> 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/w19-notebooklm-deepwiki-and-ai-products.md).

# W19-NotebookLM, DeepWiki y los productos de IA

Últimamente he usado herramientas de organización de información como NotebookLM y DeepWiki. NotebookLM está diseñado como un espacio de trabajo y recuerda a un IDE. Trasladado al trabajo, creo que un espacio capaz de integrar libremente fuentes internas como dx, ones, code y km podría multiplicar nuestra eficiencia. He leído sobre el método OODA: en esencia, la IA acelera el ciclo, sobre todo las fases de Observe —observar— y Orient —orientarse y evaluar—. Nos ayuda a extraer y comprender antes la información clave y a construir un marco mental, de modo que podamos ajustar estrategias y tomar decisiones con mayor frecuencia. Por ejemplo, al redactar un COE, quien hace la revisión solo tendría que centrarse en lo esencial, como la causa raíz y las lecciones. La cronología y otros datos se completarían automáticamente. Cualquiera podría profundizar en un incidente en cualquier momento. Eso sí sería un estudio de caso.

Recomiendo un episodio de Lenny's Podcast que entrevista al CPO de OpenAI. Ofrece una perspectiva de producto excelente. Para ahorrar tiempo, se puede usar NotebookLM. Tres ideas me dejaron huella.

1. Está cambiando la base tecnológica sobre la que se construyen los productos. Pasamos de sistemas de reglas con «entrada determinada y salida determinada» a sistemas basados en modelos con «salidas probabilísticas». Además, los modelos evolucionan muy rápido: cada dos meses las computadoras pueden hacer algo que antes no podían. El modelo que usamos hoy será, sin duda, el peor de todos los que usemos en el futuro. Hay que ajustar continuamente el enfoque y el ritmo del producto.
2. Las evaluaciones, o Evals, se están convirtiendo en una competencia central de los responsables de producto. Como plantea Yao Shunyu al hablar de la «segunda mitad de los LLM», no sirven solo para probar un modelo, sino para evaluar cómo se comporta todo un sistema tecnológico ante un problema concreto. Los productos deben construir modelos adaptados a problemas reales, sin esperar a que el modelo esté «listo para todo».
3. La IA no genera la idea definitiva con un clic. Acelera el proceso de convertir las ideas en realidad: ofrece rápidamente varias propuestas para que quien produce pueda probarlas, combinarlas y pulirlas una y otra vez. El verdadero aumento de productividad viene precisamente de ese ciclo de creación conjunta entre personas e IA.