> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/es/2025/w07-some-reflections-triggered-by-deepseek.md).

# W07-Algunas reflexiones a partir de DeepSeek

DeepSeek nos ha mostrado qué hace atractiva a una tecnología. Su alto grado de apertura y su bajo costo aceleran de raíz el avance histórico de la IA. Durante la Revolución Industrial surgió la paradoja de Jevons: cuando una tecnología mejora la eficiencia con la que se utiliza un recurso, su consumo total puede aumentar en vez de disminuir. DeepSeek parece reproducirla. Toda tecnología nueva conquista y amplía rápidamente su mercado a medida que su costo cae de forma pronunciada. La demanda total final de cómputo y energía necesariamente crecerá. Esto también permite entender el cambio entre posiciones alcistas y bajistas en Nvidia a comienzos de año.

La popularidad repentina de DeepSeek ha traído una explosión de información. Cómo filtrar el ruido, qué información importa y qué podemos ignorar. Ha llegado la era de los LLM y todos partimos del mismo punto. ¿Cómo será la nueva ronda de competencia entre profesionales?

Las fuentes de calidad son la forma más eficaz de responder a la explosión informativa. Incluso lo mejor se deforma después de pasar por varias manos. Acceder a la gran mayoría de las fuentes originales no resulta costoso. Simplemente nos hemos acostumbrado a recibir lo que nos recomiendan.

La tecnología cambia cada día. Solo lo que resiste el paso del tiempo se convierte en clásico. El año pasado, al leer *Hackers y pintores*, una colección de ensayos de hace más de veinte años todavía me proporcionó muchas revelaciones. La forma de vivir y actuar de los hackers, qué es un buen diseño o qué hace bueno a un lenguaje son temas que ofrecen algo nuevo en cada lectura. Hace poco conseguí un libro descatalogado, *Showstopper!*, que cuenta episodios de la historia de Cutler mientras desarrollaba WindowNT y muestra tanto su carácter imprevisible como su capacidad para motivar y exigir al equipo. Cutler es conocido como «el mejor programador de núcleos de Silicon Valley» y, con más de setenta años, sigue escribiendo código en Microsoft.

Alguien planteó en X el «problema del 70 %». La idea es que una persona sin conocimientos de programación puede completar rápidamente el 70 % del trabajo con IA. En el 30 % restante, los rendimientos disminuyen y resulta muy difícil llegar a una solución. Solo queda esperar que la IA resuelva los problemas que ella misma ha creado. ¿Qué hace falta para completar ese 30 %? Comprender el negocio y al cliente, tener criterio arquitectónico, acumular modelos de pensamiento y entender los fundamentos de la programación con IA.

En una conversación individual con un compañero hablamos a fondo de qué conviene aprender al estudiar un lenguaje nuevo. Desde luego, no se trata de memorizar y dominar otro voluminoso manual de referencia. Muchos conceptos y reglas surgidos de restricciones concretas son conocimientos de poco valor que no se pueden trasladar a otros contextos. No hace falta embelesarse demasiado con las herramientas y las reglas. Hay que prestar atención al conocimiento capaz de producir criterio.