[{"data":1,"prerenderedAt":127},["ShallowReactive",2],{"footer-topics-es":3,"post-es-the-journey-when-copy-paste-stopped-working":70},{"topics":4},[5,21,33,46,58],{"locale":6,"name":7,"slug":8,"blurb":9,"summary":10,"state":11,"featuredOnHub":12,"hubOrder":13,"accent":14,"questionsTitle":15,"questions":16,"body":20},"es-419","El Recorrido","the-journey","Desde los primeros experimentos con Agile × IA hasta un sistema funcional — la historia detrás del pensamiento.","Desde los primeros experimentos hasta un sistema funcional — la historia real de la construcción de Agile4AI, incluidos los giros equivocados que dieron forma a todo.","published",true,2,"gold","Lo que el recorrido nos sigue enseñando",[17,18,19],"¿Qué nos convenció de que Agile e IA pertenecían juntos — y qué casi nos convenció de lo contrario?","¿Qué desvíos resultaron ser los más instructivos?","¿Cómo evolucionó SCI desde un experimento de copiar y pegar hasta respuestas de IA en las que realmente puede confiar?","\nCada idea en este tema surge de nuestras experiencias desarrollando Agile4AI. Queremos compartir la historia con usted — los éxitos y los fracasos — porque creemos que podemos aprender juntos mientras descubrimos cómo trabajar mejor con la IA. Lo que aprendimos no vino de la teoría. Vino de hacer, de fallar, de empezar de nuevo con lo que aprendimos.\n\nEl recorrido comenzó con una pregunta directa: ¿podría actualizarse Agile para la era de la IA? Lo que siguió fueron años de experimentación, suposiciones fallidas, descubrimientos inesperados y el lento surgimiento de algo que realmente funciona — el enfoque de Inteligencia Colaborativa Estructurada (SCI) y el sistema Agile4AI construido sobre él.\n\nEsto no es una retrospectiva pulida escrita con perspectiva. Es la historia contada lo más cerca posible de cómo sucedió — incluyendo los callejones sin salida, los momentos de duda y los avances que lo reenmarcaron todo.\n\nLa compartimos porque la historia en sí misma lleva la lección. Las conclusiones importan, pero también importa *cómo llegamos ahí* — porque el camino muestra lo que funcionó, lo que no, y por qué.\n\nLas entradas en este tema cubren el arco completo: primeros experimentos con colaboración con IA, el desarrollo de SCI, descubrimientos específicos que cambiaron la forma en que trabajamos y momentos que vale la pena marcar. Algunos son reflexivos. Algunos son crudos. Todos son reales.\n\nSi quiere entender por qué existen Agile4AI y SCI — no solo qué son — empiece aquí.\n",{"locale":6,"name":22,"slug":23,"blurb":24,"summary":25,"state":11,"featuredOnHub":12,"hubOrder":26,"accent":14,"questionsTitle":27,"questions":28,"body":32},"Agile Decodificado","agile-decoded","Lo que los términos de Agile realmente significan — no el atajo común, no la versión cargo-cult, no el glosario del metodólogo.","El vocabulario de Agile se usa ampliamente y se malinterpreta ampliamente. Entender los términos correctamente no es pedantería — es la diferencia entre la ceremonia y el trabajo.",3,"Por qué la terminología es fundamental",[29,30,31],"¿Si un standup se realiza como un informe de estado, qué pierde realmente el equipo?","Cuando 'Metodología Agile' se convirtió en vocabulario estándar, ¿qué hizo con la forma en que las organizaciones abordaron la transformación?","¿Cuál es el costo de un equipo que puede nombrar cada práctica Agile pero no entiende para qué sirve ninguna de ellas?","\nAgile tiene un problema de vocabulario. No porque los términos sean oscuros — la mayoría de las personas en las organizaciones modernas los han escuchado. Sino porque son palabras familiares que se usan en un contexto completamente diferente, y sin ese contexto, las personas las asocian con lo que ya conocen.\n\nCuando alguien se encuentra con \"Scrum Master\" por primera vez, el concepto más cercano disponible es \"Gerente de Proyecto\". La asociación se siente natural — casi obvia. El contexto es completamente diferente.\n\nNadie construyó un puente suficientemente claro entre ellos. Y el problema se agravó cuando profesionales bien intencionados — personas realmente comprometidas con hacer avanzar a las organizaciones — comenzaron a describir Agile como \"mejor gestión de proyectos\". Comenzaron a escribir libros llamados \"Metodología Agile\". Cuando uno llama a su enfoque una metodología, lo miden con estándares de metodología: artefactos de planificación, puertas de fase, estructuras de entregables. Cuando Agile no produce esas cosas — porque nunca fue diseñado para hacerlo — fracasa esos estándares, con razón. El problema no es que Agile sea una mala metodología. Es que Agile no es una metodología en absoluto. Llamarlo así garantizó que todos los que buscaban una metodología se decepcionaran, y que todos los que lo adoptaron construyeran algo que Waterfall ya había mapeado.\n\nUn standup se convierte en un informe de estado. Un sprint se convierte en una fecha límite. Un backlog se convierte en una lista de tareas. \"Metodología Agile\" se convierte en la frase estándar para algo que los autores del Manifiesto no habrían reconocido como una descripción de lo que construyeron. Y cuando las palabras significan lo equivocado, las prácticas construidas sobre ellas producen los resultados equivocados — con precisión, fidelidad y a escala.\n\nEste tema es una corrección concepto por concepto. No una guía de estilo — una funcional. Cada publicación toma una palabra o frase que se ha vuelto fundamental en cómo las organizaciones piensan sobre Agile, examina qué significa realmente y explica qué se pierde cuando el atajo reemplaza a la sustancia. No son solo diferencias terminológicas. \"Resultado Deseado\" no es una palabra más elegante para \"Especificación\" — es algo completamente diferente, de un modelo diferente de cómo se hace el trabajo. El término es la superficie. El concepto debajo es lo que importa.\n\nEl mismo patrón aparece cuando las organizaciones abordan la IA — y la brecha conceptual es más amplia. Con Agile, los conceptos subyacentes habían sido al menos articulados, aunque mal comunicados. Con la IA, los conceptos en sí todavía se están formando, y en el entendimiento público apenas están comenzando a tomar forma. El vocabulario está adelantándose a la comprensión: la IA como \"automatización\", la IA como \"herramienta\", la \"transformación de IA\" como un proyecto con fecha de finalización. Cada uno de estos establece un modelo mental antes de que alguien haya examinado si encaja. Lo que llamamos las cosas da forma a qué y cómo construimos. Acertar con las palabras es el prerrequisito para acertar con el trabajo.\n\nHay un principio en juego aquí: los modelos mentales van primero. El lenguaje los expresa. Las acciones siguen. Cuando el modelo mental está desalineado con el trabajo, el vocabulario que lo expresa lleva esa desalineación — y las acciones construidas sobre ese vocabulario ejecutarán fielmente la comprensión distorsionada, a escala, con pleno compromiso. Un cambio de vocabulario sin un cambio de mentalidad produce, en el mejor de los casos, una tabla de traducción: un cuadro de equivalencias donde \"sprint\" se asocia a algo como \"plazo corto\". Las tablas de traducción permiten a las personas operar a través de la brecha. No la cierran. Las publicaciones de este tema aspiran a hacer más que traducir. Aspiran a cambiar el modelo mental.\n",{"locale":6,"name":34,"slug":35,"blurb":36,"summary":37,"state":11,"featuredOnHub":12,"hubOrder":38,"accent":39,"questionsTitle":40,"questions":41,"body":45},"Inteligencia Colaborativa Estructurada","structured-collaborative-intelligence","Donde el razonamiento colaborativo supera a un solo modelo de vanguardia — y donde no.","Donde la colaboración estructurada — entre modelos, y entre modelos y humanos — produce razonamientos que un solo modelo no puede alcanzar por sí solo.",4,"green","Preguntas a las que seguimos volviendo",[42,43,44],"¿Dónde agrega valor la inteligencia colaborativa estructurada que un solo modelo simplemente no puede igualar?","Cuando los modelos no están de acuerdo, ¿qué le dice eso — y cómo lo aprovecha?","¿Cómo diseña una estructura que haga la colaboración con IA productiva en lugar de simplemente redundante?","\nUn solo modelo de IA, por más capaz que sea, razona en solitario. No tiene a nadie que cuestione sus suposiciones, detecte sus puntos ciegos o note cuándo se ha desviado de la intención original. La IA sola — trabajar con un solo modelo a la vez — es susceptible a esto. Un modelo que recibe la instrucción de responder lo hará, incluso cuando no tenga una buena respuesta que valga la pena.\n\nLa Inteligencia Colaborativa Estructurada (SCI) es un enfoque diferente. En lugar de tratar el resultado de un solo modelo como el resultado final, SCI usa la colaboración estructurada — entre múltiples modelos de IA y entre modelos y humanos — para producir resultados más confiables, más exhaustivamente examinados y más transparentes sobre sus propias limitaciones. Los modelos se revisan entre sí. Los desacuerdos sacan a la luz suposiciones. El proceso en sí crea un ciclo de retroalimentación que una interacción de un solo modelo no puede replicar.\n\nLa conexión con Agile es directa: esto es lo que los equipos de alto rendimiento siempre han hecho. No una persona produciendo una respuesta en aislamiento, sino un proceso estructurado de colaboración, revisión e iteración que capta lo que cualquier perspectiva individual pasa por alto. SCI aplica esa misma disciplina a la IA.\n\nHay un problema más profundo con el razonamiento solitario. La IA sola lo ata a una sola fuente de datos, una sola arquitectura y un solo conjunto de sesgos incorporados — lo que significa una sola forma de respuesta, sea o no precisa. Piense en cómo un buen detective entrevista a múltiples testigos. No porque alguno de ellos esté mintiendo, sino porque cada perspectiva revela algo que los otros pasaron por alto. Juntos, se acercan a lo que realmente ocurrió. SCI funciona de la misma manera: múltiples modelos de diferentes linajes, cada uno aportando su propio ángulo. La respuesta que surge ha sido vista desde múltiples direcciones — más rica, más completa y más difícil de equivocarse en silencio.\n\nCuando modelos de diferentes linajes colaboran, los resultados mejoran de maneras que importan: menos errores confiados, mejor manejo de casos extremos, razonamiento más explícito que los humanos pueden evaluar y corregir. Los desacuerdos entre modelos, en lugar de ser ruido a suprimir, resultan ser exactamente la señal que quiere cuando las apuestas son altas.\n\nSCI es el motor analítico detrás del servicio Agile4AI. Los artículos de este tema documentan qué es, cómo funciona en la práctica, dónde agrega valor real y — igualmente importante — dónde no lo hace. Parte de la disciplina es saber cuál es cuál.\n",{"locale":6,"name":47,"slug":48,"blurb":49,"summary":50,"state":11,"featuredOnHub":12,"hubOrder":51,"accent":52,"questionsTitle":40,"questions":53,"body":57},"Valores y Principios de Agile4AI","agile-ai-values-principles","Valores y principios de Agile aplicados a la era de la IA — lo que continúa, lo que cambia y por qué invitamos las objeciones más fuertes.","La mentalidad de Agile aplicada al trabajo con IA — lo que continúa, lo que se agudiza, y por qué la conexión entre Agile e IA no es accidental.",5,"red",[54,55,56],"Cuando el trabajo complejo no puede planificarse completamente de antemano, ¿qué significa eso para cómo trabajamos con la IA?","¿Cómo cambia el énfasis de Agile en la retroalimentación continua cuando su colaborador no se cansa ni se pone a la defensiva?","¿Es 'Agile para IA' una combinación natural — o la objeción del error de categoría es realmente decisiva?","\nLa mentalidad de Agile se forjó en la complejidad — no para eliminarla, sino para atravesarla con atención e inteligencia. Eso no se vuelve menos relevante cuando su colaborador es un modelo de IA. En muchos sentidos, se vuelve más relevante.\n\nEste tema trata sobre esa relación: no Agile-by-prescription, no marcos de trabajo ni ceremonias, sino los valores y principios subyacentes que Agile destiló — y cómo se aplican, se agudizan y en ocasiones necesitan reexaminarse cuando humanos e IA trabajan juntos.\n\nLa idea central es que el pensamiento de Agile siempre fue una respuesta a la *naturaleza* del trabajo complejo, no solo a las particularidades de los equipos humanos. Cuando Agile cuestionó la suposición de que el trabajo complejo puede planificarse en detalle de antemano, no fue un parche para las limitaciones humanas — fue una observación precisa sobre cómo se comporta realmente el trabajo no determinista y de ritmo acelerado. Esa observación no cambia porque haya una IA involucrada. Se intensifica.\n\nLa estimación merece nombrarse directamente — es uno de los temas más controvertidos incluso entre los Agilistas más comprometidos. Agile no surgió para ayudar a los equipos a estimar mejor; surgió para exponer por qué la estimación *falla* en el trabajo complejo — y para reemplazar la falsa precisión con medición empírica y retroalimentación real que sí mejora la previsión de entrega. En la era de la IA, donde los resultados son probabilísticos y el trabajo en sí resiste la especificación fija, esa perspectiva es más vigente que nunca.\n\nEste es también el hogar del Debate con Principios: donde las objeciones más fuertes a \"Agile para IA\" tienen su turno en la tribuna. Creemos que el argumento se sostiene. Queremos que nos prueben lo contrario si no es así.\n",{"locale":6,"name":59,"slug":60,"blurb":61,"summary":62,"state":11,"featuredOnHub":12,"hubOrder":63,"accent":64,"questionsTitle":40,"questions":65,"body":69},"Seguridad Psicológica en IA","ai-psychological-safety","Por qué la libertad de decir 'aún no sé' es la precondición para la inteligencia real.","Las condiciones que crea en su comunicación determinan lo que la IA le devuelve — y cuando esas condiciones son incorrectas, el resultado es confianza sin fiabilidad.",6,"amethyst",[66,67,68],"¿Qué condiciones hacen más probable que una IA exprese incertidumbre real en lugar de una suposición con tono de confianza?","¿Cómo afecta la manera en que formula una pregunta a si la respuesta es fiable — o simplemente tranquilizadora?","¿Qué se conserva del enfoque ágil sobre la seguridad psicológica — y qué necesita adaptarse para la IA?","\nLa mayoría de las personas piensa en la seguridad psicológica como un asunto humano — las condiciones que permiten a una persona hablar, expresar incertidumbre o cuestionar una idea sin miedo. Hasta ahí llega esa perspectiva.\n\nPero se pierde algo importante cuando ignoramos de dónde vino la IA. La IA fue construida por humanos, moldeada por el lenguaje humano, entrenada en elecciones humanas. Las dinámicas que afectan el rendimiento humano — incluyendo la seguridad psicológica — se trasladan a las interacciones con IA por las mismas razones de fondo que Agile ha identificado siempre: **las condiciones que crea en su comunicación determinan lo que recibe de vuelta.**\n\nUna IA incentivada a dar respuestas que suenen seguras producirá respuestas que suenan seguras — con o sin justificación para esa confianza. Una IA sin espacio para decir \"no estoy segura\" llenará ese espacio con otra cosa, porque sus directrices le exigen responder incluso cuando sabe que no tiene la respuesta correcta. La dinámica es diferente a la seguridad psicológica humana, pero el principio subyacente se mantiene: la inteligencia funciona mejor cuando tiene permiso para ser honesta sobre lo que no sabe.\n\nEsto importa en la práctica. Las alucinaciones, las respuestas demasiado seguras y los sistemas de IA que le dicen lo que quiere escuchar en lugar de lo que es verdad no son solo fallas técnicas. Con frecuencia son fallas de diseño de la interacción — los prompts, el encuadre, las expectativas implícitas integradas en cómo se formula la pregunta.\n\nLas publicaciones aquí exploran las condiciones que hacen la colaboración humano–IA más fiable y más veraz. Eso incluye cómo hacer prompts que inviten a la incertidumbre real en lugar de suprimirla, la diferencia entre el uso determinista y probabilístico de IA y por qué esa distinción cambia todo sobre cómo enmarcar el trabajo, y qué elementos del enfoque ágil de seguridad psicológica en equipos humanos se trasladan cuando su colaborador es un modelo.\n\nAquí también examinamos los modos de fallo: qué ocurre cuando esas condiciones no están presentes y cuánto cuesta.\n",{"kind":71,"post":72,"topic":83,"availableLocales":85,"translations":93,"html":125,"audioUrl":126},"post",{"audio":-1,"author":73,"category":8,"excerpt":74,"featured":75,"locale":6,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":38,"slug":77,"state":11,"tags":78,"title":82,"translationKey":77,"updatedAt":76},"Seán González","La primera etapa del trabajo con IA se parece mucho a copiar y pegar. Funciona — hasta que los problemas se vuelven lo bastante complejos como para que deje de funcionar.",false,"2024-10-20T10:00:00.000Z","when-copy-paste-stopped-working",[79,80,81],"journey","solo-ai","discovery","Cuando copiar y pegar dejó de funcionar",{"locale":6,"name":7,"slug":8,"blurb":9,"summary":10,"state":11,"featuredOnHub":12,"hubOrder":13,"accent":14,"questionsTitle":15,"questions":84,"body":20},[17,18,19],[86,6,87,88,89,90,91,92],"en-US","fr-FR","pt-BR","de-DE","uk","ru","ja",[94,98,100,104,108,112,116,120],{"audio":-1,"author":73,"category":8,"excerpt":95,"featured":75,"locale":86,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":26,"slug":77,"state":11,"tags":96,"title":97,"translationKey":77,"updatedAt":76},"The first stage of working with AI looks a lot like copy-paste. It works — until the problems get complex enough that it doesn't.",[79,80,81],"When copy-paste stopped working",{"audio":-1,"author":73,"category":8,"excerpt":74,"featured":75,"locale":6,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":38,"slug":77,"state":11,"tags":99,"title":82,"translationKey":77,"updatedAt":76},[79,80,81],{"audio":-1,"author":73,"category":8,"excerpt":101,"featured":75,"locale":87,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":38,"slug":77,"state":11,"tags":102,"title":103,"translationKey":77,"updatedAt":76},"La première étape du travail avec l'IA ressemble beaucoup au copier-coller. Cela fonctionne — jusqu'à ce que les problèmes deviennent assez complexes pour que cela ne fonctionne plus.",[79,80,81],"Quand le copier-coller a cessé de fonctionner",{"audio":-1,"author":73,"category":8,"excerpt":105,"featured":75,"locale":88,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":38,"slug":77,"state":11,"tags":106,"title":107,"translationKey":77,"updatedAt":76},"A primeira etapa do trabalho com IA se parece muito com copiar e colar. Funciona — até que os problemas fiquem complexos o bastante para que não funcione mais.",[79,80,81],"Quando copiar e colar parou de funcionar",{"audio":-1,"author":73,"category":8,"excerpt":109,"featured":75,"locale":89,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":26,"slug":77,"state":11,"tags":110,"title":111,"translationKey":77,"updatedAt":76},"Die erste Stufe der Arbeit mit KI sieht sehr nach Copy-Paste aus. Es funktioniert — bis die Probleme komplex genug werden, dass es das nicht mehr tut.",[79,80,81],"Als Copy-Paste nicht mehr funktionierte",{"audio":-1,"author":73,"category":8,"excerpt":113,"featured":75,"locale":90,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":26,"slug":77,"state":11,"tags":114,"title":115,"translationKey":77,"updatedAt":76},"Перший етап роботи зі ШІ дуже схожий на копіпаст. Він працює — доки завдання не стають достатньо комплексними, щоб це перестало працювати.",[79,80,81],"Коли копіпаст перестав працювати",{"audio":-1,"author":73,"category":8,"excerpt":117,"featured":75,"locale":91,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":26,"slug":77,"state":11,"tags":118,"title":119,"translationKey":77,"updatedAt":76},"Первый этап работы с ИИ очень похож на копипаст. Он работает — пока задачи не становятся достаточно комплексными, чтобы это перестало работать.",[79,80,81],"Когда копипаст перестал работать",{"audio":-1,"author":73,"category":8,"excerpt":121,"featured":75,"locale":92,"pinnedInTopic":75,"pinnedOverall":75,"publishedAt":76,"readingMinutes":122,"slug":77,"state":11,"tags":123,"title":124,"translationKey":77,"updatedAt":76},"AIとの仕事の第一段階は、コピペによく似ている。それは機能する——問題が十分に複雑になり、機能しなくなるまでは。",1,[79,80,81],"コピペが通用しなくなったとき","\u003Cp>Hay una etapa del trabajo con IA por la que pasa casi todo el mundo. Usted descubre que un modelo puede producir un primer borrador útil, responder una pregunta mejor que un buscador o resumir un documento en segundos. Lo integra en su flujo de trabajo. Gana velocidad. Funciona.\u003C\u002Fp>\n\u003Cp>Nosotros también pasamos por esa etapa — y pronto nos topamos con algo para lo que esa etapa no prepara.\u003C\u002Fp>\n\u003Ch2>El problema del contenido\u003C\u002Fh2>\n\u003Cp>El canal de YouTube producía contenido Agile. Un video al día. Y el contenido Agile tiene una dificultad específica: casi toda IA ha sido entrenada con un corpus que entiende Agile de manera profundamente equivocada.\u003C\u002Fp>\n\u003Cp>El problema no es que los modelos sean incompetentes. El problema son los datos de entrenamiento. Durante décadas se han escrito libros, blogs y guías de certificación sobre las “metodologías Agile” — una expresión que es en sí misma una contradicción, ya que Agile es una mentalidad, no una metodología. Esos textos son detallados, abundantes y están seguros de sí mismos al equivocarse sobre lo que Agile realmente es. Y los modelos lo han absorbido todo.\u003C\u002Fp>\n\u003Cp>Así que usar IA para escribir contenido Agile significaba nadar constantemente contra la corriente de todo aquello que los modelos habían sido entrenados para decir. Pida un borrador sobre los valores Agile y obtendrá algo estructurado, fluido y sutilmente desviado — que presenta Agile como un conjunto de prácticas que adoptar y no como una forma de pensar el trabajo complejo.\u003C\u002Fp>\n\u003Cp>Cada resultado exigía curaduría. Cada borrador había que leerlo contra la tesis real: que la mentalidad Agile es lo que importa y que las prácticas existen para sostenerla — no al revés.\u003C\u002Fp>\n\u003Ch2>Lo que la curaduría reveló\u003C\u002Fh2>\n\u003Cp>Aquí fue donde el patrón de copiar y pegar empezó a mostrar sus límites reales.\u003C\u002Fp>\n\u003Cp>La IA de copiar y pegar es una carrera de relevos en la que usted es siempre el testigo. Toma el resultado de un modelo, lo evalúa, lo ajusta, lo pasa al siguiente, y vuelta a empezar. Para tareas simples, el relevo es rápido y los resultados son aceptables. Para tareas complejas — aquellas en las que la respuesta no es evidente, en las que el encuadre importa, en las que hay que corregir activamente los supuestos incorporados del modelo — el relevo se convierte en el trabajo.\u003C\u002Fp>\n\u003Cp>La carga de curaduría creció a medida que el contenido se volvía más preciso. Explicar la distinción entre Agile-como-mentalidad y Agile-como-prescripción exige sostener una posición clara frente a un peso contrario muy grande en los datos de entrenamiento. Exigía rebatir los valores por defecto que el modelo daba por seguros, explicar por qué el encuadre habitual era erróneo y luego dirigir el resultado hacia algo más exacto.\u003C\u002Fp>\n\u003Cp>Con el tiempo ocurrió algo interesante. Los modelos aprendían — dentro de una conversación, una vez explicada la posición y atendida la objeción, el modelo podía cambiar. Claude podía sostener la distinción en cuanto entendía por qué importaba. ChatGPT podía reformular en cuanto entendía el argumento.\u003C\u002Fp>\n\u003Cp>Y a veces los modelos rebatían, lo cual también resultaba útil. Una objeción bien razonada del modelo obligaba a articular la posición con mayor claridad. El desafío afinaba el pensamiento.\u003C\u002Fp>\n\u003Ch2>El límite del enfoque\u003C\u002Fh2>\n\u003Cp>El límite no era la capacidad. El límite era la estructura.\u003C\u002Fp>\n\u003Cp>Cada idea que surgía en una conversación había que llevarla a mano a la siguiente. Cada corrección de los valores por defecto del modelo había que restablecerla cada vez. El entendimiento compartido que se formaba a lo largo de una buena sesión no persistía — había que reconstruirlo.\u003C\u002Fp>\n\u003Cp>Y el relevo entre modelos — que producía resultados demostrablemente mejores que cualquiera de los dos por separado — pasaba por una sola persona. Cada mensaje intermediado a mano. Cada síntesis ocurriendo dentro de una sola cabeza.\u003C\u002Fp>\n\u003Cp>Ese fue el momento en que el modelo de copiar y pegar dejó de ser suficiente. No porque dejara de funcionar, sino porque lo que intentábamos hacer había crecido más allá de lo que podía sostener. La pregunta empezó a asomar: ¿cómo es la estructura cuando el relevo ya no es manual?\u003C\u002Fp>\n",null,1789790596791]