Glosario

Todos los términos que usa el programa, en lenguaje claro.

¿Es tu primera vez? Lee la primera lección gratis. No necesitas cuenta.

Conceptos de IA

Agent: Un sistema de IA que da varios pasos por su cuenta hacia un objetivo: elige tools y se va adaptando sobre la marcha.
AGI: Inteligencia artificial general: una IA hipotética, tan capaz como una persona en casi cualquier tarea. Se debate mucho y todavía no existe.
Closed model: Un modelo propietario al que solo se puede acceder a través de la API o la app de su proveedor.
Coding agent: Un asistente de IA con manos: lee archivos, los edita y ejecuta comandos, comprobando el resultado a cada paso.
Compaction: Resumir las partes antiguas de una conversación para liberar espacio en la context window.
Completion / response: Lo que el modelo devuelve después de tu prompt.
Context: Todo lo que el modelo puede ver ahora mismo: tu prompt, la conversación, los archivos adjuntos y cualquier nota que se le haya inyectado.
Context rot: Un fallo del bucle: el historial crece hasta que la señal se ahoga. Se arregla resumiendo los turnos viejos y volviendo a fijar el objetivo.
Context window: El máximo de tokens que un modelo puede tener presentes a la vez: tu prompt más todo lo que ya ha leído.
Corpus de origen: Donde vive la verdad en un montaje de RAG: las páginas, los documentos, los contratos o los tickets antiguos de los que recuperas.
Embedding: Una representación numérica de un texto que permite a un sistema buscar por significado en vez de por palabras exactas.
Embedding models: Modelos que convierten texto en números para que los tools puedan buscar por significado. Funcionan entre bastidores en los asistentes conectados a tus documentos.
Fine-tuning: Training adicional y especializado sobre un modelo base para ajustarlo a un uso concreto.
Frontier model: El modelo más grande, más nuevo y más capaz que ofrece un proveedor.
Generation: El último paso del RAG: meter los fragmentos recuperados en el prompt y dejar que la IA responda con ese context.
Gradient descent: El proceso de training en el que un modelo va ajustando poco a poco miles de millones de parámetros internos hasta que acierta al predecir la palabra siguiente.
Inference: Cada vez que usas el modelo de verdad. Le envías un prompt, pasa por unos parámetros congelados y produce un resultado.
LLM: Gran modelo de lenguaje: la tecnología que hay detrás de los asistentes de chat como ChatGPT, Gemini y Claude.
Long context: Cuánto puede tener presente un asistente en una sola conversación. Un long context abarca de golpe el equivalente a una biblioteca pequeña.
MCP (Model Context Protocol): Una forma estándar de conectar las apps de IA con tools, datos y servicios de fuera. Piensa en un USB para la IA.
Memory: Una función que guarda ciertos datos sobre ti y los vuelve a poner en el context al empezar las conversaciones siguientes.
Modelo de decisión: Un modelo que responde a una pregunta eligiendo una de las opciones que tú defines, con una probabilidad para cada opción, en lugar de escribir texto. Jev y Laya son ejemplos.
Modelos de imagen: Modelos que generan imágenes a partir de descripciones en texto, como DALL-E, Midjourney o Stable Diffusion.
Modelos de voz: Modelos que convierten voz en texto y al revés, como Whisper para transcribir o ElevenLabs para sintetizar voz.
Multimodal: Modelos que manejan algo más que texto: imágenes y, a veces, audio o video.
Open weights: Un modelo cuyos parámetros puedes descargar y ejecutar tú mismo.
Predicción de la palabra siguiente: Cómo funciona un LLM en el fondo: predice una y otra vez la palabra siguiente más probable hasta formar una respuesta útil.
Probabilidad calibrada: Una probabilidad que coincide con la frecuencia con la que las respuestas resultan correctas: de todas las respuestas dadas en torno a 0,8, alrededor del 80 % son correctas. Describe grupos de respuestas, nunca una sola, y solo puedes fiarte de ella cuando la has comprobado con tu propio trabajo etiquetado.
RAG (Retrieval-Augmented Generation): El sistema busca primero en tus documentos o en la web, y el modelo responde con lo que ha encontrado.
Session: Una conversación continua. Un chat nuevo empieza con el context vacío.
System prompt: Las instrucciones que fijan el rol y las reglas de la IA al principio de una conversación.
Token: Los trocitos de texto que un asistente lee y escribe, más o menos tres cuartos de palabra. La longitud y el costo se cuentan en tokens.
Tool: Un conector que permite a la IA hacer algo más que escribir texto: buscar, calcular o llegar a otro sistema.
Training: El proceso caro y único en el que un modelo aprende patrones a partir de cantidades enormes de texto. Lo hacen los proveedores, no tú.
Training cutoff: La fecha a partir de la cual el modelo no sabe nada por training, así que se pierde lo posterior salvo que se lo cuentes.

Prompting y técnicas

Capa siempre activa: El puñado de cosas que se leen en cada turno: las restricciones duras, las reglas de la casa y la tarea en curso.
Carga bajo demanda: Cargar esquemas, especificaciones, manuales o documentos solo cuando una tarea los necesita, pidiéndolos por su nombre.
Chain (prompt chaining): Una secuencia de prompts en la que cada resultado se convierte en la entrada del siguiente. Tú llevas la chain; la IA ejecuta cada etapa.
Chain of thought: Pedirle al modelo que razone paso a paso antes de responder. Mejora la precisión en los problemas de varios pasos.
Chunking: Partir un corpus en trozos manejables (de 256 a 512 tokens, con un solapamiento del 10 al 20 %) para poder recuperarlos.
Descomposición de procesos: Partir en pasos un proceso que pasa por varios equipos y decidir cuáles son de IA, cuáles deterministas y cuáles necesitan a una persona.
Determinismo frente a criterio: Un paso determinista da siempre el mismo resultado. Un paso de criterio puede variar con toda legitimidad. Marca cada etapa como una de las dos.
Diario de prompts: Una colección guardada de los prompts que funcionaron. Con el tiempo se convierte en una biblioteca de plantillas para tu propio trabajo.
Few-shot: Darle al modelo unos pocos ejemplos del patrón de entrada y resultado que quieres. Sube mucho la fiabilidad.
Formato del resultado: Mantener los resultados intermedios en un formato que una máquina pueda leer: tablas, JSON, campos siempre iguales. La prosa libre rompe las chains.
Marco de cuatro elementos: La estructura de prompt fiable: Rol, Context, Tarea, Formato (también llamada CRAFT o RCTF).
Meta-prompting: Pedirle a la IA que critique y reescriba tu prompt para que produzca resultados más fiables.
Paso de IA: Un paso del proceso que necesita un criterio que cambia según la entrada. Aquí es donde vale la pena gastar tu presupuesto de IA.
Paso determinista: Un paso del proceso que se resuelve con una lógica fija: una fórmula, un campo de una base de datos o un script.
Persona: Asignarle al modelo un papel para subirle el nivel de calidad. Da forma a cómo responde, pero no cambia si tiene razón.
Persona prompts: Dale un rol a cada etapa: un abogado junior, un responsable de cumplimiento. La Persona cambia el vocabulario, la profundidad y el tono.
Planifica y luego ejecuta: Pedirle al modelo que primero planifique y señale los huecos, y solo después produzca el entregable, para que no rellene esos huecos a base de suposiciones.
Progressive disclosure: Cargar poco siempre y el resto solo cuando sea relevante. Mantén pequeña la capa siempre activa.
Prompt: Lo que le escribes a un asistente. El prompting es el oficio de pedir bien las cosas.
Prompting en varios pasos: Partir el trabajo en etapas en lugar de escribir un prompt gigante. Cada etapa produce un resultado limpio y con nombre que usa la siguiente.
Refinamiento iterativo: Tratar la IA como una conversación y mejorar el resultado en unas cuantas rondas, en vez de esperar que el primer borrador salga perfecto.
Regla de oro: Dale a la IA todo el context que puedas, siempre. Mejores entradas dan mejores resultados, de forma constante.
Rellenar la respuesta por adelantado: Empezar tú la respuesta de la IA. Fija el formato y el tono desde la primera palabra y reduce mucho el drift.
Restricciones negativas: Decirle a la IA lo que no debe hacer. Empuja contra sus valores por defecto y suele ser más fácil que describir lo que quieres.
Retrieval: Elegir los fragmentos correctos para cada consulta. El retrieval híbrido (semántica más palabras clave) con un reranker es lo estándar en producción.
Structured outputs: Pedir un esquema concreto, como JSON o una tabla, para que el resultado quede claro y otros tools puedan reutilizarlo sin pelearse con él.
Superponer roles: Hacer que la IA analice algo desde varios puntos de vista expertos, uno tras otro, y después sintetice una sola recomendación.
Traspaso (la costura): El momento en que el resultado de un paso pasa a ser la entrada del siguiente. Casi todas las chains se rompen aquí, así que pon las comprobaciones en la costura.
Zero-shot: Pedirle al modelo que haga una tarea sin darle ningún ejemplo. Vale para tareas simples y muy conocidas.

Construir y lanzar

Agent loop: El ciclo en ejecución: leer el context, decidir, llamar a un tool, leer el resultado, decidir otra vez, hasta que la tarea está hecha.
AGENTS.md: El archivo de instrucciones estándar entre tools. Pon aquí tus convenciones, como única fuente de verdad.
Anatomía de unas instrucciones: Las piezas que necesitan unas buenas instrucciones de agent: rol, trigger, entradas, pasos, formato del resultado y guardrails.
Archivo de instrucciones: Un archivo con reglas permanentes que un agent lee antes de ponerse a trabajar. AGENTS.md es el nombre habitual.
Archivos de referencia: Documentos estables (normativa, guías de estilo, glosarios) que se adjuntan a un asistente personalizado para que razone siempre con ellos.
Branch: Una línea de trabajo paralela dentro del mismo repo. Experimentas en una branch sin molestar a la principal.
Cascada: Ejecutar primero un modelo barato y rápido y enviar solo sus casos dudosos a un modelo más potente o a una persona. Ahorra costo, pero solo mejora la exactitud cuando la segunda etapa comete errores distintos.
Changelog: Una nota corta al final de unas instrucciones donde apuntas los cambios de cada versión, para que los demás vean cómo han evolucionado.
Checkout: Cambiar tu carpeta de trabajo para que muestre una branch o un commit concretos. El mismo repo, otra vista.
CLAUDE.md: El archivo de instrucciones de Claude Code, en la raíz del proyecto o en ~/.claude para el global. Muchas veces es solo un puntero a AGENTS.md.
Cobertura: Una de las fuerzas del diseño de un harness: darle al modelo lo suficiente para actuar bien. Con demasiado poco, adivina o se inventa una API.
Commit: Un cambio guardado, con una nota que dice qué cambió y por qué. El historial de un repo es una cadena de commits.
Context budget: Tratar la context window como un presupuesto que repartes a propósito, gastando más en lo que de verdad cambia la respuesta.
Contexto oculto: Los system prompts, los archivos de referencia, el historial de la conversación y los fragmentos recuperados gastan tokens en cada ejecución.
Costo: Lo que cuesta cada token: en dinero, en latencia y en atención diluida.
Costo por resultado aprovechable: El gasto total dividido entre los resultados que no hubo que rehacer. La métrica de gasto que conviene interiorizar.
Costura: El punto donde la información pasa de una persona, un equipo o un sistema a otro. Por las costuras se escapan tiempo y calidad.
Deferred tools: Listar los tools por su nombre y dejar que el modelo pida la definición completa cuando la necesite, para que el context siga ligero.
Edge cases: Entradas válidas pero raras. Unas buenas instrucciones dicen qué hacer cuando falta un campo, cuando hay contradicciones y cuando aparecen datos sensibles.
Entradas de confianza: Entradas que ya venían validadas antes de llegar aquí, como una fila de base de datos con un esquema obligatorio. Puedes actuar sobre ellas directamente.
Etapa de validación: La primera etapa de la chain, la que comprueba que cada campo obligatorio está y es válido. Si una comprobación falla, se detiene y avisa a una persona.
Fallo de diseño: Un fallo que viene de la arquitectura del flujo de trabajo. Se arregla rehaciendo las etapas o rediseñándolo.
Forking: Copiar el agent o el asistente que ha compartido otra persona y adaptarlo, heredando lo que aprendió quien lo escribió.
Format drift: La IA devuelve el resultado con una forma un poco distinta a la especificada, y eso rompe todo lo que venía después esperando el formato exacto.
Franjas de umbral: Dos puntos de corte que dividen las respuestas de un modelo de decisión en tres resultados: actuar por su cuenta, confirmar con una persona o escalar a una persona. Los fijas a partir de tus propios elementos etiquetados y de lo que cuesta cada error.
Frontmatter: Un bloque pequeño de YAML justo al principio de un archivo, con datos sobre el propio archivo.
Gold set: Elementos reales de tu trabajo, cada uno etiquetado con la respuesta correcta por personas que conocen bien ese trabajo. Con él puntúas un modelo de decisión antes de fiarte de él.
Harness: Todo lo que montas alrededor de un modelo: el context que le das, los tools que puede llamar y el bucle en el que se mueve.
Idempotency: Un agent es idempotente si ejecutarlo dos veces con la misma entrada no hace daño: da el mismo resultado o se salta el trabajo.
Infraestructura (frente a una herramienta): Algo construido de lo que dependen muchas personas. A esa escala necesita un responsable con nombre, un comportamiento documentado, HITL gates y un plan de mantenimiento.
La regla de construir: Cuando te encuentres haciendo el mismo trabajo dos veces, móntalo como un agent para que la tercera vez se haga sola.
La regla de las 50 entradas: Prueba un agent con 50 entradas reales distintas antes de confiar en él sin supervisión. Clasifica cada fallo.
Límite del modelo: Un fallo en el que la IA no es lo bastante fiable para la tarea. Se arregla con una comprobación determinista o con un HITL gate más estricto.
Listo para producción: Un flujo de trabajo probado con entradas reales, con los modos de fallo y los HITL gates escritos en las instrucciones, documentado, con responsable y con registro para detectar el drift.
Mapa de costuras: Un mapa de los traspasos de un proceso: quién entrega, quién recoge, qué se pierde, cuánto tiempo cuesta y dónde encajaría la IA.
Merge: Fusionar los cambios de una branch con la línea principal cuando ya están listos.
Modo sombra: Ejecutar un modelo de decisión sobre trabajo real mientras el proceso actual sigue al mando. Registras las dos respuestas y las comparas después; no se actúa sobre nada de lo que diga el modelo.
Niveles de madurez: Etiquetas para los flujos compartidos: úsalo a tu riesgo, destacado (revisado) y oficial (mantenido y listo para producción).
Output schema: Una definición escrita y precisa de los campos y los tipos de un resultado, fijada antes de escribir el prompt.
Plan de mantenimiento: Un documento corto que nombra al responsable, a su suplente, cada cuánto se revisa, los modos de fallo conocidos y cómo se prueban los cambios.
Plantillas con variables: Las instrucciones de producción son plantillas con variables con nombre, y eso las vuelve inspeccionables, versionables y bifurcables.
Predominio del resultado: Los tokens de resultado suelen costar de 3 a 5 veces más que los de entrada, así que un ajuste por defecto verboso multiplica el gasto muy rápido.
Prueba del objetivo: Una condición de parada que el agent ejecuta en vez de afirmar: la compilación pasa, o el endpoint devuelve 200.
Pull request: Un paquete de commits que se ofrece a revisión antes de fusionarlo.
Recall: Con cuánta fiabilidad el modelo aplica una regla concreta. Las reglas enterradas en medio de un long context se pasan por alto.
Repository (repo): Una carpeta de proyecto con memoria. Guarda los archivos, las pruebas y un registro de cada cambio, así que nada se pierde de verdad.
Skill: Un paquete de instrucciones y material de referencia que le enseña a un asistente a hacer bien un trabajo concreto, reutilizable en cualquier conversación futura.
SKILL.md: El único archivo obligatorio de una skill: arriba, el frontmatter YAML con el nombre y la descripción; debajo, el procedimiento.
Symlink: Un archivo de acceso directo que apunta a otro archivo, para que una sola copia real aparezca en varios sitios.
Tabla de fiabilidad: Una tabla que agrupa las respuestas de un modelo por probabilidad y muestra con qué frecuencia acertó cada grupo. Te dice si 0,8 significa de verdad alrededor del 80 % con tus datos.
Terminal (shell): La ventana de texto donde escribes comandos en lugar de pulsar botones. Aquí viven los coding agents.
Test suite: Las comprobaciones propias de un proyecto: un solo comando las ejecuta todas e informa de si pasan o fallan.
Tope de presupuesto: Una condición de parada que pone un techo duro de turnos, de tokens o de llamadas a tools.
Triggers: Cómo arranca un agent: por calendario, a demanda o por un evento, como una fila nueva en una base de datos.
Utilizable frente a exacto: Utilizable significa que las etapas siguientes pueden leer el resultado. Exacto significa que el contenido es correcto. Hacen falta las dos cosas.
Vibe coding: Construir algo describiendo en palabras normales lo que quieres y dejando que la IA escriba el código; tú vas corrigiendo el rumbo por intuición.
Worktree: Una segunda copia de trabajo del mismo repo, en su propia carpeta y con su propia branch, para que dos frentes no se pisen nunca.
YAML: Configuración escrita como líneas con etiqueta, del estilo name: pdf-export. Léelo como un formulario, no como código.

Riesgo y seguridad

Acciones que siempre pasan por HITL: Lo que siempre necesita el visto bueno de una persona: dinero, salud, seguridad, contratos, condiciones legales, trámites con la administración y situación legal.
Adversarial testing: Darle a propósito al agent entradas retorcidas, contradictorias, incompletas o maliciosas mientras lo pruebas, para encontrar por dónde se rompe.
Adversarial verification: Separar el crear del juzgar. Una pasada produce, otra ataca con el mandato de refutar, y solo se lanza lo que sobrevive.
AI slop: Texto o imágenes de IA producidos en cadena y sin ningún cuidado. Justo lo que evita un buen prompting.
Audit logs: El registro de cada llamada a un tool MCP, con la hora, quién llamó, con qué scope y con qué resultado. Es lo que consultas para ver qué hizo la IA.
Blast radius: El alcance que tiene un agent si algo sale mal: hasta qué sistemas puede llegar el daño. Un agent conectado necesita puntos de control más estrictos.
Confidence calibration: Hacer que la IA puntúe su propia confianza (alta, media, baja) y dé un motivo, para que sepas qué resultados hay que revisar.
Drift: Cuando los resultados de un modelo empeoran poco a poco porque el patrón de las entradas cambió. Es silencioso y solo se ve mirando muchos resultados juntos.
Drift (loop): Un fallo del bucle: el agent se olvida del objetivo y se pone a optimizar una subtarea. Repite el objetivo cerca del final del context.
Equivocado con aplomo: Una respuesta que suena con autoridad pero está mal en algún detalle sutil, dicha con el mismo tono que las respuestas correctas.
Guardrails: Las reglas y comprobaciones que impiden que la IA haga cosas peligrosas.
Hallucination: Cuando un asistente afirma algo falso con total seguridad. Siempre merece una comprobación rápida.
Higiene de datos: Los hábitos para manejar información privada con IA. Deja los datos sensibles donde viven, en vez de pegarlos en un tool que no controlas.
HITL gate: Un punto de revisión con una persona en el bucle: alguien mira el trabajo antes de que el agent actúe. Obligatorio en acciones irreversibles o de poca confianza.
Human-in-the-loop (HITL): Una persona revisa o aprueba el resultado de la IA antes de que se actúe, sobre todo en pasos regulados, irreversibles o de mucho impacto.
Jailbreak: Un prompt montado para saltarse los guardrails de una IA. No lo intentes: esos guardrails te protegen a ti y a los demás.
La regla inflexible: Nunca pegues datos bancarios, credenciales, documentos de identidad ni nada privado que no sea tuyo en un tool de IA de uso general.
Parada incorrecta: Un fallo del bucle: el agent se rinde antes de tiempo o no se rinde nunca. Se arregla con una prueba de terminación explícita.
Pausa automática: Un cortacircuitos que detiene al agent cuando la exactitud medida por muestreo cae por debajo de un umbral fijado, hasta que una persona vuelve a activarlo.
Prompt injection: Instrucciones maliciosas escondidas dentro del contenido que la IA lee, con la intención de secuestrar lo que hace.
Prueba de intercambio: Cambiar un detalle que no debería importar, como un nombre o un lugar, y volver a ejecutar el elemento. Si la respuesta se mueve más que el ruido normal, la decisión está usando ese detalle.
Revisión por muestreo: Tomar una parte de los resultados de un flujo de trabajo (digamos un 10 %) y revisarlos tú mismo.
Revocation: Quitarle los scopes a una conexión MCP cuando el flujo de trabajo se retira, para que no se vayan acumulando conexiones dormidas.
Scopes: Los permisos por acción que expone un servidor MCP, como read_employees separado de update_employee. Concede solo el mínimo.
Sesgo de automatización: La tendencia a apoyarse, o a apoyarse demasiado, en los resultados de un sistema automatizado. La Ley de IA de la UE lo nombra, y una tasa de correcciones cercana a cero es una de sus señales de alarma.
Sin avance: Un fallo del bucle: el agent reintenta la misma acción que ya falla. Registra lo que se ha probado y pon un tope de reintentos.
Umbral mínimo de confianza: El umbral por debajo del cual el agent se detiene y escala en vez de actuar.
Vía de escalación: El camino definido para un caso marcado: a quién se avisa, cómo y con qué contexto. Todo HITL gate necesita una.

Herramientas y asistentes

Agente integrado en tu espacio de trabajo: Un agent que vive dentro de un tool como Notion y lee y escribe sus páginas y sus bases de datos.
AI agent: Unas instrucciones guardadas que ejecutan por su cuenta un trabajo recurrente: por calendario, a demanda o por un evento.
Artifacts: Una función de Claude que genera código, documentos, diapositivas y resultados interactivos en un panel lateral editable.
Asistente de IA: Tu tool de chat independiente: ChatGPT, Gemini, Claude o Grok. Es reactivo: tú preguntas y responde.
Asistente guardado (reutilizable): Un asistente personalizado que configuras una vez y reutilizas, como un Custom GPT, un Gem o un Claude Project.
Asistente incorporado (dentro de la app): IA metida dentro de una app que ya usas, como Gmail, Notion o Word. Actúa sobre la página que tienes abierta.
ChatGPT: El asistente de OpenAI, gratis en chatgpt.com. Un todoterreno de confianza y con la comunidad de usuarios más grande.
Claude: El asistente de Anthropic, gratis en claude.ai. Fuerte escribiendo textos largos, analizando documentos densos y razonando cosas difíciles.
Claude Projects: Espacios de trabajo permanentes de Claude que guardan documentos de referencia y que Claude recuerda en todas las conversaciones.
Co-pilot: El copiloto: IA que trabaja a tu lado dentro de un tool y te va sugiriendo mientras avanzas, con el mando siempre en tus manos.
Connectors: Enlaces que permiten a Claude conectarse con tools como Drive, Gmail, Slack, GitHub y Linear, con tu permiso.
Custom GPTs: Los asistentes guardados y reutilizables de ChatGPT: los configuras una vez y los reutilizas.
Deep Research: Un modo que lanza una investigación larga sobre muchas fuentes y devuelve un informe escrito y con las fuentes citadas.
Gemini: El asistente de Google, gratis en gemini.google.com. El más fuerte cuando la entrada es grande, mezclada o visual, y funciona dentro de Google Workspace.
Gems: Los asistentes personalizados de Gemini, guardados y reutilizables: los configuras una vez y los reutilizas.
Grok: El asistente de xAI, gratis en grok.com. Conectado a X y a la web en directo, es el más fuerte en actualidad.
Plataforma de automatización: Un tool sin código (Zapier, Make) que copia datos entre apps por calendario.

Trabajar con IA

Ahora todos somos constructores: Quien monta un flujo de trabajo con IA es un constructor, diga lo que diga su puesto.
AI-pilled: Convertido a la IA. En cuanto le encuentras el punto con una tarea, empiezas a recurrir a ella para todo. Se suele decir medio en broma.
Contrastar entre herramientas: Pasa la misma pregunta importante por dos tools y compara. Si coinciden, ganas confianza; si no coinciden, has encontrado algo que merece que lo mires.
El trabajo tiene que desaparecer: La idea de que la IA debería borrar categorías enteras de trabajo, eliminando tareas de raíz.
Empezar siempre por la IA: Dedicar 30 segundos en cada tarea nueva a pensar cómo podría ayudarte la IA, antes de ponerte a hacerla a mano.
La mentalidad del 100x: El ritmo nuevo: los meses se vuelven días y los días, horas. Cuando el costo cae 100 veces, se vuelven posibles cosas que antes no lo eran.
La regla del 80 %: Empieza siempre por tu asistente de IA, para todo. El tool que vive dentro de la app es un atajo cómodo del que puedes prescindir.
Reaprender a aprender: La metahabilidad de seguir aprendiendo mientras la experiencia de siempre se automatiza. La nueva ventaja que no se copia.
Soltura con la IA: La capacidad de trabajar con la IA, construir sobre ella y pensar a su lado. La habilidad más rentable de la década.