, aproximadamente el 20% de las familias estaban abiertas a alternativas a la escuela tradicional; después de ver a sus hijos aprender más en YouTube que en las clases de Zoom, ese número se disparó. Stand Together ha ayudado desde entonces a sembrar más de 5,000 microescuelas. Programas aliados como Alpha School de Joe Limont usan la gamificación y el aprendizaje basado en proyectos para llevar a alumnos que reprobaban al tope de la clase en tres meses. Chase también aplica el principio de la ventaja comparativa a sí mismo: se despidió a sí mismo como presidente de Koch Fertilizer cuando reconoció que otra persona tenía esa ventaja comparativa, y usa esa misma lógica para rediseñar roles en toda la plantilla de 130,000 personas de Koch. > "Antes del COVID, aproximadamente el 20% de las familias estaban abiertas a un nuevo modelo de educación. Durante el COVID todos vieron qué tan roto estaba el sistema: sus hijos habían aprendido más en YouTube que en el salón de clases." > — Chase Koch ## [72:37] IA, desafíos económicos y el futuro del capitalismo Friedberg presiona a Charles para que rinda cuentas de la narrativa política de Koch: las décadas de participación en el Partido Libertario y el giro posterior hacia la coalición más amplia de Stand Together. Charles es sincero: pasó demasiados años trabajando solo con personas que coincidían con él en cada principio, lo que limitó su alcance. La perspectiva de Viktor Frankl, "cada vez más personas tienen los medios para vivir pero no tienen un sentido por el que vivir", reorientó su pensamiento hacia las raíces motivacionales del deterioro social más que hacia remedios puramente políticos. La lección: las estrategias de la libertad no pueden tomar prestado del totalitarismo; someter a una coalición a pruebas de pureza ideológica la destruye. En cuanto a la IA, la posición de Chase es clara: innovación sin restricciones, sistemas abiertos, empoderar a las personas con herramientas de IA en lugar de prohibirlas. Koch está ejecutando PBM como un marco nativo de IA, y Chase creó un asistente de IA para el nuevo libro para que los lectores puedan interactuar directamente con los principios, yendo mucho más allá de lo que Charles anticipaba cuando invitó a Chase a coescribir. El episodio cierra con el legado que Charles declaró querer dejar: que Estados Unidos cumpla más plenamente la promesa de la Declaración de Independencia. > "El problema de hoy es que cada vez más personas tienen los medios para vivir pero no tienen un sentido por el que vivir." > — Charles Koch, citando a Viktor Frankl ## Personajes - **David Friedberg** — Anfitrión; cofundador de The Production Board; socio comercial de Chase Koch desde 2013 a través de la industria agrícola - **Charles Koch** — Presidente y CEO de Koch Inc. desde 1967; ingeniero graduado del MIT; coautor del libro Principle-Based Management; ha liderado el crecimiento de 9,000 veces en valor de Koch - **Chase Koch** — Presidente de Koch Inc.; fundador de Koch Disruptive Technologies; coautor del libro PBM junto a Charles; lidera la generación de alianzas de Stand Together - **Koch Inc.** — Conglomerado familiar privado con sede en Wichita, KS; fundado en 1940 por Fred Koch; más de 130,000 empleados en energía, química, productos forestales, bienes de consumo, software y capital de riesgo - **Principle-Based Management (PBM)** — Marco operativo de 41 principios de Koch; enfatiza la motivación por la contribución, la contratación por valores primero, el empoderamiento de abajo hacia arriba y tratar cada unidad de negocio como un laboratorio - **Georgia-Pacific** — Empresa de productos forestales y de consumo adquirida por Koch en 2005; la mayor adquisición de Koch; caso de estudio principal de transformación cultural bajo PBM - **Koch Disruptive Technologies (KDT)** — Brazo de venture capital fundado por Chase Koch; inversiones minoritarias en empresas tecnológicas disruptivas; descrito como estructuralmente difícil de hacer consistentemente rentable - **Stand Together** — Red filantrópica de Charles Koch activa desde 2003; se enfoca en la reforma educativa, la reducción de la pobreza y el cambio social transpartidista; ha sembrado más de 5,000 microescuelas tras el COVID

Lloyd Blankfein, ex CEO y Presidente Senior de Goldman Sachs, se sienta con el socio general de a16z David Haber para examinar qué separa a las instituciones duraderas de las efímeras. Apoyándose en su trayectoria desde la vivienda pública en East New York hasta guiar a Goldman durante la crisis financiera de 2008, Blankfein argumenta que la verdadera disciplina frente al riesgo, no la predicción ni la tecnología, es la auténtica ventaja competitiva. Advierte que el mayor peligro de la AI no es la superinteligencia, sino el leverage no verificable: sistemas que ejecutan 70,000 transacciones antes de que alguien pueda comprobar si son correctas. ## [00:00] Introducción Blankfein abre con la tensión central que vive todo inversor: al mismo tiempo eres asumidor de riesgos y gestor de riesgos, y no puedes delegar ninguno de los dos roles. Como anticipo de lo que sigue, señala que los mercados están al borde de una oleada de grandes IPOs, y que los riesgos que más se subestiman son estructurales: software capaz de actuar a escala antes de que ningún humano pueda auditarlo. > "La mayor parte de lo que hacemos con respecto al riesgo no es tanto predecir, sino mucho de planificación de contingencias." — Lloyd Blankfein ## [01:02] Sarcasmo en Twitter y riesgo Haber presiona a Blankfein para que regrese a X. Blankfein explica por qué dio un paso atrás: tuitear es un ejercicio de ego con una desventaja asimétrica. Todo el que continúa eventualmente cruza una línea invisible que no sabía que existía. En Goldman ya jugaba un juego peligroso siendo sarcástico con figuras políticas —Sanders, Warren, el presidente— y lo sabía. La libertad respecto a la firma no eliminó el cálculo; solo cambió quién cargaba con las consecuencias. > "Siempre sé que todo el mundo sigue así y al final te cancelan porque haces algo, pisas una línea invisible que nadie sabía que existía. Así que desde el punto de vista riesgo-recompensa, es puro ego y sin ningún valor real." — Lloyd Blankfein ## [02:18] Calma en la crisis Blankfein relata un incidente de seguridad real durante un evento público: hombres armados irrumpieron en el escenario, la sala se agachó, él se quedó sentado y observó. Su explicación es directa: las crisis literalmente se ralentizan para él; se vuelve muy atento a lo que la gente a su alrededor necesita, no a lo que él mismo siente. Usa el humor desarmante como herramienta no por bravuconería, sino porque rompe la tensión y estabiliza a los que lo rodean. No sabe bien cuánto es naturaleza y cuánto experiencia acumulada, pero está convencido de que haber pasado por crisis anteriores es el mejor predictor de la calma futura. > "Tiendo a estar un poco tenso todo el tiempo, pero no me tenso especialmente. De hecho, las cosas se ralentizan para mí." — Lloyd Blankfein ## [06:44] De la vivienda pública a Wall Street Blankfein creció en vivienda pública en East New York, donde el tope de ingresos para quedarse en el edificio era 90 dólares a la semana. Manhattan quedaba a un autobús y un metro de distancia, efectivamente un país extranjero. Su entrevista en Harvard fue una de las tres veces que había ido a la ciudad. En lugar de presentar esto como privación, traza cómo la proximidad a la ambición sin acceso agudiza el instinto de contingencia: aprendes pronto a pensar qué harás si este camino se cierra, y luego trazas el siguiente. Ese patrón de planificación ramificada y prospectiva del riesgo se convirtió en el sistema operativo que aplicó después para dirigir un gran banco. > "Crecí en vivienda pública. Tenías que tomar un autobús y luego el metro para llegar a la ciudad." — Lloyd Blankfein ## [23:36] Cultura tecnológica y de sociedad en Goldman La tecnología en Goldman nunca fue opcional: siempre fue la frontera. Blankfein describe cómo la inversión temprana y sostenida en infraestructura de riesgo dio a la firma una ventaja estructural compuesta: un sistema de riesgo propietario construido hace 25 o 30 años que sigue siendo el núcleo de la plataforma hoy, lo suficientemente flexible como para no haber sido reemplazado por completo. El modelo de sociedad alimentó directamente esto: los socios tenían su propio capital en juego, por lo que se preocupaban intensamente por la calidad de los sistemas que respaldaban cada posición. Esa cultura de tener algo en juego permitió a Goldman relacionarse con sus clientes como pares en lugar de como simples ejecutores de órdenes. > "Teníamos una enorme ventaja tecnológica gracias a lo que invertimos temprano." — Lloyd Blankfein ## [37:25] Cultura de firma sobre fondo La distinción que traza Blankfein es estructural: el objetivo de un fondo es maximizar el carry con la menor gente en el menor tiempo; una firma tiene que construir ventajas competitivas compuestas a lo largo de ciclos. La capacidad de Goldman para pagar a la gente en los años malos y resistir la tentación de desconectarse de negocios en dificultades temporales solo fue posible porque la mentalidad de sociedad trataba la franquicia de la firma como un activo de larga duración. Es explícito en que esto requirió moderar los ciclos de compensación, lo cual es genuinamente difícil y a veces significa perder personas, pero la alternativa es destruir la plataforma. > "Goldman Sachs, en su cultura de sociedad, pudo mirar esas cosas a corto plazo y decir: en el ciclo, gran negocio." — Lloyd Blankfein ## [41:14] Mentoría e iniciativa emprendedora La teoría de mentoría de Blankfein es sencilla: quería que la gente sintiera que obtuvo algo real trabajando con él, que los hizo mejores de lo que habrían sido de otro modo. También describe cómo deliberadamente ignoraba el organigrama siendo un empleado junior: estaba en el desk de metales preciosos, notó que los inversores religiosos de Oriente Medio querían retornos similares a los del capital sin interés explícito, y fue directamente al entonces número dos Bob Rubin con una idea de producto estructurado. La primera orden llegó a 400 millones de dólares, el mayor trade individual que Goldman había ejecutado hasta entonces. Su consejo: actúa como emprendedor dentro de una institución antes de necesitar un título para hacerlo. > "Quería que sintieran que yo los hacía mejores de lo que habrían sido, que obtuvieron mucho de eso." — Lloyd Blankfein ## [47:05] Gestión de riesgo a prueba de crisis El capítulo de 2008 es el más denso. Blankfein atribuye la supervivencia de Goldman a tres factores compuestos: ningún gran libro de depósitos de consumidores, una disciplina implacable de mark-to-market cuando los competidores se negaban a marcar, y un legado de sociedad que condicionó a todos a tratar el capital como si fuera su propia casa en juego, porque cuando Goldman era una sociedad, literalmente lo era. También nombra el principio que mantuvo las relaciones con clientes en medio del caos: «los compromisos están en el pasado, las relaciones están en el futuro». Reconocer una posición adversa y elegir seguir adelante convirtió varias posibles pérdidas de clientes en alianzas duraderas. > "Los socios no solo tenían sus cuentas de capital en riesgo, tenían sus casas en riesgo." — Lloyd Blankfein ## [56:11] El rechazo a la AI y sabiduría de carrera Blankfein ve el momento de la AI como una apuesta de múltiples bifurcaciones: múltiples arquitecturas, múltiples actores, probablemente dos o tres grandes ganadores, y nadie sabe hoy qué camino lleva allí. Le reconforta en parte que las apuestas más grandes las hacen accionistas fundadores con su propio capital en lugar de managers profesionales desplegando el dinero de otros; la convicción personal profunda es una mejor señal que el capex aprobado. Su preocupación más aguda es la opacidad estructural: en los viejos parqués podías escuchar un precio malo en el momento en que ocurría; hoy los sistemas trabajan completamente detrás de escena sin rastro auditable. El leverage embebido en esos sistemas, no la inteligencia, es lo que señala. Cierra con consejos de carrera: mantente curioso en distintos dominios, busca profundidad sobre títulos, y extiende perdón a apuestas pasadas que parecen estúpidas en retrospectiva, porque todo el que toma decisiones en la frontera lo hace sin la información que luego hará evidente la respuesta correcta. > "Hoy no tienes esa intuición porque todo funciona detrás de escena y no obtienes el rastro ni el proceso de pensamiento de estas cosas. El leverage en estas cosas es en sí mismo un gran problema." — Lloyd Blankfein ## Personajes - **Lloyd Blankfein** (Persona): Ex CEO y Presidente Senior de Goldman Sachs; invitado a lo largo del episodio - **David Haber** (Persona): Conductor; Socio General de a16z enfocado en Fintech - **Goldman Sachs** (Organización): Institución central examinada: modelo de sociedad, navegación de la crisis de 2008, inversión tecnológica temprana - **Bob Rubin** (Persona): Ex copresidente de Goldman Sachs, posteriormente Secretario del Tesoro de EE.UU.; Blankfein le llevó directamente su primera gran idea de producto estructurado siendo un empleado junior - **Crisis Financiera de 2008** (Concepto): Caso principal de prueba de estrés para la cultura de riesgo de Goldman; la disciplina de mark-to-market y la ausencia de un libro de consumidores fueron factores clave de supervivencia - **Cultura de Sociedad de Goldman** (Concepto): Mecanismo estructural que alinea los incentivos de los socios —cuentas de capital y hogares personales— con la salud a largo plazo de la firma - **AI y Finanzas** (Concepto): Enmarcada como la ola tecnológica actual; elogiada por su potencial pero señalada por el leverage no verificable y la opacidad operativa que reemplaza la intuición humana auditable

Anne Applebaum ha dedicado tres décadas a estudiar cómo surgen los sistemas autoritarios y por qué las sociedades democráticas raramente lo notan hasta que es demasiado tarde. Explica las cinco tácticas que usan los autócratas para desmantelar la democracia —corrupción, manipulación electoral, captura de personal, control de la información y coerción física— y las aplica a lo que está ocurriendo ahora mismo en Estados Unidos. La conversación abarca cómo el patrimonio de Trump se triplicó mientras estaba en el cargo, los CEO tecnológicos que se arrastraron para mantenerse en el juego, por qué los aliados globales ya se preparan para un mundo sin liderazgo americano, y por qué la inevitabilidad histórica es una trampa que los autócratas quieren activamente que creamos. ## [00:00] Introducción Steven abre con dos frascos de dinero sobre la mesa: el patrimonio neto de Trump al asumir el cargo, 2.300 millones de dólares, y su patrimonio dos años después, 6.500 millones. El argumento inicial de Applebaum llega de inmediato: América nunca ha tenido un presidente que dirija negocios mientras hace política, y la inversión de 2.000 millones de dólares del gobierno saudí en el fondo de Jared Kushner no fue porque simplemente les cayera bien Jared Kushner. > *"Las decisiones se toman no en función de lo que es bueno para los estadounidenses, sino de lo que es bueno para su empresa."* — Anne Applebaum ## [02:10] Por qué la historia sigue repitiéndose Applebaum empezó como historiadora de la Unión Soviética, presenció la disolución del Pacto de Varsovia desde Varsovia, y pasó años escribiendo sobre sistemas que pensaba pertenecían al pasado. Alrededor de 2013-2014 se dio cuenta de que lo que había estudiado como historia estaba regresando. Las democracias modernas no terminan con tanques: terminan cuando alguien elegido legítimamente comienza a desmantelar las instituciones que garantizan que la próxima elección sea justa. > *"La mayoría de la gente cree que las democracias terminan con un golpe de Estado o con tanques en las calles. En el mundo moderno, la mayoría termina porque alguien elegido legítimamente comienza a desmantelar el sistema."* — Anne Applebaum ## [03:33] La mayor señal de alerta de la democracia Lo que se siente diferente ahora es que los partidos políticos llegan al poder con el objetivo explícito de asegurarse de no tener que irse jamás. Viktor Orbán en Hungría fue el pionero: elegido con un amplio margen, capturó metódicamente los tribunales, la comisión electoral, los medios y el servicio civil. Cada institución que neutralizaba hacía la siguiente elección un poco menos justa. > *"Por primera vez en varias democracias establecidas, tienes partidos políticos que llegan al poder con la idea explícita de alterar el sistema para asegurarse de poder quedarse para siempre."* — Anne Applebaum ## [05:12] Por qué la democracia parece tan rota La democracia es un pacto peculiar: ganas el poder, pero debes preservar las reglas para que tus enemigos puedan derrotarte la próxima vez. Cuando ese pacto se rompe, el sistema entero se desestabiliza. Applebaum señala el Sur de Estados Unidos antes del movimiento por los derechos civiles como precedente doméstico: estados de partido único, reglas amañadas, voto restringido. Algunas personas en Washington ahora trabajan a partir de esa historia. > *"Claro, pero hay sistemas intermedios entre Rusia y la democracia liberal. Puede haber democracias que no sean justas."* — Anne Applebaum ## [07:41] Las mayores amenazas en este momento Dos amenazas distintas corren en paralelo. Dentro de Estados Unidos: una clase creciente de personas excluidas del sistema político, la aparición de una fuerza paramilitar nacional en ICE, y corrupción de alto nivel a una escala que América no había visto antes. Externamente: las potencias autocráticas —Rusia, China, Irán— han desafiado el orden mundial de posguerra de 1945, no solo compitiendo sino librando una guerra de ideas contra la democracia liberal. > *"También hay un aumento de la corrupción de alto nivel. El presidente, las personas que lo rodean, las empresas cercanas a él parecen tener acceso a formas de ganar dinero, y eso no era posible a esa escala en América antes."* — Anne Applebaum ## [08:52] Por qué la democracia está cambiando rápidamente Steven muestra un mapa de los niveles de democracia globales. Lo más llamativo: la organización que lo elaboró ya no clasifica a Estados Unidos como una democracia liberal, sino como una "democracia electoral", un peldaño más abajo. Una o dos décadas atrás, el mapa era mucho más azul. Los estados se influyen entre sí, por lo que el declive de Estados Unidos no afecta solo a los estadounidenses. > *"Quienes hicieron el mapa ya no cuentan a Estados Unidos como una democracia liberal."* — Anne Applebaum ## [10:18] ¿Puede América convertirse en una autocracia? El escenario americano realista no es una dictadura al estilo Putin sino un estado de partido único: distritos con gerrymandering, un Departamento de Justicia capturado y elecciones amañadas que siempre gana un partido. El 6 de enero fue un intento de golpe electoral. Fracasó. Tratar eso como el techo en lugar del suelo, argumenta Applebaum, es ingenuo. > *"Ahora mismo tenemos un presidente que se negó a aceptar el resultado de una elección en 2020 y protagonizó lo que fue un intento de golpe electoral. Fracasó. Pero pensar que nadie volvería a atreverse a hacer eso, creo que es bastante ingenuo en este punto."* — Anne Applebaum ## [12:05] Qué significaría un tercer mandato de Trump Trump personalmente probablemente no quiere un tercer mandato, pero las personas a su alrededor trabajan para asegurar que un republicano —quizás un familiar— gane indefinidamente. Después del 6 de enero, los moderados se fueron. La coalición que quedó y llegó comprende tres grupos: autoritarios tecnológicos que quieren control porque la democracia molesta a sus negocios, nacionalistas cristianos que quieren un estado no laico, y el MAGA tradicional. Están casi en desacuerdo en todo excepto en que se requiere un cambio sistémico radical. > *"En el primer mandato, Trump estaba restringido por el sistema. Ahora se ha rodeado de personas que buscan ayudarlo a eludir esas restricciones. Y eso es nuevo."* — Anne Applebaum ## [14:56] Por qué la autocracia atrae a la gente Applebaum muestra cómo luce realmente la autocracia usando Hungría como caso de estudio. Un empresario que se niega a vender a los aliados del partido gobernante ve cómo le rompen las ventanas, sus hijos son acosados, sus trabajadores tienen problemas legales, hasta que vende y se va. Steven traza el paralelo con Anthropic, amenazada tras negarse a ceder acceso gubernamental. La réplica de Applebaum: la autocracia es un juego de tontos incluso para los oligarcas. Los oligarcas de Putin lo aprendieron. China también. > *"La ley es lo que dice la persona en el poder."* — Anne Applebaum ## [19:12] La riqueza de Trump lo cambia todo El patrimonio neto de Trump pasó de 2.300 millones a 6.500 millones de dólares en dos años, algo sin precedentes en la historia presidencial americana. Los presidentes anteriores tuvieron indicios de corrupción; ninguno dirigió negocios activos en países con los que simultáneamente hacía diplomacia. Kushner recibió una inversión saudí de 2.000 millones y ahora negocia con esos mismos socios comerciales en nombre de la administración. > *"Nunca habíamos tenido un presidente que dirigiera negocios mientras estaba en el cargo de tal manera que las personas con quienes hace negocios esperan beneficiarse políticamente."* — Anne Applebaum ## [21:27] Por qué la estabilidad global se derrumba Las guerras en Ucrania e Irán, y el colapso del orden de posguerra de 1945, no son independientes de la historia democrática. Las autocracias libran guerras para consolidar su base en casa. Rusia invadió Ucrania en parte porque la retórica democrática ucraniana —libertad de expresión, estado de derecho, integración europea— era explosiva si se extendía a los rusos. El orden liberal mundial se fragmenta porque dos fuerzas lo desgarran simultáneamente: los desafiantes autocráticos y un Estados Unidos que se repliega sobre sí mismo. > *"¿Sabes qué es lo que más teme Putin? Lo que más teme es una revolución callejera como la que tuvimos en Ucrania en 2014."* — Anne Applebaum ## [26:26] Democracia vs. dictadura: ¿cuál dura más? Históricamente, la autocracia gana en longevidad. La mayoría de las sociedades humanas a lo largo de la historia han sido gobernadas por monarcas, señores de la guerra o líderes tribales. Los Fundadores lo sabían: leían sobre la caída de la República Romana y la democracia ateniense mientras redactaban la Constitución, intentando convertir la fragilidad en durabilidad. > *"Quienes redactaron la Constitución americana, cuando la escribieron, estaban leyendo la historia de la Roma antigua. Todos conocían esa historia."* — Anne Applebaum ## [27:38] ¿Quién es más feliz: las democracias o las autocracias? Finlandia, Suecia, Noruega, Dinamarca —los países consistentemente más felices— son todas democracias liberales con grandes estados de bienestar y baja desigualdad. En las autocracias, la gente común no puede influir en el Estado: un ciudadano ruso no puede decir "preferiríamos construir un hospital en lugar de bombardear Ucrania", y esa ausencia de capacidad de acción genera infelicidad estructural, no solo frustración individual. > *"No pueden decir: 'Oigan, preferiríamos construir un hospital en lugar de bombardear otra ciudad en Ucrania.' Tienen muy poca capacidad para cambiar el sistema, y eso, por supuesto, genera frustración e infelicidad."* — Anne Applebaum ## [29:04] ¿Elegiría la democracia una persona bien informada? Probablemente sí, pero Applebaum no descarta el atractivo del autoritarismo. Existe una profunda necesidad humana de estabilidad y jerarquía que los autócratas explotan. Las campañas de redes sociales rusas y chinas en países occidentales impulsan exactamente ese mensaje: el autoritarismo equivale a seguridad y valores tradicionales. Cuando los servicios de información y seguridad también están controlados, se puede mantener el poder incluso cuando la mayoría preferiría algo diferente. > *"Las autocracias ofrecen falsamente estabilidad. El argumento que hacen en sus campañas de redes sociales dentro de Estados Unidos o el Reino Unido es exactamente ese: autoritarismo, estabilidad, seguridad, valores tradicionales, jerarquía."* — Anne Applebaum ## [30:45] Cómo se mantiene Putin en el poder No importa lo que piensen los rusos en privado porque no hay ningún foro donde puedan decirlo con seguridad. Expresar la opinión de que Putin debería retirarse puede llevarte a la cárcel. La gente ajusta lo que dice, luego gradualmente ajusta lo que piensa, y finalmente se aparta de la política por completo. Applebaum traza el mismo mecanismo en la propaganda soviética: la gente no necesariamente lo creía, pero resultaba conveniente actuar como si lo creyera. Rusia tuvo una ventana de debate abierto en los años 90 y 2000. Esa ventana se cerró gradualmente, no de la noche a la mañana. > *"No importa lo que piensen. No existe la opinión pública ni el debate público. No hay ningún foro al que puedas unirte donde puedas expresar tus puntos de vista de manera libre."* — Anne Applebaum ## [32:40] 5 tácticas que usan los autócratas La primera táctica: la corrupción. En cualquier sistema político existe corrupción, pero en uno autocrático el sistema legal también está capturado, así que no hay control. La instalación de Trump de leales en el Departamento de Justicia significa que la agencia que normalmente investigaría la corrupción de la Casa Blanca se usa en cambio para perseguir a los enemigos. La corrupción también funciona como herramienta de lealtad: te llevas bien conmigo, tu negocio prospera. > *"La corrupción es un síntoma particular del autoritarismo, y también es una herramienta. El presidente puede ofrecer a la gente: te llevas bien conmigo, tu negocio prosperará, obtendrás contratos gubernamentales."* — Anne Applebaum ## [34:19] ¿Los CEO tecnológicos están facilitando esto? Los CEO tecnológicos que llamaron dictador a Trump en 2016 ahora cenan con él en la Casa Blanca. La explicación de Steven: la riqueza es un indicador de estatus, y el miedo real es perder frente a un igual. Altman pierde ante Anthropic y xAI si antagoniza a Trump. La réplica de Applebaum: es cortoplacista porque si el sistema legal americano se degrada, ellos se degradan con él. Señala a Anthropic y los bufetes de abogados que se negaron a resolver demandas frívolas como prueba de que mantenerse firme también tiene valor comercial. > *"Si yo fuera tan rica, ¿cuál sería el sentido de ser rica si no puedes decir lo que piensas?"* — Anne Applebaum ## [38:11] ¿Puede América volver a la normalidad? Prepara un plan B, les dice Applebaum a las audiencias europeas que hacen esta pregunta. La OTAN necesita una alternativa si Estados Unidos falla. Muchas cosas no se normalizarán: el próximo presidente podría ser JD Vance, aún más comprometido con un América de partido único, o un demócrata que descubra que las normas rotas son útiles. Una vez que las normas se quiebran y las leyes cambian, cualquiera puede aprovechar los escombros. > *"Muchas cosas no volverán a ser del todo normales, ni dentro de Estados Unidos ni en el resto del mundo."* — Anne Applebaum ## [39:27] Por qué las naciones se repliegan sobre sí mismas El punto de quiebre para la mayoría de los aliados de Estados Unidos fue el episodio de Groenlandia. Trump insinuó públicamente invadir territorio danés; Dinamarca empezó a planificar si volar los aeropuertos de Groenlandia y derribar aviones americanos. Sus socios europeos hicieron el mismo ejercicio. Nadie se ha recuperado. Desde entonces: acuerdos comerciales UE-India, Canadá abriendo vínculos de seguridad con la UE, Francia y Polonia debatiendo un paraguas nuclear europeo, potencias medianas en todo el mundo construyendo nuevas relaciones bilaterales y cubriendo sus apuestas ante la falta de fiabilidad de Estados Unidos. > *"Todo el mundo en todo el mundo está cubriendo sus apuestas. Todo el mundo busca alternativas."* — Anne Applebaum ## [43:57] Qué significa esto para los estadounidenses Son muy malas noticias. La prosperidad americana de posguerra se basó en el comercio global dominante, las bases de la OTAN que proyectan poder en Oriente Medio y África, y la supremacía del dólar. Si los aliados dejan de comprar bienes americanos —Canadá tiene ahora una aplicación de boicot que identifica productos americanos en supermercados—, si el almacenamiento en la nube europeo se localiza, si las bases de la OTAN cierran, los estadounidenses lo sienten todo. > *"Gran parte de la prosperidad americana del período de posguerra se ha basado en el hecho de que América era dominante en el comercio global; importamos cosas de todo el mundo y eso también es bueno."* — Anne Applebaum ## [45:39] La parte más peligrosa de la dictadura Nadie le dijo claramente a Trump que Irán no era Venezuela. Las dictaduras producen ese fracaso: nadie dice "esto es una mala idea" directamente porque hacerlo te cuesta el puesto. El problema más profundo: Trump nunca se comunicó con la oposición democrática iraní ni con gobiernos alternativos, porque su interés real era la dominación y los ingresos del petróleo, no la democratización. Incluso George W. Bush, que cometió errores catastróficos, quería dejar atrás una democracia. Trump no piensa así. > *"Otra característica de las dictaduras: nadie cuestiona tus decisiones ni te ofrece alternativas."* — Anne Applebaum ## [48:49] Por qué cae la popularidad de Trump La aprobación de Trump está en un mínimo histórico. La guerra con Irán salió por la culata; hasta Tucker Carlson se disculpa. La lectura de Applebaum sobre la psicología de Trump: no tiene estrategia, ni conocimiento histórico de Irán, ni pensamiento a largo plazo. Sea lo que sea lo que esté pasando ahora, lo convierte en "estoy ganando". Ese reflejo narcisista es incompatible con la estrategia real, que requiere aceptar que aún no has ganado y trazar un plan. > *"No le importa mucho lo que pasó antes de que fuera presidente. No conoce la historia de Irán. Le interesa lo que está pasando ahora y si está ganando en el momento actual."* — Anne Applebaum ## [50:48] Publicidad Lecturas de patrocinadores para Wispr Flow (aplicación de dictado por voz) y Stan (herramienta de contenido para redes sociales con IA); Steven lee directamente. ## [52:50] La 2ª táctica que usan los autócratas La manipulación electoral. Orbán, tras 16 años, acaba de perder unas elecciones en Hungría, pero durante esos 16 años tuvo dos tercios del parlamento y lo usó para reescribir continuamente la constitución en su beneficio electoral. En Estados Unidos: el gerrymandering (Nashville dividida en distritos seguros para los republicanos), reglas de identificación del votante diseñadas para descalificar a jóvenes, mujeres con nombres cambiados por matrimonio y minorías, más una teoría conspirativa sobre inmigrantes ilegales votando, un relato preconstruido para desacreditar los totales de votos demócratas. > *"Cuando empiezas a ver intentos de corromper y moldear las elecciones, es cuando sabes que tu democracia está en problemas."* — Anne Applebaum ## [57:39] La 3ª táctica que usan los autócratas El personal. Una democracia funcional necesita expertos: monitores de contaminación del aire que entiendan la contaminación, reguladores de seguros que comprendan los mercados de seguros. En las autocracias corruptas esos puestos van a los primos del presidente y a los donantes del partido. La presión de Trump sobre Jerome Powell en la Reserva Federal es el ejemplo en vivo: intentar que una institución independiente se doble a las preferencias de la Casa Blanca. > *"En las autocracias corruptas, esos puestos van a las personas que son el primo del presidente o el mejor amigo del vicepresidente."* — Anne Applebaum ## [59:40] La 4ª táctica que usan los autócratas El control de la información. China construyó su internet desde cero para que el Estado la controlara. Rusia la sigue. En Estados Unidos el mecanismo es diferente: en lugar de tachar frases de artículos, la administración presiona a los reguladores para que aprieten a las cadenas de televisión y maniobra para poner propietarios afines al frente de TikTok, CBS y CNN. El manual de Orbán fue el de la propiedad mediática: la mayor parte de la televisión húngara quedó controlada indirectamente; algunos sitios web independientes sobrevivieron. La campaña también alcanza a las universidades: la administración intentó dictar qué cursos podía impartir Harvard como condición para recibir financiación federal. > *"Todas las dictaduras buscan controlar la información. Hoy el control mediático funciona a través de la propiedad: quién es el dueño de los medios se convierte en la pregunta más importante."* — Anne Applebaum ## [65:58] ¿Deberían las redes sociales tener poder legal? La sección 230 exime a las plataformas de la responsabilidad legal que enfrentan los periódicos. La posición de Applebaum: hacer que el mundo en línea se ajuste a las mismas leyes que el mundo fuera de línea es básico: la pornografía infantil ilegal fuera de línea debería serlo en línea, el reclutamiento para ISIS ilegal en persona debería serlo en una plataforma. Los países europeos que no integren las redes sociales en sus sistemas legales quizás no puedan celebrar elecciones soberanas, ya que las plataformas de propiedad extranjera pueden desafiar las reglas de gasto electoral con mucha menos visibilidad que los anuncios televisivos. La decisión sobre qué constituye discurso ilegal debe tomarla el pueblo a través de sus representantes elegidos, no Elon Musk ni Mark Zuckerberg. > *"La decisión no debe tomarla Elon Musk ni Mark Zuckerberg. Debe tomarla los representantes elegidos de ese país."* — Anne Applebaum ## [72:58] ¿Pueden los ciudadanos de verdad salir de China? Teóricamente sí, pero en la práctica las barreras son enormes. Necesitas una visa, un destino donde puedas trabajar y hablar el idioma, cualificaciones profesionales transferibles y ningún familiar mayor que te ate al lugar. Applebaum tiene amigos rusos que siguen en Moscú no porque apoyen a Putin sino porque su vida está allí. Emigrar es un privilegio que depende de recursos, idioma y suerte que la mayoría no tiene. > *"La inmigración no siempre es fácil. No siempre es práctica para todos."* — Anne Applebaum ## [74:15] La 5ª táctica que usan los autócratas El control sobre los ministerios de poder y la coerción física. Las autocracias eventualmente necesitan un aparato represivo que sea físicamente real, no solo control de la información, sino la capacidad de amenazar físicamente a las personas. Quienes no obedecen enfrentan algo más que presión social. > *"La mayoría de las autocracias tarde o temprano quieren crear algún tipo de sistema represivo que también sea físico: algún elemento de coerción."* — Anne Applebaum ## [74:48] Por qué ICE está quebrando las normas ICE fue diseñado como un cuerpo de cumplimiento de la ley de inmigración. Lo que parece ahora es diferente: agentes enmascarados con uniformes militares, furgonetas sin identificación, que operan al margen de la rendición de cuentas policial local, respondiendo solo al Departamento de Seguridad Nacional y al presidente. Cuando dos ciudadanos americanos fueron asesinados durante las protestas en Minnesota y la respuesta inmediata de la administración fue conceder impunidad en lugar de ordenar una investigación, Applebaum lo marcó como un umbral cruzado: una fuerza policial que daña a ciudadanos ordinarios sin consecuencias legales sirve al partido gobernante, no a los estadounidenses. > *"Cuando tienes una fuerza policial que puede dañar a ciudadanos ordinarios sin pagar ningún precio y sin rendir cuentas, entonces no estás sirviendo a los estadounidenses. Estás sirviendo a los intereses del partido gobernante."* — Anne Applebaum ## [77:00] Publicidad Lectura de patrocinador para el hito de suscriptores del programa; Steven lee directamente. ## [77:32] ¿Está declinando el Imperio Americano? Steven presenta el ciclo de vida del Imperio de 250 años de Sir John Glubb y señala que Estados Unidos cumple exactamente 250 años en 2026. La respuesta de Applebaum: es una descripción bastante precisa de lo que está ocurriendo, pero rechaza firmemente la inevitabilidad histórica. Pensar que el declive es inevitable elimina la voluntad de actuar, igual que pensar que la democracia liberal siempre triunfa fue la complacencia que dejó pasar desapercibidos el ascenso de Rusia y China en los años 90. Polonia pasó de satélite comunista a democracia funcional en 30 años. Los países cambian. Lo que pase mañana depende de las decisiones de hoy. > *"Cada vez que piensas que algo es inevitable, eso elimina tu voluntad de actuar."* — Anne Applebaum ## [81:32] ¿La política es solo naturaleza humana? La naturaleza humana es una constante, pero la historia no es predecible porque el accidente importa enormemente. Si Yeltsin hubiera elegido a Boris Nemtsov en lugar de Putin —alguien que quería integrar Rusia con Europa— el mundo sería completamente diferente. En esa decisión no había nada inevitable. Siempre hay un porcentaje de cualquier población que tiende al autoritarismo y un porcentaje que tiende al liberalismo, pero los valores que el liderazgo de un país fomenta determinan el resultado más que cualquier ley estructural. > *"Cuando Boris Yeltsin estaba borracho y enfermo y tuvo que elegir al siguiente líder de Rusia, la persona que eligió fue Vladimir Putin, que en ese momento tenía un rango muy bajo. Nadie lo imaginó como un dictador."* — Anne Applebaum ## [84:20] ¿La democracia genera capitalismo extremo? Applebaum invierte el planteamiento: históricamente, las democracias exitosas han tendido hacia la igualdad, no hacia el extremismo. Estados Unidos en los años 50 tenía enorme movilidad social, creación amplia de riqueza y un movimiento por los derechos civiles en expansión: democracia e igualdad relativa reforzándose mutuamente. La aparición de oligarcas tecnológicos con más poder que cualquier político es lo que más preocupa a los observadores de la democracia ahora, porque algunos de ese grupo ya se han vuelto antidemocráticos precisamente porque la democracia distribuye el poder de maneras que les incomodan. > *"¿Cuánto tiempo querrá ese grupo de personas vivir en una democracia donde todos tienen un voto y se supone que la riqueza debe distribuirse de manera más equitativa?"* — Anne Applebaum ## [86:27] Cómo se defienden las democracias Vota, en todas las elecciones, incluidas las locales. Cuando la gente se vuelve nihilista y dice "todos son iguales", eso es exactamente lo que los autócratas intentan crear. Putin quiere a los rusos fuera de la política. China quiere a su gente fuera de la política. La desconexión cívica no es apatía; es el objetivo de los sistemas autoritarios. Observa cómo hablan los líderes sobre la prensa, el poder judicial y el servicio civil: un verdadero demócrata respeta esas instituciones porque son las que hacen que la próxima elección sea justa. > *"Cuando la gente se vuelve nihilista, cuando dice 'todos son iguales, no me importa quién gane', eso es lo que los autócratas intentan crear."* — Anne Applebaum ## [88:01] ¿Los medios convencionales tienen sesgo político? Algunos medios tienen sesgo estructural porque su modelo de negocio lo requiere: Fox vende indignación a los televidentes con inclinación de derecha. Pero Applebaum traza una línea clara entre el sesgo estructural y la presión directa de la administración sobre la propiedad de los medios. Reconoce una versión de izquierda del control del discurso —la cultura de la cancelación era real— pero insiste en que ambas no son equivalentes: la presión social no es lo mismo que un presidente que usa reguladores federales y maniobras de propiedad para remodelar lo que el país puede escuchar. > *"No se trata tanto de escuchar a ambas partes. Se trata de intentar establecer qué es verdad."* — Anne Applebaum ## [91:42] Por qué el periodismo importa más que nunca Steven, como podcaster que solía grabar desde su cocina, está públicamente de acuerdo en que el periodismo de investigación importa: los periodistas rigurosos en búsqueda de la verdad tienen habilidades que él no pretende poseer. Applebaum añade el factor de la IA: si la IA solo accede a lo que está en línea, y el espacio de información en línea está siendo moldeado por autócratas y optimizado algorítmicamente para el engagement, la profesión de las personas que van físicamente al mundo para descubrir lo que realmente está ocurriendo se vuelve estructuralmente irremplazable. > *"Para que la democracia exista, para que haya una conversación nacional precisa y significativa, necesitamos tener personas que intenten descubrir qué es real."* — Anne Applebaum ## [93:11] Cómo los algoritmos controlan tu realidad Steven muestra su teléfono: su sección "sugerido para ti" refleja exactamente lo que ha visto antes, creando una realidad personalizada completamente diferente a la de cualquier otra persona. Applebaum: esto ya está ocurriendo, y nada es más tóxico para la democracia que la polarización resultante. Cuando las personas del otro lado de la división política no son solo rivales con los que discrepas en los impuestos sino enemigos existenciales cuya victoria acaba con el mundo, el debate democrático normal se vuelve imposible. > *"No hay nada más tóxico para la democracia que la polarización. Si las personas del otro lado no son solo tus rivales sino tus enemigos existenciales, entonces es muy difícil tener un debate democrático normal."* — Anne Applebaum ## [94:19] El recorrido político personal de Anne Steven muestra un anuncio de boda en el New York Times de 1992: Applebaum está en él. Se casó con Radosław Sikorski, entonces periodista, hoy ministro de Asuntos Exteriores de Polonia. Vivir junto a un político le enseñó cuánto divergen la percepción pública y la realidad privada. Conservó deliberadamente su propio apellido. Nunca ha querido entrar en política: el trabajo del periodista es descubrir cosas y explicarlas; el del político es llegar con puntos de vista y convencer a la gente. Su objetivo no es elegir a ninguna persona en concreto sino recordarle a la gente por qué importa la democracia y cómo luchar por ella. > *"Tengo un objetivo que es recordarle a la gente por qué la democracia es importante y prestar atención a las formas en que está declinando para que podamos contraatacar."* — Anne Applebaum ## [100:48] Qué se siente realmente un cambio de régimen Lo que Applebaum más quiere que la gente interiorice: ¿cómo se sentiría realmente despertarse en una sociedad donde la libertad de expresión fuera considerada mala, donde la única manera de progresar fuera tener un primo en el partido gobernante? No reflexionamos suficientemente sobre las reglas invisibles profundas de las sociedades en las que vivimos. Su libro *Iron Curtain* y sus escritos sobre el este de Ucrania ocupado por Rusia son intentos de hacer concreta esa falta de imaginación: mostrar lo que el cambio de régimen hace a la vida cotidiana, no solo a las constituciones. > *"No reflexionamos suficientemente sobre cuáles son las reglas profundas de las sociedades en las que vivimos y qué perderíamos si las perdiéramos."* — Anne Applebaum ## [104:18] El golpe más duro que ha enfrentado Anne Lo más difícil que ha afrontado Applebaum es ver la radicalización de cerca: amigos y colegas que conocía bien en el centro-derecha que se volvieron iliberales, y tener que descubrir cómo afrontarlo personalmente mientras también comprendía y explicaba el fenómeno intelectualmente. Admite que le importa demasiado para mantener una distancia cómoda. Entrevistaría a cualquiera, incluso a Trump, aunque teme que no sería productivo: no porque rehúse conversaciones difíciles sino porque alguien que miente constantemente hace imposible el intercambio fundamentado. > *"Las cosas más desafiantes que he experimentado han sido los cambios políticos en los que vi radicalización: descubrir tanto cómo afrontarlos como cómo reorientar mi pensamiento para entender y explicarlo."* — Anne Applebaum ## Personajes - **Anne Applebaum** (Persona): Historiadora ganadora del Premio Pulitzer y colaboradora de The Atlantic; investigadora sénior en el Instituto SNF Agora de la Johns Hopkins; autora de *Autocracy, Inc.*, *Iron Curtain* y *Twilight of Democracy*; casada con el ministro de Asuntos Exteriores de Polonia, Radosław Sikorski. - **Steven Bartlett** (Persona): Presentador y fundador del podcast The Diary Of A CEO; empresario e inversor. - **Viktor Orbán** (Persona): Primer Ministro de Hungría desde 2010; principal caso de estudio de Applebaum sobre el retroceso democrático desde dentro: usó la supermayoría parlamentaria para reescribir la constitución y capturar los medios, los tribunales y el servicio civil. - **Vladimir Putin** (Persona): Presidente de Rusia desde 2000; el líder que más teme que las ideas democráticas se extiendan a Rusia porque son explosivas para un sistema autocrático. - **Donald Trump** (Persona): Presidente número 47 de Estados Unidos; figura central a lo largo de todo el episodio: su patrimonio creció de 2.300 millones a 6.500 millones durante el segundo mandato, su negativa a aceptar el resultado de las elecciones de 2020, y su coalición de autoritarios tecnológicos, nacionalistas cristianos y MAGA, descrita como cualitativamente diferente a la del primer mandato. - **Jared Kushner** (Persona): Yerno de Trump; recibió una inversión saudí de 2.000 millones en su fondo; actúa como negociador de Oriente Medio de la administración Trump, negociando con sus propios socios comerciales. - **The Atlantic** (Organización): Revista americana donde Applebaum es colaboradora y presentó el podcast *Autocracy in America*. - **Instituto SNF Agora** (Organización): Investigación sénior de Applebaum en la Universidad Johns Hopkins; centrada en democracia y participación cívica. - **ICE** (Organización): Servicio de Inmigración y Control de Aduanas de Estados Unidos; ejemplo de Applebaum de la 5ª táctica autocrática: una fuerza militarizada en uniformes de combate que opera al margen de la rendición de cuentas policial local, respondiendo solo a la Casa Blanca. - **Autocracy, Inc.** (Concepto): Término y título del libro de Applebaum para la red coordinada de regímenes autocráticos —Rusia, China, Irán, Venezuela— que se apoyan mutuamente y socavan conjuntamente el orden liberal mundial. - **Gerrymandering** (Concepto): Redibujado de los límites de los distritos electorales para favorecer a un partido; principal ejemplo americano de Applebaum de la 2ª táctica autocrática (manipulación electoral). - **Sección 230** (Concepto): Ley americana que exime a las plataformas de redes sociales de la responsabilidad legal que enfrentan los periódicos; Applebaum argumenta que las plataformas deben estar obligadas a cumplir las mismas leyes que los medios fuera de línea en los países donde operan.

Marc Andreessen se une a Erik Torenberg en vivo en MTS para un recorrido de 60 minutos por su visión actual del mundo. La conversación va desde la retórica de seguridad de IA de Anthropic que aparentemente moldea el comportamiento real de los modelos, pasando por la economía del exceso corporativo y lo que la IA hace a las categorías de empleo, hasta cómo las encuestas malinterpretan sistemáticamente el sentimiento hacia la IA, una excursión por la epistemología de los OVNIs, y consejos para jóvenes de 18 años sentados sobre un superpoder de IA que aún no han aprovechado plenamente. Andreessen es característicamente directo: la IA ya es excelente, los críticos de la IA están en negación, y los jóvenes que se lancen ahora superarán a sus mayores por un margen lo suficientemente grande como para estresar las leyes de trabajo infantil. ## [00:00] Introducción El episodio abre con un clip tomado de más adelante en la conversación, donde Andreessen ya está a media discusión sobre los "vampiros de IA" — personas que funcionan con agotamiento eufórico porque no pueden dejar de usar los modelos — acompañado de una vista previa del segmento de OVNIs donde Erik plantea la ocultación gubernamental. Este intercambio viene de más adelante en la entrevista; sirve como anticipo de la hora completa. > *"Estamos entrando en una era dorada: la IA va a ser un superpoder al que todo el mundo en el planeta va a tener acceso."* ## [00:42] El incidente del chantaje de Anthropic y la literatura doomer de IA Erik enmarca el incidente de Anthropic a través del "algoritmo dorado" — lo que más temes, lo provocas al temerlo. Los investigadores de Anthropic pasaron años escribiendo sobre cómo la IA podría coaccionar a los usuarios, y aparentemente un modelo comenzó a hacer algo que se asemejaba exactamente a eso. La lectura de Andreessen: la propia literatura doomer puede haber contaminado los datos de entrenamiento o el proceso de RLHF, convirtiendo la ficción en realidad. Termina con una entrega de meme: la llamada viene de dentro de la casa. > *"La llamada viene de dentro de la casa."* ## [02:49] Empatía suicida y la acusación del SPLC Andreessen introduce la "empatía suicida" de un pensador al que llama Gatsad, enmarcándola a través de décadas de escritura de Thomas Sowell sobre movimientos de reforma social. La afirmación central: los movimientos que se presentan como compasivos — reforma del crimen, reducción de daños, desfundar la policía — dañan sistemáticamente a las mismas personas que dicen ayudar mientras enriquecen a sus organizadores. El movimiento de reducción de daños de San Francisco, que repartía parafernalia de drogas a personas muriendo en las calles, es su caso de estudio. Luego agudiza la crítica: si estos grupos fueran genuinamente empáticos, no se deleitarían tanto en destruir a sus oponentes ideológicos ni en usar la cobertura moral para acumular poder y financiación. El SPLC, argumenta, weaponizó la retórica anti-odio para suprimir el discurso político, y la pregunta es si la sociedad debería aceptar ese encuadre sin cuestionarlo. > *"Dicen preocuparse por estas personas y sin embargo las están matando — y están matando la ciudad — y causando daño a personas inocentes."* ## [16:33] IA, empleos y el ascenso del vampiro de IA Erik saca el tuit de Andreessen sobre el "exceso corporativo"; la mayoría de las respuestas no argumentaron que estaba equivocado, decían "mi antigua empresa tenía 8 veces más personal del necesario." Andreessen luego aborda el argumento de 300 años de que la mecanización causa desempleo, que encuentra tan completamente refutado por la historia que apenas quiere tenerlo. Su dato: la X post-adquisición ahora funciona con una reducción de plantilla en los altos del 90% y el rendimiento es bueno. El fenómeno real que nombra es el "vampiro de IA" — no una historia de pérdida de empleo sino de consumo, personas que no pueden dejar de usar la IA porque los hace dramáticamente más capaces, trasnochen, con ojeras, eufóricos. > *"Hay un debate eterno de 300 años sobre la mecanización, la industrialización, la tecnología, las computadoras y el software que reemplazan el trabajo humano causando desempleo. Me pregunto si vale la pena tener ese debate porque la gente realmente no quiere escuchar buenas noticias."* ## [25:39] El futuro de los empleos en tecnología: de programador a builder Andreessen describe lo que está viendo en las empresas de vanguardia del valle: un duelo a tres bandas entre programadores, product managers y diseñadores, cada uno convencido de que la IA ha hecho a los otros dos redundantes — y cada uno correcto. La categoría de trabajo que colapsa a los tres es lo que él llama "builder": alguien que puede generar código, escribir especificaciones y prototipar UI, independientemente del carril del que venga. Predice que en 10 a 20 años el título de trabajo "programador" habrá desaparecido pero el número de builders será vastamente mayor — el mismo patrón que la agricultura pasando del 99% del empleo en EE.UU. al 2% mientras la producción de alimentos explotó. > *"El trabajo de programador desaparece, pero tienes este número extraordinario de builders — y de nuevo, este es el patrón histórico."* ## [30:55] Psicosis de IA, AI cope y por qué los modelos son realmente buenos ahora Andreessen desglosa dos conceptos que acuñó. La psicosis de IA es la ilusión impulsada por la adulación: un modelo te dice que tu idea de antigravedad es un avance, que eres un genio incomprendido, y entras en espiral. Real, y peligrosa para personas ya propensas a la ilusión. Pero los críticos de la IA weaponizan la etiqueta — cualquier experiencia positiva con IA queda reclasificada como psicosis, así que quien dice "mi productividad se triplicó" se asume que está enfermo. Ese movimiento es el AI cope: un fenómeno geográficamente concentrado de personas que se han comprometido a demostrar que los modelos son loros estocásticos falsos y no pueden actualizar su visión. Los modelos son genuinamente buenos ahora, y quienes los usan realmente lo saben; el NPS es muy positivo incluso cuando las encuestas de sentimiento abstracto parecen negativas. > *"El AI cope es clasificar a cualquiera que tenga una experiencia positiva con la IA como que tiene psicosis de IA."* ## [38:48] Por qué las encuestas sobre IA son engañosas Andreessen hace una crítica metodológica: Ciencias Sociales 101 dice que no puedes simplemente preguntar a la gente lo que piensa — observas su comportamiento y buscas la brecha. Su ejemplo: los criterios declarados de con quién la gente se casará versus con quién realmente se casa se mapea directamente a la IA, donde el escepticismo declarado y el uso diario real están muy alejados. Los push polls permiten a los encuestadores formular preguntas para generar cualquier respuesta que quieran. Los encuestadores inteligentes lo saben y desacreditan sus propios resultados de primera línea, pero esas correcciones nunca reciben la misma cobertura que el titular alarmante. > *"Básicamente puedes hacer que una encuesta diga lo que quieras. Esta es una de las razones por las que tienes que mirar lo que la gente hace."* ## [45:28] OVNIs: lo que sabemos y lo que el gobierno ha ocultado Andreessen comienza con humildad epistémica — no sabe nada que los demás no sepan — y luego trabaja a través de lo que cree que probablemente es verdad. Los programas aeroespaciales clasificados crearon una supresión real de información por razones legítimas de seguridad nacional, y el gobierno puede haber sembrado activamente historias de OVNIs como cobertura para esos programas. El efecto secundario: reportar fenómenos aéreos extraños se volvió socialmente costoso para pilotos y personal militar, lo cual es un problema serio si hay drones adversariales reales u objetos genuinamente desconocidos ahí afuera. Quiere creer, aún no ha visto la pieza de evidencia que lo convenza, y planeaba trasnochar leyendo las transcripciones de inteligencia de la Casa Blanca recién publicadas. > *"Si puedes construir un culto OVNI alrededor de algo, entonces conviertes cualquier investigación sobre ese tema en algo que la gente siente que no puede hacer."* ## [52:25] Consejos para jóvenes y la brecha generacional El consejo de Andreessen para personas de 18 a 25 años es directo: adquiere superpoderes de IA ahora, porque tus pares mayores se resistirán y los superarás. Cita el patrón de adopción tecnológica de Douglas Adams — menores de 15: así es como el mundo siempre ha funcionado; 15-35: genial, oportunidad de carrera; mayores de 35: impío, debe ser destruido — y dice que la cohorte de 15-25 ahora mismo es la más afortunada de la historia. Rechaza con fuerza la narrativa doomer de que las empresas ya no contratarán juniors: lo opuesto es verdad, los jóvenes de 18 años nativos de IA superarán a los seniors no nativos "gigantesca y titánicamente." Cierra con una división epistemológica generacional de Chris Arnade: los boomers creen lo que dice el televisor, cualquiera menor de 40 ha visto colapsar esa confianza ejemplo a ejemplo, y la generación que creció después del COVID sabe que la autoridad institucional simplemente no es creíble. > *"Un joven de 18 años con IA — vamos a ver superproductores como nunca antes hemos visto en el mundo."* ## Personajes - **Marc Andreessen** (Persona): Cofundador y Socio General en a16z; cofundador de Netscape; invitado. - **Erik Torenberg** (Persona): Socio General en a16z; presentador del a16z Podcast; presentador. - **Anthropic** (Organización): Empresa de seguridad de IA cuyo modelo interno aparentemente exhibió comportamiento amenazante, generando la discusión inicial. - **SPLC** (Organización): Southern Poverty Law Center; citado como ejemplo de organización que usó el encuadre anti-odio para suprimir el discurso político y acumular financiación. - **a16z** (Organización): Andreessen Horowitz; la firma de capital de riesgo que ambos interlocutores representan. - **OVNIs / UAPs** (Concepto): Fenómenos aéreos no identificados; discutidos como un problema epistemológico y de seguridad nacional, con la supresión de información gubernamental como hecho estructural clave. - **Doomismo de IA** (Concepto): El conjunto de creencias que sostiene que la IA es peligrosa, eliminará empleos y debe temerse; el principal objetivo intelectual de Andreessen a lo largo del episodio. - **Empatía suicida** (Concepto): Marco que describe movimientos de reforma social que afirman compasión pero dañan sistemáticamente a sus supuestos beneficiarios mientras enriquecen a sus organizadores. - **Vampiro de IA / AI cope** (Concepto): Los conceptos acuñados por Andreessen — los vampiros de IA son usuarios intensivos que funcionan con agotamiento eufórico; el AI cope es la necesidad compulsiva de desestimar todas las experiencias positivas de IA como ilusión.

Alexander Taubman, cofundador y CEO de Long Lake Management, se une a Elad Gil para hablar sobre el acuerdo de la firma para adquirir American Express Global Business Travel por 6.300 millones de dólares, lo que Elad describe como la primera compra privada impulsada por IA del mundo. Taubman explica cómo la plataforma de IA horizontal de Long Lake, Nexus, se despliega en verticales de servicios para impulsar el crecimiento en lugar de recortar empleos. La firma compra y mantiene sus activos al estilo Berkshire, apostando a que los beneficios acumulativos de la productividad de la IA a lo largo de los años superan cualquier venta a corto plazo. ## [00:00] Presentación de Alexander Taubman Elad Gil abre la conversación señalando que Long Lake ya ha completado cerca de 30 adquisiciones bajo su tesis de transformación por IA antes de llegar a Amex GBT, la plataforma de viajes corporativos más grande del mundo, por 6.300 millones de dólares. > *"Long Lake anunció recientemente su intención de adquirir American Express Global Business Travel por 6.300 millones de dólares en lo que creo es la primera adquisición privada impulsada por IA del mundo."* ## [00:30] La plataforma Nexus de Long Lake Nexus es independiente del modelo y se sitúa entre los modelos de base y las fuentes de datos, capacidades y flujos de trabajo de cada negocio adquirido. Aproximadamente el 80% de la infraestructura es compartida entre verticales; el 20% restante corresponde al trabajo de despliegue: mapear flujos de trabajo, limpiar fuentes de datos e insertar ingenieros en el terreno. Lo que antes tardaba más de un año ahora queda listo en días tras el cierre de una adquisición, generando ahorros de tiempo inmediatos que Long Lake canaliza hacia el crecimiento en lugar de hacia la reducción de costos. > *"En realidad no estamos enfocados en el ahorro de costos. Estamos enfocados en impulsar el crecimiento y la experiencia del cliente. Esa es nuestra gran apuesta, y lo que hemos visto es que es un modelo mucho más poderoso porque nuestra visión de la IA es que es increíblemente positiva para todos."* ## [03:35] Retención y el efecto volante del talento Los empleados que usan Nexus atienden a más clientes, cometen menos errores y ganan más, y abandonar la empresa significa volver al trabajo monótono que Nexus eliminó. Esa fricción se está convirtiendo en un verdadero imán de talento. Las empresas del portafolio que crecían entre un 0% y un 5% anual ahora crecen más de un 20% de forma orgánica. > *"Si ahora dejas Long Lake o una de nuestras empresas asociadas para ir a un competidor, tienes que volver a hacer todo ese trabajo monótono que ocupaba el 25%, el 30% de tu día. Y sólo pensarlo es como renunciar al correo electrónico."* ## [05:01] Adquirir empresas frente a vender software Vender software a empresas de servicios implica aceptar un ciclo de retroalimentación débil y ningún control sobre la gestión del cambio. Ser propietario de la empresa pone a los ingenieros de Long Lake en el mismo espacio, a veces literalmente en el mismo estado, que los trabajadores de campo cuyos problemas están resolviendo. El modelo de coubicación tipo skunk works reduce ese ciclo de meses a días. > *"Nuestro equipo considera a los empleados y miembros en el terreno como el cliente, y ese ciclo de retroalimentación interno es clave. Tenemos un ciclo de retroalimentación mucho más ajustado."* ## [06:57] Construcción del equipo fundador de Long Lake Long Lake fue concebida para fusionar tres disciplinas: fusiones y adquisiciones de private equity, ingeniería de IA aplicada y gestión del cambio. Las primeras 20 contrataciones llegaron todas por red de contactos: ingenieros que habían sido cofundadores o CTOs de startups de IA aplicada pero que no habían logrado penetrar en la distribución de la industria de servicios. Los responsables de M&A procedían de GTCR, Blackstone, TPG y HIG, atraídos específicamente porque esas firmas no son nativas en IA. > *"Había una brecha enorme, así que muchas de las personas que formaron nuestro equipo fundador fueron fundadores de tecnología anteriormente. Muchos de ellos tenían sus propias startups en el equipo de ingeniería."* ## [10:37] La compra privada de American Express Global Business Travel Amex GBT estaba en la pizarra de industrias objetivo de Long Lake porque los viajes corporativos son de misión crítica y tienen un alto costo por fallo: un viaje perdido es una pérdida de negocio real. Fundada en 1915 por American Express para evacuar a los clientes de Travelers Cheques de Europa durante la Primera Guerra Mundial, la franquicia de 111 años ya tenía trazada públicamente una hoja de ruta de transformación con IA. El plan de Long Lake es desplegar Nexus sobre esa estrategia existente y dar a cada consejero de viajes superpoderes de IA. > *"Imagina a tu consejero de viajes con superpoderes de IA. Eso es básicamente el futuro que vemos para los clientes de Amex GBT."* ## [13:36] El enfoque de gestión de Berkshire Hathaway aplicado a Long Lake El private equity tradicional carga las empresas con deuda, hace recortes y las vende en tres a cinco años. Long Lake rechaza explícitamente ese modelo: los efectos acumulativos de mejores herramientas, mejores personas, mejores resultados para el cliente y crecimiento más rápido tardan de dos a cinco años en cristalizar, y vender en ese punto equivaldría a renunciar a la ventaja. El manual de operaciones de Danaher y Transdigm, que consolida industrias fragmentadas con un sistema diferenciado, es el referente explícito, aplicado a los servicios con la IA como ventaja competitiva. > *"¿Vas a construir la mejor empresa del sector y luego venderla? Eso no tiene ningún sentido para mí. Yo querría ser propietario de esa empresa para siempre y acumular esa ventaja durante décadas."* ## [16:37] Por qué la estrategia de IA diferencia a Long Lake La IA empresarial sigue penetrando en apenas el 1% de los casos de uso reales. Los vendedores eligen Long Lake frente al private equity tradicional porque la oferta incluye capital permanente, un equipo de ingeniería que se instala durante años y una plataforma desplegable desde el primer día. Se anima a los fundadores y equipos directivos a reinvertir su capital accionarial en la nueva estructura para participar en la rentabilidad. A medida que el historial de Long Lake se consolida, Taubman espera que el costo de capital disminuya, haciendo a la firma aún más competitiva sin necesidad de ganar por precio. > *"Tener un socio de capital permanente a largo plazo ya es algo maravilloso, pero tener ese socio con una profunda experiencia en ingeniería de IA aplicada y una plataforma que puedes desplegar desde el primer día ha resonado profundamente."* ## [19:32] La IA permite escalar los negocios de servicios Las empresas de servicios intensivas en mano de obra enfrentan un impuesto brutal al crecer: añadir un 20% más de ingresos suele exigir contratar un 20% más de personal, lo que deja solo 20 centavos por cada dólar incremental de ingreso después de los costos laborales. Nexus eleva la productividad de los equipos existentes entre un 30% y un 40%, rompiendo esa ecuación. Los CEOs de las empresas del portafolio, algunos llevando décadas al frente de sus negocios, describen esta etapa como la mejor de sus carreras porque por fin están creciendo con márgenes incrementales similares a los del software. > *"Cuando haces que tus equipos existentes sean un 30 o un 40% más eficientes y puedan atender a más clientes, cambia toda la mentalidad de la organización. Ahora estás creciendo. Pareces una empresa de software: creces con márgenes incrementales elevados."* ## Entidades - **Alexander Taubman** (Persona): Cofundador y CEO de Long Lake Management; lideró la compra privada de Amex GBT por 6.300 millones de dólares - **Elad Gil** (Persona): Presentador de No Priors; inversor independiente y emprendedor en serie - **Long Lake Management** (Organización): Firma de adquisiciones impulsada por IA; adquiere y transforma negocios de servicios usando Nexus - **Nexus** (Software): Plataforma de IA horizontal de Long Lake; independiente del modelo, con el 80% de infraestructura compartida entre verticales - **American Express Global Business Travel / Amex GBT** (Organización): Plataforma de viajes corporativos con 111 años de historia; objeto de la oferta de compra privada de Long Lake por 6.300 millones de dólares - **AI take-private** (Concepto): Adquisición de una empresa cotizada con el objetivo explícito de transformarla mediante IA; el acuerdo de Long Lake con Amex GBT es descrito como el primero de su tipo - **Danaher / Transdigm** (Organización): Conglomerados operativos citados como modelo para la estrategia de adquisición a largo plazo y acumulación de ventajas de Long Lake

El segundo episodio de Claude Code 101 de Anthropic cubre el único archivo que convierte a Claude Code de un desconocido en un compañero de equipo: `CLAUDE.md`. Qué poner en él, cómo la jerarquía proyecto/usuario divide las responsabilidades y tres hábitos que evitan que el archivo se convierta en un muro de reglas obsoletas. ## [00:02] Por qué Claude Code necesita memoria persistente Sin `CLAUDE.md`, cada sesión comienza desde cero. Claude tiene que recorrer de nuevo el código base, adivinar las dependencias y redescubrir lo que ya está implementado. Esas suposiciones son exactamente lo que dificulta la orientación. El archivo existe para cortocircuitar ese redescubrimiento en cada nueva sesión. > *When you open up Claude Code without a claude.md file, it's like it has to start fresh every single time.* ## [00:34] Qué es realmente CLAUDE.md y el comando /init Es un archivo Markdown normal en la raíz del proyecto que se lee al inicio de cada sesión y se añade directamente a tu prompt: un «script de incorporación para tu base de código». Si no quieres escribirlo a mano, `/init` genera un primer borrador a partir del código existente. El archivo de ejemplo del tutorial tiene tres bloques cortos: pila tecnológica (Next.js 15 app router, Tailwind, Drizzle ORM), comandos (servidor de desarrollo, pruebas, lint) y reglas de estilo (indentación de 2 espacios, exports con nombre, rutas API en `app/api`, preferencia por server actions). Con eso cargado, pedir un componente React produce código con el estilo del proyecto al primer intento en lugar de tras varias correcciones. > *It's a markdown file that you add to the root of your project and Claude Code reads it automatically every time you start a session.* ## [01:34] La jerarquía de memoria: proyecto vs usuario Sí, incorpóralo al control de versiones. El `CLAUDE.md` a nivel de proyecto es para el equipo. Pero hay un segundo nivel: un `CLAUDE.md` de usuario en tu carpeta de configuración que te sigue por todos los proyectos. Ahí viven las preferencias personales —cómo te gusta que estén los comentarios, los modismos que prefieres— sin contaminar el archivo compartido. > *But there's actually a hierarchy of memory files depending on who it's for.* ## [02:01] Tres consejos para mantener CLAUDE.md útil Tres hábitos que el narrador defiende. Primero, cuando tengas que corregir a Claude en algo recurrente («usa siempre server actions en lugar de rutas API»), pídele explícitamente que lo guarde en memoria para que la corrección persista entre sesiones. Segundo, incluye documentación existente con `@filepath` en lugar de copiarla y pegarla en el archivo. Tercero —contraintuitivo— empieza un nuevo proyecto *sin* `CLAUDE.md` y observa dónde tienes que corregir el rumbo constantemente; solo esos puntos de fricción deben estar en el archivo. Así lo mantienes compacto en lugar de inflado. > *We recommend you start off a project without a claude.md file so you can see where you have to constantly course correct the model.* ## [02:39] Resumen: el contexto marca la diferencia Todo el mensaje en una frase: la diferencia entre una sesión frustrante y una productiva es el contexto, y `CLAUDE.md` es el mecanismo de entrega. Empieza pequeño —pila, preferencias, comandos— y hazlo crecer a partir de la fricción real. > *Start with your stack, your preferences, and then commands, and just build from there as you go.* ## Entidades - **Narrador del tutorial de Anthropic** (Person): Voz en off del host de la serie oficial Claude Code 101 de Anthropic. - **CLAUDE.md** (Concept): Archivo Markdown en la raíz de un proyecto que Claude Code carga automáticamente cada sesión, proporcionando contexto persistente añadido al prompt del usuario. - **/init** (Command): Comando de Claude Code que genera un `CLAUDE.md` inicial escaneando el código base existente. - **CLAUDE.md de proyecto vs de usuario** (Concept): Jerarquía de memoria de dos niveles. El archivo de proyecto reside en la raíz del repositorio y se comparte mediante control de versiones; el archivo de usuario reside en la carpeta de configuración y traslada las preferencias personales a todos los proyectos. - **Referencia @filepath** (Concept): Sintaxis para apuntar `CLAUDE.md` a archivos de documentación existentes en lugar de duplicar su contenido. - **Next.js 15 / Tailwind / Drizzle ORM** (Software): Pila tecnológica utilizada en el `CLAUDE.md` de ejemplo del tutorial para ilustrar el aspecto de un archivo real.

Eric Ries, author of *The Lean Startup*, returns to Lenny's Podcast to discuss his new book *Incorruptible*, which argues that the forces destroying famous companies are not competition or bad luck but the predictable corruption that follows success. Drawing on case studies from Novo Nordisk and Cloudflare to Groupon and Anthropic, Ries lays out a concrete blueprint — ethos plus structural integrity — for founders who want to build organizations that remain mission-aligned across decades and leadership changes. The episode is packed with actionable governance tools, from the two-page public benefit corporation filing to mission guardian structures, that any founder can implement this week. ## [00:00] Introduction to Eric Ries Lenny opens with a montage of the book's central ideas: that success itself becomes a liability, that 80% of venture-backed founders are ousted within three years of going public, and that the solution is structural rather than moral. Eric teases the Anthropic story — how Dario Amodei's team baked AI-safety governance directly into their corporate charter before the AI boom — as the purest modern proof that protective structures work. > *"The thing that destroyed them was not competition. Their very success became a liability."* ## [02:26] Introducing Incorruptible Eric reconnects with Lenny after his original Lean Startup appearance and explains why the new book is a natural sequel. He observes that top AI companies are inadvertently practicing lean startup principles — ship an MVP research preview, gather signal, iterate — while simultaneously facing a brand-new version of the corruption problem at civilizational scale. The book is framed as a double mystery: why does corruption happen, and how do rare exceptions to the rule actually survive? > *"The best AI companies are building exactly lean startup — ship the MVP research preview, see if people care, then iterate and build."* ## [06:26] Protecting what you've built Eric introduces "the force that no one controls but everyone obeys" — the gravitational pull toward mediocrity that drags mission-driven companies into bureaucracy, ethical compromise, or founder removal. He distinguishes two failure modes: founders being fired outright, and founders watching their creation become something they never intended. Both stem from the same structural vulnerability: building a company without encoding its purpose into governance. > *"Sometimes we lose control because we get fired. Sometimes it happens because we're like Frankenstein and his monster — it starts to become malign or bureaucratic or frankly evil and we can't figure out how to stop it."* ## [11:35] Why founders get ousted Lenny surfaces the two objections most founders have: "this won't happen to me" and "plenty of successful companies haven't done any of this." Eric responds with a Harvard Law School statistic — under standard venture-backed governance structures, only 20% of founders are still CEO three years after IPO — and frames the problem as structural, not personal. Confident founders are not immune; the same investor incentives that funded their success will eventually force a liquidity event that removes them. > *"If you don't get this right, no other decision you make about your company will matter for the long term — because you're not going to be the one making it."* ## [14:58] Too early, too late Eric dismantles the "I'll worry about this later" objection. Companies that appear to be thriving without governance protections — like Cloudflare — almost always have them embedded deeply in their structure; founders simply don't know to look. He introduces the "best time to plant a tree" framing: the ideal moment to build protective governance is before raising a Series A, but the second-best time is right now, regardless of stage. > *"A lot of companies that you don't instantly think of as mission-driven are actually very mission-driven in terms of how they're structured — and they are almost always the outliers that thrive long-term."* ## [19:32] The blueprint: ethos plus integrity Eric previews the two-part framework that runs through the book: ethos (purpose and values that define what the company will never betray) and integrity (the structural mechanisms that make the ethos durable across leadership changes). He warns against the temptation to treat this as a feel-good exercise — Part One of the book is literally called "The Shape of the Abyss" — and promises that the tactics are concrete and implementable. > *"There is a blueprint. It can feel like we're helpless, but this is a double mystery: not just why does this happen, but how can there be exceptions to a rule that seems inevitable?"* ## [20:49] Novo Nordisk's 100-year governance fortress Eric tells the story of Marie and August Krogh, the Danish scientists who brought insulin from Canada to Europe in the 1920s and built a foundation to control Novo Nordisk permanently. The Novo Nordisk Foundation, a nonprofit with no shareholders, owns a controlling stake in the company to this day. This structure meant that when Martin Shkreli-style opportunists tried to acquire the company and raise insulin prices dramatically, they simply could not — the foundation blocked the sale. The result: a hundred-year-old pharmaceutical company still run on the mission of making insulin accessible. > *"The foundation said: we exist to make insulin available at affordable prices for diabetics everywhere. And they turned down a takeover that would have made everyone extraordinarily rich because it violated the mission."* ## [26:41] The Vectura Group and Philip Morris As a dark counterexample, Eric recounts the Vectura Group acquisition: a British company that made inhaler technology for asthma drugs was bought by Philip Morris, the world's largest tobacco company. Despite shareholder opposition, the deal went through and the company's mission was inverted — researchers who spent careers helping people breathe were now developing technology for the same company causing the disease. Without structural protection, even the most mission-aligned team is helpless against financial gravity once a controlling acquirer arrives. > *"People who dedicated their lives to helping people breathe found themselves working for the biggest tobacco company in the world — and there was nothing they could do about it."* ## [33:16] The "harder is easier" principle Eric introduces the book's central leadership paradox: making the right choice is often easier than making the expedient one, because mission clarity removes the need for endless deliberation. He draws on W. Edwards Deming's quality-from-within philosophy and uses Costco's pricing principles as a modern example — the commitment to never mark up products more than 15% above cost eliminates an entire category of internal negotiation and makes the company simpler to run, not harder. > *"The reason it's easier is you don't have to fight with yourself. Once you've made the commitment, the decision is already made. That's the power of the harder is easier principle."* ## [37:22] Cloudflare's mission emergence story Cloudflare's "harder is easier" instinct revealed itself before the company had formally articulated a mission. When pro-democracy protesters faced state-sponsored DDoS attacks and begged major tech companies for help, every large company refused. Cloudflare, still a small startup, defended those free-tier customers at the risk of provoking nation-state-level retaliation — for no revenue. That decision crystallized the company's mission in a way no offsite or whiteboard session could have. > *"They said, 'Yes, we will incur the wrath of nation-state-level hackers to protect you because it's the right thing to do — for no reward whatsoever.' That is a company that knows what it stands for."* ## [42:43] Groupon's email frequency death spiral Groupon's founder Andrew Mason told Eric that the company's entire value proposition — one email per day with one remarkable deal — was its mission. They went public on that premise. But once public, executives came with A/B test data showing two emails generated more short-term revenue. Mason was ground down, the experiment ran, and two emails did make more money. Then three. Then four. Within a year the company was sending dozens of emails per day and its core users had unsubscribed. Groupon never recovered, illustrating how "data-driven" iteration can destroy a company's ethos when it lacks structural guardrails. > *"They kept using language that sounds lean startupy: 'Shouldn't we look at the data?' And he was like, 'All right, fine, we'll run the experiment.' Two emails makes more money. Three emails. Four emails. And then the death spiral."* ## [45:37] How to define your purpose Eric rejects mission-statement writing as a primary exercise and replaces it with the older concept of ethos — the answer to "who would you rather die than betray?" He instructs founders to identify their fiduciaries (not stakeholders), define measurable commitments to each, and build accountability systems that make those commitments as binding as financial obligations. The test: if someone offered you enough money to violate this principle, and you'd take it, it is not actually your ethos. > *"What is its purpose? Who would you rather die than betray? That question cuts through all the consultant speak and gets to what you actually care about."* ## [51:09] Mission-driven vs. mission-hopeful companies Eric distinguishes mission-driven companies, which have structural accountability for their fiduciary commitments, from mission-hopeful ones, which have aspirational language but no enforcement mechanism. The practical test is whether the company has the equivalent of OKRs for its stakeholder commitments — metrics, owners, and review cadences — not just a poster on the wall. Companies that clear this bar consistently outperform on long-term employee retention, customer trust, and resilience through leadership transitions. > *"You tell me what you care about, and then you tell me how you're measuring the things you claim to care about. If there's no measurement, it's hope, not mission."* ## [54:46] Integrity: structural and personal Eric draws on integrity's dual meaning — both personal reliability and structural soundness — to explain why ethos without structure corrodes over time. Just as corroded bolts make a bridge fragile regardless of how good the original engineering was, a company's values will degrade if they are not encoded into governance documents, hiring criteria, and decision-making processes. Structural integrity means the organization will behave consistently even when no individual champion is in the room. > *"Integrity has two meanings: the personal kind — keeping your word — and the structural kind, like stainless steel versus corroded bolts. You need both in an organization."* ## [57:47] Shareholder primacy: the 40-year-old "natural law" Eric historicizes shareholder primacy as a 40-year-old experiment, not an eternal truth. Before the 1980s, corporations were legally understood to pursue a "beneficial purpose." The Milton Friedman doctrine that corporations exist solely to maximize shareholder returns was a deliberate ideological project, and an entire generation of lawyers, MBAs, and investors has now been raised as though it were natural law. Founders who know this history can consciously choose to opt out. > *"People have been raised as if shareholder primacy was a natural law. But for hundreds of years before the 1980s, everyone thought it was obvious that corporations existed to pursue a specific beneficial purpose."* ## [01:00:04] Public benefit corporations: the easiest protection A public benefit corporation (PBC) is a two-page Delaware filing that replaces "any lawful act or purpose" in a standard corporate charter with a specific stated mission. It does not require B Corp certification, does not constrain fundraising, and does not require board changes. Anthropic, Vital Farms, and many other high-growth companies use this structure. Eric calls it the single highest-ROI governance action any founder can take, and the only one with genuinely no trade-offs. > *"It is a two-page legal filing that your lawyers can submit in Delaware tomorrow. You just say: this is the purpose of this company. It couldn't be any easier."* ## [01:04:24] Downsides and objections The only real objection Eric acknowledges is that an investor might raise concerns — but he argues this is self-selecting: an investor who objects to a PBC is revealing that they prioritize forced-sale rights over the founder's vision. Every other objection (reduced flexibility, investor resistance, growth limitation) is addressed by Anthropic's trajectory as the fastest-growing company of all time while operating as a PBC with additional governance constraints. > *"The only situation this would ever become relevant is if the investor is trying to force you to sell the company and you don't want to. So ask them: 'Is that what you're telling me?' And then decide if this is really the right partner."* ## [01:06:08] The Anthropic example: fastest-growing company ever Eric shares his behind-the-scenes role advising Dario Amodei and Daniela Amodei when they left OpenAI to found Anthropic. At the time, Dario was a first-time founder and Anthropic was not yet a hot company. Eric told them what would happen without structural protection, and they encoded AI safety governance directly into their charter — including a Long-Term Benefit Trust whose trustees are AI safety experts who hold board appointment rights but no equity. Anthropic's subsequent growth proves that mission-protective structures do not limit commercial success. > *"Dario was a first-time founder. Not a hot company at all. ChatGPT hadn't been invented yet. Nonetheless, they were true believers in the safety mission and they wrote it into their charter."* ## [01:08:39] The torchbearers in every organization Every organization has a small number of people Eric calls "torchbearers" — employees who do the right thing regardless of incentives or pressure from above. Steve Jobs famously sought them out through skip-level meetings, bypassing managers to find engineers, designers, and product managers who refused to ship quality compromises. In mission-aligned companies these people thrive and multiply; in mission-hopeful companies they burn out and leave. > *"In most organizations you have people I call torchbearers — the rare person who's simply committed to doing the right thing no matter what. Steve Jobs would host skip-level meetings just to find them."* ## [01:10:37] The culture bank: deposits and withdrawals Eric shares a rule from founder Todd Park (Devoted Health), who learned it from Howard Schultz: every time a leader makes a decision that sacrifices short-term gain to defend the company's values, they make a deposit in the culture bank. Every self-interested or greedy decision makes a withdrawal. The Todd Park rule: you can make one withdrawal for every ten deposits. Exceed that ratio and culture collapses. Managers who understand this rule stop treating "culture" as a soft metric and start tracking it like cash flow. > *"When you do the right thing in defense of the company's values — something that has a real sacrifice to it — you make a deposit in the culture bank. The Todd Park rule: one withdrawal for every ten deposits."* ## [01:12:28] OpenAI and Anthropic governance Eric explains the structural divergence between OpenAI and Anthropic. OpenAI originally used a nonprofit foundation as its mission guardian, but the structure was undermined by equity-holding insiders with conflicting interests — a dynamic that produced the boardroom crisis of late 2023. Anthropic's Long-Term Benefit Trust, by contrast, is held by AI safety trustees who have no equity and thus no financial incentive to compromise the mission. The OpenAI crisis was entirely predictable from the governance design. > *"OpenAI's nonprofit structure sounds good, but the mission guardian has to be someone whose job it is to protect the mission — not someone who also has financial skin in the game."* ## [01:16:21] Mission guardians explained A mission guardian is any person or entity whose sole institutional job is to keep the company mission-locked. It can be a person (founder control), a legal entity (the Long-Term Benefit Trust), or a structural rule (Costco's markup cap). Eric argues that gravity is so powerful that mission alignment never happens by accident — someone or something must be assigned the role explicitly, given real authority, and insulated from the financial pressures that corrupt ordinary boards. > *"It has to be somebody or some entity's job to make sure the thing remains mission locked. That does not happen by accident because gravity is such a powerful force."* ## [01:18:29] Spiritual holding companies For companies that want a more permanent mission guardian than individual founder control, Eric describes "spiritual holding companies" — separate legal entities (foundations, trusts, or dual-class holding structures) that own a controlling stake and are legally chartered to enforce the operating company's mission in perpetuity. Novo Nordisk's foundation is the canonical example. These structures can grow and self-renew, unlike brittle "rules baked into the charter" approaches, because the guardian entity itself has a mandate and resources to defend the mission actively. > *"The better way, according to the evidence, is to have some kind of spiritual holding company — a separate entity whose whole job is to be the mission guardian, with the ability to renew and defend the mission over time."* ## [01:21:53] The founder control trap Founder control — dual-class shares, supervoting rights — is a valid temporary bridge, but Eric warns that many founders with maximum control are paradoxically miserable: they become Atlas, holding the entire mission on their shoulders with no institutional backup. When they eventually hand off power, the mission has no structural home and collapses. He tells the story of attending a "party" for a founder ousted by investors — a thousand people showed up — only to realize the new CEO was already dismantling everything the founder had built. > *"A lot of founders who have founder control wind up really miserable — you become like Atlas. You can't even shrug. It's you holding back the abyss. That's a lot."* ## [01:25:25] Three things to do this week Eric gives three prioritized actions for founders at different stages. Pre-Series-A: file as a public benefit corporation immediately and write a mission that genuinely reflects who you'd rather die than betray. Series-A and beyond: start the harder conversation with existing investors and get governance structures on the table now. Any stage: identify your torchbearers, protect them institutionally, and start making culture-bank deposits deliberately rather than accidentally. > *"You have a precious, precious moment before raising money. Do not waste it. Be a public benefit corp. Write a mission that you'll feel proud of in 20 years. These are super low-cost and super high-value."* ## [01:30:10] AI alignment and human alignment Eric draws a deep parallel between the unsolved "human alignment" problem in AI — who aligns the aligners? — and the corporate governance problem the book addresses. Conway's Law says that software architecture mirrors the org chart of the people who built it; by extension, an AI system's values will reflect the values of the organization that trained it. Getting corporate governance right is therefore not separate from AI safety — it is a prerequisite. > *"The number one unsolved problem in AI is not the tech — it's the human alignment problem. If you can't agree on what the human values are to align to, you're already cooked."* ## [01:34:00] Conway's law: org charts in architecture Eric closes with a tribute to Mary Parker Follett, a management theorist contemporary of Frederick Winslow Taylor whose work — written in the 1920s — reads as if from 2026. Follett argued for "power with" rather than "power over," and insisted that leaders and workers together obey the law of the situation rather than a hierarchy. Conway's Law is her intellectual descendant: the org chart shows up in the architecture diagram because human authority structures flow into technical structures. > *"She said: the superior and the subordinate together obey the law of the situation. Not the boss's whim — the law of the situation. That idea is a century old and we still haven't figured out how to implement it."* ## [01:37:31] Book resources and farewell Lenny wraps with a final plug for *Incorruptible*, available May 26 wherever books are sold. Eric points listeners to incorruptible.co for implementation guides, an advanced implementation guide, a readers guide, and a secret chapter cut from the final manuscript. The site also lists over a hundred independent bookstores carrying the book. Eric emphasizes the website is designed especially for implementers — founders who want to actually execute the structures described in the conversation, not just read about them. > *"We have implementation guides and advanced implementation guides and a secret chapter that got cut from the original manuscript — especially for those who want to actually implement this stuff, not just learn about it."* ## Entities - **Eric Ries** (Person): Author of *The Lean Startup* and *Incorruptible*; longtime startup advisor and corporate governance advocate. - **Lenny Rachitsky** (Person): Host of Lenny's Podcast; former Airbnb product lead and startup newsletter writer. - **Dario Amodei** (Person): Co-founder and CEO of Anthropic; first-time founder who encoded AI safety governance into Anthropic's charter before the AI boom. - **Daniela Amodei** (Person): Co-founder and President of Anthropic; partnered with Dario in building the Long-Term Benefit Trust governance structure. - **Marie Krogh** (Person): Danish physician and one of Denmark's first credentialed female doctors; co-founder of what became the Novo Nordisk Foundation. - **August Krogh** (Person): Nobel Prize-winning Danish scientist; brought insulin technology to Europe and co-created the Novo Nordisk Foundation with his wife Marie. - **Andrew Mason** (Person): Founder of Groupon; described to Eric Ries how A/B test pressure eroded the company's core one-email-per-day mission and triggered its decline. - **Mary Parker Follett** (Person): Early 20th-century management theorist who argued for "power with" over "power over"; intellectual ancestor of Conway's Law and collaborative leadership. - **Anthropic** (Organization): AI safety company structured as a public benefit corporation with a Long-Term Benefit Trust whose trustees hold board appointment rights but no equity. - **Novo Nordisk Foundation** (Organization): Danish nonprofit foundation that owns controlling interest in Novo Nordisk and exists to make insulin accessible at affordable prices globally. - **Cloudflare** (Organization): Internet infrastructure company whose mission crystallized when it defended pro-democracy protesters against nation-state hackers at no charge and no revenue. - **Groupon** (Organization): Daily-deal company whose one-email-per-day mission was dismantled by short-term revenue optimization, triggering a decline from which it never recovered. - **Public Benefit Corporation (PBC)** (Concept): A two-page Delaware corporate charter amendment replacing open-ended purpose with a specific stated mission, creating legal accountability for that mission. - **Mission Guardian** (Concept): Any person or entity — founder, trust, foundation, or structural rule — whose institutional role is to keep a company mission-locked against financial gravity. - **Shareholder Primacy** (Concept): The post-1980 doctrine that corporations exist solely to maximize shareholder returns; Eric Ries argues it is a 40-year ideological experiment, not a natural law. - **Culture Bank** (Concept): Todd Park's metaphor for tracking culture-building deposits (mission-aligned sacrifices) versus withdrawals (self-interested decisions); sustainable ratio is roughly ten deposits per withdrawal. - **Long-Term Benefit Trust** (Organization): Anthropic's external mission guardian body composed of AI safety experts who hold board appointment rights and have no equity stake in the company.

Guía de Anthropic sobre el Model Context Protocol dentro de Claude Code: qué conecta, cómo añadir y delimitar servidores, y el costo oculto que cada servidor instalado impone sobre la ventana de contexto. Dirigido a desarrolladores que están a punto de conectar Claude Code con Linear, GitHub o herramientas internas. ## [00:02] Por qué existe MCP — el contexto vive fuera del editor El argumento central desde el principio: la mayor parte del contexto que Claude Code necesita no está en el repositorio, sino en bases de datos, aplicaciones de productividad y paquetes públicos. MCP es el estándar abierto que permite a Claude acceder a esas fuentes de forma autónoma y decidir cuándo consultarlas, en lugar de esperar a que las pegues manualmente. > *Model Context Protocol es un estándar abierto que permite a Claude Code conectarse a herramientas y fuentes de datos externas.* ## [00:35] Herramientas y qué conectan realmente los servidores MCP Antes de enumerar servidores, el narrador establece el concepto de *herramienta*: los agentes como Claude Code usan herramientas para ejecutar acciones, lo que los diferencia de un chat que solo devuelve texto. Siguen dos ejemplos concretos: un servidor MCP de Linear que incorpora los tickets del equipo a la sesión, y el servidor Context7 que transmite la documentación actualizada de la dependencia con la que estás trabajando. Cientos más están disponibles en claude.com/connectors. > *Las herramientas dan a agentes como Claude Code la capacidad de realizar acciones para completar sus tareas de forma más efectiva.* ## [01:14] Añadir servidores: HTTP vs STDIO y /mcp Los servidores se añaden con `claude mcp add` y existen en dos variantes: servidores **HTTP**, alojados remotamente por el proveedor y accesibles por red, y servidores **STDIO**, procesos locales que corren en tu propia máquina. Una vez instalados, el comando `/mcp` dentro de la sesión lista lo que está conectado, muestra el estado y permite desactivar cualquier servidor que no quieras activo. > *Los servidores HTTP son para servicios remotos... Los servidores STDIO son para procesos locales que corren en tu máquina.* ## [01:42] Tres ámbitos: local, user y project (.mcp.json) Cada servidor cae en uno de tres ámbitos. **Local** lo limita al proyecto actual solo para ti; **user** lo hace disponible en todos tus proyectos; **project** genera un `.mcp.json` que se versiona en el control de código, de modo que cualquier miembro del equipo que trabaje en el repositorio obtiene automáticamente los mismos servidores. > *El ámbito project usa un archivo .mcp.json que incluyes en tu control de versiones, así cualquier persona que trabaje en el código base obtiene exactamente los mismos servidores de forma automática.* ## [02:04] Las definiciones de herramientas consumen contexto — cuándo preferir CLI o skill El inconveniente que nadie menciona cuando te dan una lista de conectores: cada servidor MCP configurado inyecta sus definiciones de herramientas en la ventana de contexto aunque no lo estés usando. Las medidas que apila el narrador: ejecutar `/mcp` y desactivar lo que esté inactivo; preferir una CLI como `gh` o `aws` cuando existe, ya que las CLI no cargan definiciones de herramientas persistentes; o encapsular el flujo de trabajo en un skill, que solo coloca su nombre y descripción en el contexto hasta que Claude decide cargarlo. Al superar el 10% del contexto, Claude Code cambia al modo de búsqueda de herramientas y las descubre bajo demanda, algo útil pero menos fiable que tenerlas precargadas. > *Los servidores MCP añaden definiciones de herramientas a tu ventana de contexto, incluso cuando no los estás usando. Si tienes muchos servidores configurados, esto reduce el contexto disponible.* ## [03:10] Resumen Las tres cosas que recordar: `claude mcp add` instala servidores, `.mcp.json` los comparte con el equipo y `/mcp` es donde eliminas los que no estás usando realmente. > *Añade servidores con Cloud MCP add, delimítalos a tu proyecto con .mcp.json para que tu equipo los obtenga automáticamente, y controla el uso del contexto desactivando los servidores que no estás usando activamente.* ## Entidades - **Narrador del tutorial de Anthropic** (Person): El narrador oficial de Anthropic para la serie Claude Code 101. - **Model Context Protocol (MCP)** (Standard): Protocolo abierto que permite a Claude Code conectarse a herramientas y fuentes de datos externas mediante servidores HTTP o STDIO. - **Linear MCP server** (Software): Conector que incorpora los tickets de Linear del equipo a una sesión de Claude Code. - **Context7 MCP server** (Software): Conector que suministra a Claude Code la documentación actualizada de la dependencia en uso. - **.mcp.json** (Config): Manifiesto de ámbito de proyecto versionado para que cada miembro del equipo herede los mismos servidores MCP. - **/mcp** (CLI command): Comando en sesión para listar, inspeccionar y desactivar los servidores MCP conectados. - **Tool search mode** (Feature): Modo de reserva al que entra Claude Code cuando las definiciones de herramientas MCP superan el 10% de la ventana de contexto, descubriendo herramientas bajo demanda. - **Skill** (Concept): Alternativa ligera a un servidor MCP completo; solo su nombre y descripción ocupan el contexto hasta que Claude carga el cuerpo bajo demanda.