The AI Skill Every Professional Needs Now with Austin Marchese

[0:06] Bienvenidos a Real Vision. Soy Ash Bennington. Escuchen, como muchos de ustedes, estoy increíblemente interesado en la IA. Estoy pasando mucho tiempo aprendiendo sobre ella, jugando con ella. Queremos hacer más programas sobre este tema. Y este es uno de los primeros. Estamos comenzando esta nueva serie sobre cómo la IA está cambiando el mundo de las finanzas y más allá. Me complace decir que nuestro primer invitado es Austin Marques, exingeniero de JP Morgan convertido en desarrollador de IA y fundador de la incubadora. Austin, es fantástico tenerte con nosotros por
[0:36] primera vez en Real Vision. Estoy emocionado de estar aquí. Tengo muchas ganas de que llegue. Me alegra ser uno de los primeros en el segmento de IA del programa. Sí, soy un gran admirador de lo que haces. Encontré tu contenido en YouTube, comencé a verlo y realmente me pareció muy valioso en términos de la forma en que ves el mundo y la forma en que lo explicas. Antes de que profundicemos demasiado en esto, quiero que nos cuentes un poco sobre tu recorrido desde JP Morgan hasta donde estás ahora. Sí. Creo que mucha gente aprecia cómo estructuro el contenido y creo que eso
[1:06] se debe a mi formación. Empecé como ingeniero mecánico. Estudié en el Instituto Tecnológico Stevens de Hoboken y allí quería convertirme en banquero de inversiones. Así que me uní a nuestro fondo de inversiones en la universidad y luego hice unas prácticas en JP Morgan pensando que iba a abrirme camino en la banca de inversiones. Enseguida me di cuenta de que me encantaba la ingeniería de software, así que trabajé en JP Morgan justo después de la escuela y
[1:36] el equipo que empecé a dirigir se dedicaba específicamente a crear una herramienta interna que aprovechara la IA para identificar riesgos internos y que de hecho sustituyó a Palunteer. Hubo un gran artículo del Wall Street Journal que salió en 2014 o 2016 en el que básicamente lo contaba todo. Entonces despidieron a Palanteer y ese fue el equipo que terminé dirigiendo, reemplazando la herramienta que estaban creando. Mientras estaba en JP Morgan,
[2:08] comencé a profundizar en el contenido y escalé una agencia de 20 personas enfocada en criptomarketing y tecnología; después dejé JP Morgan para convertirme en el director de operaciones de una startup tecnológica . Recaudamos más de 30 millones de dólares de A16Z y sí, finalmente dejé ese puesto y comencé mi propio negocio en el que trabajaba con fundadores y sus empleados para convertirlos en expertos en IA. Vale.
[2:38] Hay muchos ángulos diferentes que podemos abordar aquí y muchas cosas de las que quiero hablar contigo hoy. Pero primero, ya que estás hablando de tu experiencia trabajando en bancos, cuéntanos un poco sobre cómo la IA está afectando a ese espacio. Creo que mucha gente tiene curiosidad por saber cómo funciona la IA en los grandes bancos y en los servicios financieros en general. Sí. Mientras estuve allí, había un concepto llamado coste del error. Por lo tanto, en las instituciones financieras, el coste del error es muy alto. Y esto se traslada
[3:08] directamente a los bufetes de abogados y a las empresas de contabilidad. En el sector bancario, cuando creábamos nuestras herramientas, nos limitaba lo que podíamos llevar a la línea de meta. Por lo tanto, esto conlleva un montón de beneficios. Pero uno de los retos a los que te enfrentarás en estos bancos y en estas empresas financieras es lo que realmente puedes llevar de principio a fin. Por lo tanto , creo que ahí es donde realmente se
[3:39] reduce a cómo estructuras y diseñas la forma en que aprovechas la IA dentro del banco para ofrecer algo que aporte un valor real a tu cliente. En nuestro caso, estábamos creando una herramienta interna y nuestro cliente eran analistas del banco. Por lo tanto, nos preguntamos cómo podemos agilizar su trabajo y aprovechar la IA para automatizar o aumentar partes del proceso, pero sin intentar automatizarlo todo, porque el coste del error es demasiado alto. Y eso es lo que vemos mucho tanto en los negocios financieros como en cualquier otro
[4:09] negocio, en el que tienes que ir más despacio y asegurarte de hacerlo bien en lugar de la mentalidad clásica de las empresas emergentes de crear cosas rápido y romperlas. Sí. Háblanos un poco sobre dónde está ese esfuerzo hoy en día, dónde ves la mayor parte del trabajo de desarrollo y cuáles son algunas de esas aplicaciones para usuarios finales , tanto internas como externas, de cara al cliente. Así que realmente se reduce al equipo, ¿verdad? y a cómo operan. Y una de las cosas que estábamos creando era
[4:40] una herramienta de riesgo interna. Y esto es como estar bien con nosotros y ser conscientes de lo que puedo y no puedo hablar. Así que había muchos procesos que los equipos internos tenían que completar para mantener el cumplimiento y también gestionar el riesgo. Y pensar en todo el proceso de, bueno, lo que implica crear un producto final, ahí es donde se centra gran parte de la atención. Por eso es
[5:13] difícil hacer una declaración general , y como hay mucha variabilidad entre los equipos, la cuestión es cómo puedes mejorar lo que haces actualmente y agilizar el proceso para que el producto final sea mejor y también puedas hacerlo de forma más eficaz. Creo que es algo que mucha gente confunde, ya que creen que la IA es cada vez más rápida. Pero una de las cosas que más me interesa es cómo puedes usar la IA para crear un mejor producto final, ¿
[5:44] verdad? Una de las cosas que sé por haber trabajado en varios grandes bancos cuando era niño, cuando tenía 20 años, es la naturaleza de la aversión al riesgo que puede llegar a tener esa cultura. Tengo curiosidad por saber qué pasa porque sé que probablemente haya gente de entre 40 y 50 años en puestos de director y gerente que querrían pisar el freno y decir: "Dios mío, ¿por qué hacemos esto?". Cosas como la propiedad intelectual, todo tipo de riesgos legales, riesgos de cumplimiento, etc., etc., etc. Tengo curiosidad por saber cómo surgieron algunos de esos
[6:15] problemas, cómo los abordaron y qué están viendo en términos de la situación general en términos de ese aspecto de mitigación de riesgos al trabajar con IA en las finanzas tradicionales. Sí, el riesgo se presenta cuando las personas y los resultados no están siendo monitoreados. Y por eso, como algo clave, cuando hay mucha resistencia en términos de aplicar estas herramientas , gran parte de eso proviene de personas que piensan que es como una
[6:45] varita mágica y que debería automatizar todo el proceso de principio a fin. Pero si lo miras como si fuera una herramienta que tu equipo puede aprovechar, aún tienes que vincular una responsabilidad al ser humano. Así que creo que ahora mismo está sucediendo mucho en el sentido de que la responsabilidad es de quién cuando la IA estropea algo. Y es como, bueno, eso fue un resultado de la IA. Oh, la IA lo hizo. No fui yo. Pero ahí es donde mucha gente de 40 o 50 años y
[7:15] profesionales más experimentados se resisten, ya que consideran que el resultado de la IA no es bueno. La IA en general es mala. Tienes que replantearte esto para que no se pregunte quién era el responsable de ese proceso, porque ellos eran los responsables del proceso y el resultado no era bueno, y la IA fue la herramienta que eligieron para ello. Así que hay que profundizar y no limitarse a decir que la IA era el problema. Es como: no, quién es el actor clave responsable de la calidad
[7:46] de ese resultado y cuál es la razón por la que la calidad ha bajado. Por tanto, si pensamos en la IA en términos de ampliación del espacio profesional en lugar de automatizar procesos enteros, se convierte en algo más digerible para estos ejecutivos de más alto nivel. Y así es como puedes empezar a implementarla en las empresas ; y tanto si se trata de una empresa de Fortune 500 como de una pequeña startup, te encuentras con estos retos.
[8:16] Incluso en una empresa de cinco o veinte personas, todo es igual. Son todos los mismos problemas y hay que abordarlos analizando un problema cada vez y mirándolo desde un marco de mejora, no de automatización. Sí, tiene mucho sentido sabiendo cómo funcionan las culturas de los grandes bancos. Recuerdo una de las frases que solía oír todo el tiempo: "Quiero que me cuelguen el cuello". Literalmente, ¿quién es la persona a la que vamos a culpar si es que algo sale mal? Por cierto, esto se dijo sin juzgar. Cuando alguien decía: "Oye, quiero hacer X, Y o Z". Vale, dame un néctar. En otras
[8:47] palabras, si esto se rompe, ¿quién es la persona responsable? Por tanto, es muy interesante oírte hablar de cómo funciona ese enfoque en términos de la forma en que la gente dentro del banco quiere que esa persona sepa quién es el responsable de este proceso. Exactamente. Y ese anillo de cuello donde la clave está es que en realidad no quieres reemplazar ese anillo de cuello. Necesitas una persona o un cuello que se encargue de todo ese proceso y realmente te encuentras con problemas cuando eliminas a esa persona y ahora es solo una herramienta de IA
[9:17] que tienes que gestionar. Y sí, es precisamente ahí donde la adopción se va a ralentizar de forma notable. Sí. Hablemos de algunos de los contenidos que estás haciendo ahora porque creo que lo que estás haciendo aquí es increíblemente interesante. Me encanta esta especie de rol de traductor que desempeñas en el que consumes básicamente todo lo que sale. Te fijas en gente como Andre Carpathy, ese tipo de personas que publican vídeos. Estás ahí fuera. Charnie sería otro ejemplo de alguien cuyo trabajo sigues
[9:47] muy de cerca. Consumes todo ese contenido y luego creas contenido en torno a él que está dirigido a un público mucho más general. Quiero decir, francamente, cuando veo a algunas de estas personas y veo esos videos en X o en YouTube, personas que están muy bien posicionadas en el laboratorio de vanguardia, a veces me resulta muy difícil entenderlo, simplemente porque no estoy inmersa en ello las 24 horas del día, los 7 días de la semana, como lo están algunas personas del sector que sienten verdadera pasión por esto. Háblanos un poco sobre tu contenido, cómo empezaste a hacer esto y cuál era la necesidad o la brecha que buscabas identificar y cerrar. Sí, si observas
[10:21] el panorama de YouTube, gran parte del contenido gira en torno a ganar dinero con la IA o cómo hacer crecer una startup con la IA. Pero la realidad es que sí, hay un público para eso. Pero yo creía y creo actualmente que hay un TAM mucho mayor en términos de profesionales de entre 30 y 50 años que quieren usar estas herramientas para mejorar en su trabajo y potencialmente usar eso para iniciar un
[10:51] negocio, pero no es un requisito. Y en lo que realmente se centra mi contenido es en sintetizar estos verdaderos creadores técnicos, estos flujos de trabajo iniciales empresariales reales y llevarlos a flujos de trabajo que yo llamo creadores de trabajos diarios. Son profesionales que quieren desarrollar y aprender habilidades y aplicarlas a situaciones y casos prácticos realmente aplicables sobre
[11:21] cómo mejorar en su función. Y desde que empecé a centrarme realmente en este aspecto en abril, soy uno de los canales de YouTube de más rápido crecimiento. Y hay desafíos, ¿verdad? No puedo. Realmente no hablo de dinero en mi canal en términos de cómo hacerse rico rápidamente, mientras que nuestros títulos de YouTube son muy atractivos...pero al público le ha encantado. Y sí, desde abril, me he asociado con algunas de las marcas más importantes. Ahora mismo, tengo una asociación con Anthropic y, bueno, sí
[11:52] , también aprenderé de ellos sobre herramientas y realmente lo sintetizaré en cosas aplicables que puedas aplicar en tu día a día. Sí, creo que si te encuentras creando contenido de alta calidad, vas a encontrar una audiencia. La gente va a encontrar ese canal. Por cierto, la otra cosa que creo que es realmente interesante es que hablas de emprendedores; pero también creo que para cualquiera que trabaje en una gran corporación, haciendo casi cualquier cosa y que esté interesado en usar estas herramientas, tu canal es un gran recurso, creo, para que la gente empiece y aprenda ese siguiente nivel de profundidad, ese siguiente nivel de
[12:22] detalle sobre cómo trabajar con las IA , cómo trabajar con los LLM de formas que les den el resultado deseado que en última instancia les importa obtener en sus carreras. Sí. Y también creo que en términos de gente escuchando y viendo lo que identifican como...y puede que tú no te identifiques como emprendedor, pero yo realmente veo la IA como una herramienta para resolver problemas. Entonces, te identificas como alguien que resuelve problemas y todas las cosas de las que hablo y en las que nos sumergiremos, pero se trata
[12:52] de habilidades para resolver problemas y en esta nueva ola tecnológica tienes que convertirte en un experto en resolver problemas. Eso es lo más importante porque las herramientas son cada vez mejores. Las formas de usarlas cambian rápidamente. Por lo tanto, si no eres bueno en esta resolución de problemas y en el aprendizaje continuo, entonces, naturalmente, te quedarás atrás. Por lo tanto, todos deben convertirse en esto. Y lo he visto a través de mi contenido y he visto que a través de él resuena en personas de
[13:23] entre 30 y 60 años. Muchas personas en mis comentarios dicen cosas como: "Hola , tengo 55 años. Voy a cambiar de carrera. Esto me ha sido de gran ayuda" . O tipo: "Tengo seis años, así que voy a llevar esto a todo lo que hago en mi día a día", por ejemplo. E incluso algunos de mis amigos grabaron videos de sus compañeros de trabajo viéndolo en su oficina, en su escritorio. Y él dijo: "¿Eres tú?" Y yo pensé: " Supongo que sí". Bueno, todos tienen que convertirse en aprendices continuos
[13:53] y solucionadores de problemas de alto nivel cuando integran herramientas de IA en su día a día. Sí, muy bien dicho. Dicho esto, vayamos directo al grano. Quiero empezar a entrar en los detalles de lo que haces, parte de tu contenido, parte de tu aprendizaje, porque creo que este material es increíblemente interesante y encontré valor en ese contenido para mí. Quiero mencionar un video en particular solo como introducción a algunas de las cosas que haces. Creo que es tu video más visto, llamado "Stop prompting, start specifying". Hablemos un poco sobre algunas de las lecciones que aprendiste aquí porque creo que esto
[14:23] es algo que es realmente aplicable de manera amplia y en lo que las personas pueden encontrar valor muy rápidamente en términos de su propio caso de uso, su propia interactividad con los LLM. Sí. Entonces, esto nos lleva de vuelta a algo que mencioné anteriormente sobre asumir la propiedad del resultado . Entonces, cuando demos un ejemplo financiero simple. Digamos que dices: " Bueno, a Claude o a la herramienta que estés usando, haz mi contabilidad de fin de mes". Y hay un concepto llamado "apresuramiento de activos" en el que la IA querrá apresurarse de forma
[14:53] nativa para obtener el producto terminado porque para eso está entrenada y eso es lo que cree que quiere que haga el usuario. Entonces, si dices "haz mi contabilidad de fin de mes", podrían decir: "Oh, lo voy a hacer en efectivo o lo voy a hacer de manera cruel". Y así es el proceso de planificación y creación de una especificación. Quizás hayas oído que quieres usar la IA para planificar. Utilizo el término especificación porque esto es antes de hacer nada, quieres identificar exactamente qué
[15:23] quieres que haga la IA, cómo lo haga y por qué debería hacerlo así. Y aquí es donde asumes la responsabilidad del resultado final. Es como, "Oh, no sé por qué la IA lo hizo sobre una base de acumulación, como si fuera una base de caja, eso estuvo mal". Bueno, al hacer una planificación adecuada por adelantado, ahí es donde puedes organizar todo el proceso. Ya sea un informe, una automatización o una herramienta personalizada que estés creando, saber exactamente cuál va a ser el resultado y luego entregarlo a
[15:54] la capa de ejecución, que es la IA. Y creo que todos están subiendo de nivel . Si antes te encargabas de la ejecución, ahora tienes que pasar a la capa de arquitectura, que es la planificación y la creación de especificaciones. Y eso es muy importante y por eso este video resonó en tanta gente porque, bueno, estoy asumiendo la responsabilidad. Me estoy metiendo de lleno en los detalles porque la gente quiere eso. No quieren no hacer nada. Quieren tener propiedad y sentir una sensación de logro cuando
[16:24] el resultado final llega al otro lado. Y aquí es donde vas al nivel superior, estás planificando, estás creando una especificación, dejas que la IA haga la capa de ejecución y ahora sabes que en el otro lado, va a estar mucho más cerca de lo que realmente querías. Sí . Una de las cosas que me gusta de tu contenido es que está muy orientado a los resultados. Se trata de tomar estos conceptos que tal vez hemos oído en un lenguaje bastante obtuso de algunas de las personas que realmente están en el espacio y tratar de encontrar una manera de aplicarlos para que las personas realmente los usen. Así que
[16:54] vamos a desglosarlo un poco. Hablemos un poco más en detalle. En este video en particular, dividimos esto en tres capas. Por cierto, si alguien no ha visto tu contenido, literalmente lo dibujas con un bolígrafo y lo repasas. Háblame un poco sobre cuáles son esas capas y, específicamente, cómo los usuarios, las personas, pueden generar valor a partir de ellas en términos de su propia interacción, en términos de obtener de las entradas a las salidas que desean obtener en sus propias vidas . De hecho, estoy buscando el dibujo que tengo ahora mismo. Está en algún
[17:25] lugar de este papel. Precioso. Este es ...Este es el Picasso que dibujé en ese vídeo. Alguien con una letra terrible, por cierto. Realmente respeto el hecho de que... Sí. Como si mi letra fuera probablemente la de un alumno de tercer curso, si eso fuera así, sería una exageración. Pero sí, lo hago y la gente disfruta burlándose de mí en
[17:55] los comentarios, lo cual apoyo. Así que hay tres capas. La especificación, el verificador y el entorno. Así que repasar cada una y cómo quieres pensar en esto es, de nuevo, este proceso de resolución de problemas. Cuando abordas un problema, ¿cuál es tu proceso para llegar a una solución? Y entonces la primera parte de esto es crear una especificación. De eso estaba hablando, donde se trata de identificar la estrategia exacta que quieres implementar. Y la clave aquí
[18:26] es que no solo le estás preguntando a Claude: "Oye, ¿puedes hacerme un plan para desarrollar una habilidad de informes de fin de mes que pueda reutilizar?". Y es como: "Bueno, aquí está el plan". Y luego no solo asientes con la cabeza y dices: "Bueno, eso es bueno. Hazlo". Es como si tuvieras que luchar contra esa urgencia de simplemente pasar al siguiente paso porque piensas: "Oh, la IA lo hará bien porque no lo hará porque hay infinitas posibilidades y tienes que
[18:56] guiarla como si estuvieras diseñando la solución". Así que ahí es cuando estás creando la especificación y, como un término clave que puedes usar aquí, "entrevístame para que me ayude a resolver este problema". Identifica cualquier brecha en mi conocimiento para que podamos identificar realmente lo que quiero construir exactamente. Y ese término "entrevistarme" es solo una frase poderosa que puedes usar cuando la IA te ayuda a identificar las lagunas en tu planificación. Es como tener a un experto en la sala y decir:
[19:26] "Oh, no se me había ocurrido". Así que tenlo en cuenta. Por cierto, por cierto, anoche volví a ver este vídeo mientras me preparaba para esta entrevista. Una de las cosas que creo que es realmente interesante de esto es que, y hablas de esta idea de que, muy a menudo, las personas no saben realmente lo que quieren. Y usar la IA para entrevistarte y empezar a extraer esa información, para que puedas ver, en términos de su posicionamiento, lo que podría estar mal, lo que podría estar bien, cuando tú mismo no lo sepas. Y creo que ese es uno de los puntos poderosos de hacer esa pregunta. No lo sabes. Sí. Es que simplemente no lo sabes y no vas a poder pensar en todo ello en el momento
[19:56] adecuado. Y tener un consultor experto en la sala es como: "Oh, ¿pensaste en esto?" Es como decir: "No, no pensé en eso. ¿Has pensado tú en esto?" Es como: "Bueno, no, no lo hice, pero aquí está la respuesta". Y cada vez que te incita a hacer esas cosas, digamos que no estabas haciendo una planificación adecuada, haría suposiciones sobre cómo hacerlo. Y la verdad es que probablemente no será exactamente lo que querías. Y podrías identificarlo más tarde, pero ahora tendrás que ir y venir desde un punto de vista de resolución de problemas y
[20:26] solución de problemas más adelante, y solo perderás tiempo. Así que esa es la especificación. Un término general , esta es una cita de los Navy Seals, pero lento es suave y suave es rápido. Así que muévete y digo a mi equipo: muévete lento para ir rápido. Tómate tu tiempo aquí. La siguiente capa por encima de eso es la verificación. Así que, abstraída de aquí, está la ejecución real. Ahí es donde la IA es realmente tan poderosa. Puedes dejar que haga muchas de las tareas que quieres que haga, pero en cuanto a la
[20:58] propiedad, tienes que verificar cuál es el producto final. Y sí, debería haber un elemento de verificación humana, pero si la IA puede detectarse a sí misma antes de enviarla, eso es superpoderoso. Entonces, ¿cómo puedes pensar en cómo puedes realmente empoderar a la IA para que verifique el resultado? Volviendo al ejemplo del informe mensual, digamos que hay un formato claro o una plantilla clara que quieres. Entonces, si has hecho esto
[21:29] durante los últimos 12 meses y quieres migrarlo a la IA, es como: vale, tienes 12 versiones de un informe mensual, tienes una plantilla clara, tienes una estructura clara. Vamos a llevarlo a Claude, o a cualquier otra herramienta, y decir: "Oye, estos son los informes de ejemplo que quiero". Utilízalo como una forma de verificar el resultado de este informe mensual que estás creando . Y así le has dado poder a Claude para verificar el producto final. Esto
[22:00] es algo que normalmente no sabría. Y hay incontables maneras de hacerlo. Creo que una de las mejores maneras de hacerlo es tomar un producto final que ya hayas creado y usarlo como referencia. Y antes de que realmente complete la tarea, puedes decir: "Oye, asegúrate de verificar el resultado antes de compartirlo". Ahora bien, en la mayoría de los modelos, esto es tan poderoso que los modelos más nuevos lo hacen de forma predeterminada porque esta capa de verificación es realmente muy importante. Por lo tanto, han decidido integrarla de primera mano en
[22:31] el modelo real. Pero si hay formas específicas de verificar, eso es lo que quieres hacer en esta capa. Una vez que lo hayas configurado, ahora se trata de crear un entorno que realmente lo permita. Digamos que lo quieres para el informe mensual y tienes datos financieros que quieres extraer. La única manera de crear el informe y, a su vez, verificar el resultado, es si previamente has establecido un entorno que permita que todo esto pueda suceder
[23:01] . Ahí es donde te conectas a recursos externos. Quizás estás extrayendo información. Tienes que configurar el sistema para que pueda hacer lo que quieres que haga. Por lo tanto, lo mejor de todo es que, creo que si usas Claude, y la mayoría de las herramientas lo tienen, puedes establecer conexiones con sus herramientas integradas. Es tan sencillo como hacer clic en un par de botones e iniciar sesión en Gmail, Outlook o Slack. La mayoría de las herramientas tienen una integración de primera mano en este momento. Así que eso es configurar tu entorno para que
[23:31] tenga éxito. Por lo tanto, si haces una especificación adecuada, la capa uno es donde estás planificando. Configuras el sistema para verificar y también puedes preguntarle a Claude: " Oye, como parte de tu plan, dime exactamente cómo vas a verificar el producto final". Si sabe cómo puede verificar, eso te informará sobre lo que realmente crea. Luego, debes asegurarte de que el entorno esté configurado para producir un producto final de alta calidad. Si cumples con esas tres capas, estarás por delante
[24:01] del 80 o 90%de las personas. Y aquí es donde debes avanzar lento para avanzar rápido, porque si haces la planificación previa necesaria, el producto final será mucho mejor. Sí. Y todas estas cosas son habilidades que , obviamente, desarrollas a medida que haces más trabajo. Tengo un montón de archivos de texto que están almacenados localmente en mi computadora, que copio, pego y modifico cuando interactúo con LLM, porque me proporciona una especie de plantilla con la que trabajar, que puedo ajustar y variar según las diferentes tareas
[24:32] que realice. Quiero retomar algunos de los puntos que mencionaste aquí y seguir profundizando en este aspecto del entorno porque creo que es algo realmente interesante. Por cierto, las personas que nos están viendo vendrán con un amplio rango de niveles de complejidad, habilidades y conocimientos. Así que podemos hablar de cosas que a ustedes les parezcan muy obvias, pero solo intentemos explicarlas y desglosarlas. Y si es algo que puede resultarles un poco difícil, esperen porque creo que lo entienden una vez que empiezan a hablar de ello y a interactuar con ello. Un breve descanso en su programación
[25:03] habitual. Si se toman en serio su futuro, descarguen mi informe gratuito llamado Prepárense para 2030. Creo que tienen cinco años para ganar tanto dinero como sea posible y esta guía los ayudará a navegar por lo que se avecina. El enlace está en la descripción. Descárguenlo ahora. La segunda parte de esta conversación será solo de audio. Un transformador explotó frente a la ventana de uno de nuestros productores. Perdimos el video de la segunda mitad, pero esta es una conversación genial. Queremos continuar con la segunda mitad, donde hablaremos sobre los empleos en Wall Street, el impacto de la IA y cómo lidiar con algunos de esos escenarios
[25:34] catastróficos para la IA. Austin, hablando del entorno, hablemos un poco sobre claude.md, el archivo markdown que almacena muchos de los parámetros que son tan críticos para interactuar con Claude. Sí. Entonces, este archivo claw.md funciona de la siguiente manera: cada vez que le pides a Claude, se carga en el contexto en el que está tu historial de conversaciones. Así que piensa en esto como tener un mensaje que puedes copiar y pegar y luego traer
[26:05] a Claude al comienzo de cada conversación. Ahora bien, lo que la gente hará de forma natural es decir: "Bueno, eso es genial. Deja que añada todo a mi Claude MD porque eso le dará a la IA toda la información que necesita". Pero el problema aquí es que te costará dinero porque cada vez que añades contexto, eso aumenta la cantidad de consumo de tokens que tiene cada ida y vuelta. Así que te toparás con tus límites mucho más rápido. Pero lo más importante es que más
[26:35] contexto no significa necesariamente un mejor resultado. De hecho, a menudo puede significar un peor resultado. Por lo tanto, lo que preferirías hacer es optimizar tu MD en la nube para que apunte a archivos en tu máquina y en tu entorno, de modo que sepa que debe hacer referencia a ese archivo una vez que se haya realizado una pregunta al respecto. Solo un ejemplo concreto. Has mencionado tus archivos de texto. Digamos que esos archivos tienen tu estilo de escritura en lugar de tener
[27:06] un desglose completo de 10 000 caracteres en términos de cómo escribes en tu MD de Claude. Simplemente preferirías que dijera: " Cuando pregunto sobre escribir algo en mi estilo, mira este archivo". Y este es un concepto llamado divulgación progresiva. Y lo que esto le permite a Claude es que si preguntas sobre la escritura, sé que debo mirar este archivo y luego aportaré ese contexto. Y a medida que creas entornos más complejos que tienen un montón de
[27:37] información contextual sobre datos financieros, inversiones, tu propia vida personal, no quieres enturbiar el entorno con información innecesaria. Por lo tanto, si estás haciendo un informe mensual, quieres el contexto necesario y relevante para el informe mensual. Y al darle a Claude MD una referencia, como aquí es donde están todas mis notas del informe mensual, apunta a ese archivo. Eso ayudará a resolver esto. Y una forma sencilla de hacerlo es si solo buscas un aviso,
[28:07] puedes decir "Oye, optimizo mi Claude MD para que haga referencia correctamente a mis archivos contextuales en mi máquina". Y sabrá qué hacer a partir de ahí. Muy bien, hablemos un poco sobre cómo funcionan algunos de estos otros archivos de habilidades e interactúan con lo que está sucediendo en Claude MD. Hablemos un poco sobre las habilidades, cómo las piensas, cómo se las explicas a alguien que puede ser relativamente nuevo en su uso pero que quiere obtener esa capa adicional de poder de usuario avanzado. Sí, las habilidades de Claude son, de lejos, mi función favorita. Como si no
[28:39] hubiera un segundo cercano y la razón es que creo que las habilidades de Claude no son diferentes de un proceso repetible que le enseñas a Claude a hacer. Así que piensa en ello como un procedimiento operativo estándar. Cuando pido mi informe mensual, hago el paso uno, paso dos, paso tres, paso cuatro. Y estás codificando este proceso en una habilidad específica a la que se puede hacer referencia más
[29:09] adelante. Y así, desde mi experiencia en ingeniería, si hay alguien con experiencia técnica, pienso en estas funciones como que se pueden llamar en un sistema más amplio. Entonces, ¿por qué creo que esto es tan valioso? Bueno, si piensas en tu trabajo como una serie de tareas que tienes que completar, cada tarea, hay una buena posibilidad de que se pueda desglosar en habilidades específicas. Y así, si una para el informe mensual, podrías
[29:39] tener una habilidad específica que sea como extraer datos del informe mensual. Y entonces podrías decirle a Claude: " Oye, crea una habilidad reutilizable llamada" extraer datos de informes mensuales "que analice nuestros QuickBooks, nuestra hoja de Excel y luego nuestro Slack para cualquier contexto adicional que necesite. Ahora, cada vez que ejecutes esa habilidad" extraer informes mensuales ", automáticamente sabrá que debe consultar esas tres fuentes de datos
[30:09] diferentes". Y esta es una forma de crear sistemas. Entonces, si ese es el primer paso del proceso, tal vez el paso dos sea generar un informe. Entonces puedes crear la habilidad " generar informes mensuales". Y ahora realmente puedes empezar a pensar: " Bueno, estoy entrenando a la IA sobre mi flujo de trabajo específico y estoy creando sistemas para optimizar exactamente lo que hago". Y ese es como el primer nivel de uso de estas habilidades. Pero el nivel superior está bien, puedes crear lo que se
[30:40] llama una habilidad de orquestación. Y esto es como, vale, la habilidad podría ser "generar informe mensual", y lo que hace es llamar a "extraer datos" y luego llamar a "generar el informe", y así orquesta todo el proceso. Y ahora estás empezando a automatizar o mejorar tu día a día, y es muy potente sin importar el sector ni lo que hagas. Y es porque aquí es donde puedes ser superespecífico y
[31:10] preciso con la forma en que quieres que la IA responda y maneje tareas específicas. Sí, es realmente interesante cuando hablas de las formas de interactuar y a medida que crecen, se superponen y se vuelven más sofisticadas. Déjame preguntarte esto. Hemos estado hablando mucho de Claude hoy. Paso mucho tiempo probablemente sobre todo en Claude y Chat GPT, aunque también estoy bastante en Gemini y juego con algunos de los otros, más recientemente Muse. Tengo curiosidad por saber qué piensas sobre los factores diferenciadores que más
[31:40] utilizas y por qué algunas cosas...Me parece que algunos modelos son muy buenos en habilidades específicas, mientras que otros son menos buenos en aspectos concretos de hacer algo. Háblanos un poco sobre cómo desglosas eso, cómo eliges con qué LLM trabajar para qué tarea. Sí. Bueno, esta es probablemente una de mis creencias más controvertidas. Realmente creo que menos es más y a menudo pienso que cuanto menos, hay tantas variables con la IA. Por eso, una de las cosas clave que creo que ocurre con la mayoría de los profesionales es que a menudo se sienten abrumados por muchas de estas
[32:11] decisiones. Por eso, intento eliminar la fatiga de decisión y muchas de las cosas que no creo que sean los mayores multiplicadores de fuerza para ser altamente productivo en el día a día. Y para responder a la pregunta directamente, el 99%de las veces uso Claude y uso su modelo más reciente. Y la razón por la que hago esto es, ¿ podría usar el chat GBT?¿Podría usar
[32:42] su nuevo modelo que quizá sea mejor para esta tarea? Probablemente. Pero yo lo veo como si estuvieras persiguiendo tu propia cola porque, de repente, Claude lanza un nuevo modelo. De repente, Grock lanza un nuevo modelo. Y ahí es donde la mayoría de la gente se siente abrumada por el espacio. Por eso lo que digo es que bloquees todo eso. Simplemente elige tu mesa de trabajo. En mi caso, es Claude. Puede ser Chat GBT. Realmente no tengo una
[33:12] opinión firme en cuanto a cuál. Creo que el que uses actualmente es probablemente la mejor opción, bloquea el ruido y concéntrate en usarlo. Simplemente elige un modelo y úsalo, y aprende las habilidades que no cambiarán. Entonces, ¿cómo usar las habilidades correctamente? Claro, son las habilidades de Claude, pero Chat GBT tiene su propia versión de habilidades. Esa es solo una primitiva que existe en cada conjunto de herramientas, y es algo fundamental que
[33:43] puedes aprender y en lo que puedes mejorar, es independiente del modelo y, al igual que la herramienta, independiente del conjunto. Por lo tanto, creo que ahí es donde la mayoría de las personas deberían centrar su energía. Así que elige el banco de trabajo, bloquea el ruido y luego concéntrate en convertirte en un usuario avanzado dentro de esa única herramienta porque todo eso se traduce en todo lo demás. Y sí, también creo que lo que ocurre cuando empiezas a cambiar entre muchas herramientas es que simplemente tienes, lo llamo, un cementerio de herramientas de IA donde
[34:14] pruebas algo, pruebas lo siguiente, pruebas lo siguiente y tienes todo este cementerio de cosas que ya no usas de todos modos. Entonces, menos es más. Y sé que probablemente eso no es lo que la mayoría de la gente dirá, pero descubrí que eso ayuda a los profesionales que no están necesariamente pensando en esto las 24 horas del día, los 7 días de la semana, a ser más productivos. Sí. Y esa es realmente una forma de ver el mundo que prioriza la productividad en lugar de estar necesariamente inmerso en cada herramienta, cada nuevo modelo, cada
[34:45] nuevo lanzamiento. Por cierto, soy terrible en esto. Tengo TDAH. Estoy cambiando constantemente de una a otra. También uso Grock, por ejemplo. Grock es realmente bueno para mí. Utilizo cualquier cosa científica, estadística, analítica. Es realmente muy bueno en eso. Y, por supuesto, la interacción con X. Sí, Grock es increíble para los datos en tiempo real. Como que sin duda tiene ventajas. Y eso es lo que mencionas, un gran punto en el que no estoy en contra de usar otras herramientas, pero no quiero que la gente, lo que llamo IA, mire escaparates, donde es como si estuvieras navegando en Twitter y dijeras: "Esto parece genial, déjame
[35:16] probarlo". Como: "Esto parece genial". En cambio, es como: "Oh, tengo un problema. Estoy buscando datos en tiempo real. Necesito X. Necesito información de X. Este es un problema que tengo. ¿Cómo puedo solucionarlo?" . ¿Cómo puedo resolver ese problema? Y sí, hay soluciones que puedes hacer en Claude, pero Grock tiene razón. Tiene acceso a esa información. Así que lo estás enfocando desde una mentalidad de que el problema es lo primero, lo cual creo que es una gran manera de abordar las cosas, pero es
[35:46] como el orden de las operaciones. Llegas a un cuello de botella y ahora estás resolviendo problemas. Sí. Sé que estoy saltando de un tema a otro, pero hay muchas cosas de las que quiero hablarte, Austin. Quiero hablar un poco sobre el diseño de bucles y lo que eso significa. De nuevo, la gente viene a nosotros con diferentes niveles de habilidad en términos de su propio uso de los LLM y de estos modelos. Bueno, primero hablemos un poco para las personas que quizás no hayan usado bucles antes, qué son, cómo se usan, por qué son importantes, luego podremos profundizar un poco más en algunos de los aspectos más detallados de eso. Volviendo entonces a las tres
[36:17] capas sobre las que estuvimos hablando, ¿cierto? La especificación, el verificador, el entorno. Resumiendo lo que es un bucle, en realidad es solo una capa iterativa entre el verificador . Estoy mostrando esto, el verificador y la especificación. Entonces es como "vale, ¿hizo lo que...?" y luego hay una capa de ejecución aquí. Entonces es como "vale, aquí está la especificación, la IA completó la tarea. Vamos a verificarla. ¿Hizo lo que se esperaba? Si no, ¿cómo lo arreglamos? Vamos a arreglarlo y luego
[36:49] sigamos repitiendo este proceso. Y así , un bucle es la forma que tiene la IA de autocorregir un problema antes de que realmente te afecte. Y al crear una capa de verificación, en realidad estás creando una forma para que la IA haga un bucle hasta que resuelva el problema. Y uno de los problemas que la gente tendrá es que el resultado no es el que quería. Y eso suele deberse a que no se han centrado lo suficiente en la capa de verificación. Y una vez que lo hacen, la IA se autocorregirá de forma natural y creará su propio bucle
[37:21] para darte el resultado que realmente querías. Sí. Creo que estás tomando prestado de Boris Charnie o Andre Carpathy cuando hablas de esto. ¿Qué tuve que devolver? Creo que es una forma muy interesante de hablar un poco sobre lo que eso significa. Sí. Sí. Eso fue de Matt Pic. De hecho , es uno de los que tiene una de las habilidades más descargadas del planeta. Es una habilidad de código abierto llamada" Grill Me ". Pero hace poco hice un análisis profundo de
[37:51] cómo piensa sobre las habilidades. Y una de las cosas que describió es que una habilidad es algo para lo que quieres que la IA te dé una mejor respuesta porque cuando no tienes una habilidad, tienes que seguir enviándola. Y todos hemos pasado por este proceso en el que le das indicaciones a Claude, te da un resultado, es como si eso no fuera lo que quería, necesitaba esto. Te da otro. Eso no es lo que quería. Necesitaba esto. Y es como un proceso
[38:21] de ida y vuelta de devolverlo. Y Pac lo explica como algo así como, oh, estás en un restaurante, te traen tu plato principal y no era lo que pediste. Lo devuelves. Si te encuentras enviando un resultado muchas veces y a menudo a la IA, es cuando quieres crear una habilidad. Y esa es una gran regla de oro para ti cuando piensas, oh, ¿ debería convertir esto en una habilidad? Y una de las verdaderas ventajas de esto es que no te pones a
[38:52] crear habilidades a la ligera. Creo que eso es algo que mucha gente puede hacer . Es como, oh, voy a crear una habilidad. Voy a crear una habilidad. Pero de repente, tienes un montón de habilidades que en realidad nunca necesitaste o que nunca usaste. Y tener este marco en el que dices:" Bueno, ¿ qué sigo enviando de vuelta? "te obliga a crear habilidades sobre cosas que realmente haces. Y eso es lo importante. Y no solo te obliga a hacerlo, sino que también significa que has iterado lo suficiente como para obtener algo que realmente te gusta. Y
[39:25] una vez que lo haces, si te encuentras en este bucle de envío de vuelta, una vez que llegues a un producto final, simplemente escribe algo como, en función de esta conversación, propone cómo podemos crear esto en una habilidad personalizada. Y analizará la conversación y dirá:" Oh, deberíamos crear una habilidad de generación de informes mensuales porque acabamos de realizar un montón de envíos de vuelta, y ese proceso es muy sencillo. Sé que todos los que están viendo esto han pasado por esa experiencia, así que ese es el paso
[39:55] final en el que obtienes el resultado que quieres convertir en una habilidad ". Sí. Hay mucho de lo que podemos hablar . También quiero hablar de lo que está pasando en Wall Street. Esta es la cuestión de la carrera profesional, el exasperante puesto de analista junior. Hablemos un poco sobre eso. Es interesante, ¿verdad? Siento algo por los analistas junior que están saliendo, pero creo que esto no es
[40:25] necesariamente específico de Wall Street. Creo que es algo generalizado. Estamos viendo una nivelación de roles en la que el junior es solo la capa de ejecución a la que sigo haciendo referencia, ¿ verdad? Ahora la IA se está adueñando de eso. ¿Y qué habilidades puedes aprender? Creo que hay muchas ahí. Hay muchas cosas que puedes hacer, pero creo que para la gente de finanzas tienes que
[40:55] convertirte en técnico en algún aspecto, y hoy en día es mucho más fácil convertirse en técnico porque la capa de ejecución se ha abstraído de ti. Así que no puedes desanimarte cuando veas código mal hecho. Tienes que pensar:" Bueno, voy a sumergirme en esto. Necesito obtener conocimientos técnicos ". Entonces, si te consideras un analista financiero, creo que tu cambio de marco mental es pasar de analista a ingeniero. Eres un ingeniero
[41:25] financiero. Y ahí es donde yo empezaría a centrarme. Es como, bueno, ¿cómo puedo ser realmente? No soy solo la persona que saca los números porque eso se está externalizando. Necesito ser capaz de diseñar una solución completa que cree un producto final. Y un ejemplo, como la realidad es que todos hacemos nuestras mejores conjeturas. Y, a menudo, lo que hace la gente, lo extrae de la información histórica. Y un ejemplo que me suele encantar es que hay dos tipos de
[41:56] personas o dos trabajos diferentes que podemos considerar. Están los ascensoristas y luego están los pilotos de avión. Si nos fijamos en los ascensoristas, este trabajo existió durante más de cien años, en el que, literalmente, solo tiraban de una palanca y ayudaban al ascensor a subir y detenerse en determinadas plantas. Este era un proceso muy manual y estaban en la capa de ejecución. Llegó la segunda automatización, ese trabajo desapareció por completo,
[42:27] literalmente ya no existe. Creo que solo hay un trabajo que se ha automatizado por completo gracias a la tecnología, y es ese trabajo. Y la razón es que era únicamente una ejecución. Vale. La otra cara de la moneda son los pilotos. Y cuando el piloto existió por primera vez, el piloto automático no existía, ¿ verdad? Esa es la automatización del proceso. Y desde entonces no ha habido muchos pilotos. Y tengo los números en
[42:58] alguna parte. Sí. Desde entonces, una vez que se lanzó el piloto automático , pensarías:" Oh, han automatizado todo el trabajo ". Como si los pilotos ya no fueran a existir. Bueno, ahora hay 400 veces más pilotos que antes de que apareciera el piloto automático. Y entonces están estos, pero ¿cuál es la razón de eso? Bueno, el piloto automático es dueño, perdón, el piloto posee el resultado. Es dueño del resultado y se asegura de que el avión aterrice. Entonces, ¿qué tiene que ver esto contigo cuando te pones a
[43:29] pensar en cómo es que debes posicionarte para alcanzar el éxito? Y esto se relaciona con lo que dije sobre diseñar el resultado. No quieres ser la persona que solo tira de la palanca. Tienes que ser la persona que orquesta y diseña este resultado final. En este ejemplo piloto, se trata de llegar a tu destino final. Pero en ese proceso intermedio, está totalmente bien si la IA se encarga de esa parte del proceso.
[44:01] Pero tienes que ser tú quien se asegure de que llegues a ese destino final. Y ahí es donde entra en juego la ingeniería y el aprendizaje de estas habilidades fundamentales con las que puedes empezar a pensar en los procesos, mejorarlos y desarrollar herramientas para ellos. Y ahí es donde cualquiera que esté en este grupo de edad más joven de 21 a 23 años tiene que empezar a convertirse en ingeniero y sé que incluso los ingenieros de software están siendo eliminados, pero ese conjunto de habilidades es el más importante de
[44:33] cara al futuro. Bueno, no sé si has oído ese ejemplo del ascensor frente al piloto, pero me suena muy familiar. Sí, es muy interesante. Por cierto, estamos hablando de esto como analistas junior de Wall Street, pero creo que es algo que se aplica a casi todos los empleos que buscan las personas de 20 años. Por cierto, ves algunas de esas cifras de personas de 20 años que son muy...supongo que la forma educada de decirlo es escépticas sobre esta tecnología, porque en muchos casos sienten, con razón o sin ella, que sus
[45:03] perspectivas profesionales se están viendo mermadas de forma significativa debido a esta tecnología. Y yo también lo veo. Cuando ves que ha hecho que las personas que son realmente buenas en el uso de esta tecnología en la mitad de sus carreras , quizás de 30, 40 y 50 años, sean mucho más productivas, mucho más efectivas, que muchas de las cosas que dices," Oye, hagamos que el becario haga eso, hagamos que el analista junior haga eso ", lo hacen ellos mismos. Sí, en última instancia, no puedes, no eres como la gente joven, no vas a
[45:33] detener la adopción de esto. Entonces, es como, vale, puedo ser pesimista u optimista, desde una perspectiva optimista, vale, esto está pasando, pero tienes más tiempo para aprender sobre estas herramientas. Tienes una aptitud para aprender que una persona que está en la mitad de su carrera probablemente no tenga. Y por eso no creo que esto sea necesariamente algo bueno o algo así, no es necesariamente algo bueno para todos a cualquier edad.
[46:04] Bueno, en mi caso, soy ingeniero de software de profesión. Como solía decir antes de empezar a dirigir mis propios negocios, siempre podría convertirme en ingeniero de software. Y la IA ha cambiado eso por completo. Y entonces puedo pensar:" Oh, me siento mal por mí mismo ". O bien:" Vale, voy a desarrollar las habilidades porque esto no va a desaparecer ". ¿Y cómo puedo posicionarme para que, a medida que la IA mejore, mi trabajo no pierda valor, sino que lo haga más? Y esa es la razón por la que dejé mi puesto de
[46:35] director de operaciones de esta enorme empresa tecnológica que estaba creciendo y creciendo, principalmente porque descubrí que mi puesto no se alineaba con el crecimiento de la IA y sentía que mi puesto se estaba volviendo menos valioso, no más valioso. Y entonces pensé:" Vale, ¿ cómo puedo posicionarme para crecer con este conjunto de herramientas? Porque, desde un nivel alto, no veo que vaya a frenar ". Sí. Muy bien dicho. Genial. Hay muchas cosas de las que quiero hablar contigo. Tendrás que volver y unirte a nosotros de nuevo. Esta fue una conversación
[47:05] genial. Bueno, hoy solo hemos arañado la superficie. Pero déjame preguntarte esto. Reflexiones finales, conclusiones clave de esta conversación que te gustaría dejar a nuestros oyentes y espectadores. En última instancia, la IA puede ser intimidante. Y una cosa en la que quería insistir aquí era en eliminar muchas de las variables, eliminar gran parte de la fatiga de decisión y centrarse simplemente en lo que puedes centrarte y lo que puedes poseer. Y eso se resume en no mirar
[47:35] otras herramientas, no mirar Twitter y pensar:" Oh, el mundo se va a acabar porque se está llevando todos los trabajos ". Eso es estrés innecesario. Así que céntrate en lo que estás haciendo. Y además, nadie tiene realmente la respuesta ahora mismo. Y tienes que centrarte simplemente en crear y hacer cosas y reducir el tiempo que lleva el siguiente ciclo de retroalimentación. Así que, escucha esto, Austin habló de un montón de cosas así que es interesante. Voy a seguir con mi día. Yo diría que
[48:07] probablemente no sea la mejor manera. Es decir, toma lo que hemos comentado aquí y aplícalo lo más rápido posible, porque las empresas y las personas que veo que son más eficaces con estas herramientas es porque han reducido el tiempo que les lleva aprender algo y aplicarlo a su día a día. Cuanto más rápido puedas hacerlo, más avanzado y rápido serás , mejor te volverás, y más rápido. Así que céntrate en la acción. La acción produce información y si haces eso, sucederán cosas buenas. Sí, me encanta que nadie tenga todavía todas las respuestas. Ponte manos a la obra.
[48:38] Arremángate. Involúcrate. Arremángate. Arremángate. Genial. Muchas gracias por acompañarnos. Increíble. Eso es todo por ahora. Esperamos poder organizar más conversaciones centradas en la IA como esta muy pronto. Dinos qué te gustaría ver más. Siempre apreciamos los comentarios. Gracias por ver. Gracias por escuchar. Que tengas un buen día. Es obvio que este vídeo te ha gustado lo suficiente como para llegar al final. Es una tarea bastante grande. Pero escucha, hazme un favor. Dale al botón de" Me gusta "y suscríbete, y mira también los próximos vídeos porque creo que te encantarán. Pero si quieres aún más,
[49:09] y cuando hablo de más, hablo de ideas generadas por los miembros, de investigaciones alfa increíbles, de todo lo que hay para ayudarte en tu viaje, solo tienes que dirigirte a realton.com/join para obtener la mejor inteligencia financiera que existe y el alfa puro que hay dentro de la plataforma.