Toma de Notas Continua
Mi configuración personal es increíblemente simple: git worktrees, varias ventanas de shell y una instancia de VSCode por worktree para poder navegar los cambios de código. Básicamente obtienes esta configuración de fábrica en la nueva app de codex. No te dejes engañar por herramientas demasiado sofisticadas.
El gran avance fue lograr que codex documentara y mejorara continuamente sus propios flujos de trabajo. Esto es algo que armé completamente para mi configuración personal. Codex mejora constantemente en las tareas que uso, simplemente porque tengo el hábito de pedirle que tome notas y mejore. Mientras trabajo, codex guarda notas y asistentes en mi carpeta personal dentro de nuestro monorepo. Después de algunas interacciones con una nueva parte del código, estos asistentes tienden a estabilizarse. Nunca he leído estas notas realmente, su utilidad para mí es puramente el efecto en el rendimiento de codex.
Con mi configuración ahora capaz de acumular conocimiento entre sesiones, me sentí cómodo escalando las tareas que le asignaba. Analicemos dos tareas en las que recientemente gasté cientos de millones de tokens.
Investigación a Escala
La investigación avanza rápido. Los experimentos son costosos y fáciles de configurar mal, por lo que es crucial mantenerse al tanto de los hallazgos y errores más recientes. Afortunadamente, codex es un motor de búsqueda increíble.
Cuando quiero implementar rápidamente un experimento puntual en una parte del código que no conozco, le pido a codex que haga una investigación exhaustiva. Codex explora canales relevantes de Slack, lee discusiones relacionadas, busca ramas experimentales de esas discusiones y selecciona cambios útiles para mi experimento. Todo esto se resume en un conjunto extenso de notas, con enlaces a dónde se encontró cada información. Usando estas notas, codex configura el experimento y toma varias decisiones de hiperparámetros que no podría tomar sin mucho más esfuerzo.
Pedir una segunda opinión aumenta enormemente mi confianza en lo que estoy implementando. En entornos donde los errores son costosos, quieres un agente de búsqueda increíblemente diligente y de alta recuperación. Codex satisface esa necesidad rutinariamente.
Los agentes de codificación también son excelentes para el análisis de datos, y han facilitado mucho la obtención rápida de información a partir de datos. Actualmente, el verdadero cuello de botella es descubrir qué analizar.
Recientemente, escalé agresivamente algunos de nuestros esfuerzos de comportamiento de modelos usando codex. Me di cuenta de que nuestro Slack interno está lleno de discusiones, informes y datos relacionados con diferentes tipos de comportamiento de modelos que quizás queramos probar más rigurosamente. Usé codex para localizar y rastrear extensivamente los canales apropiados y generar descripciones de hipótesis comprobables. Más allá de leer Slack, miró capturas de pantalla que la gente compartió, extrajo documentos relacionados con el comportamiento del modelo y navegó hojas de cálculo. A lo largo de varias horas, esto resultó en más de 700 nuevas hipótesis que actualmente están mejorando nuestra comprensión del comportamiento del modelo y las preferencias de los usuarios.
La mayor parte de este trabajo se hizo con GPT-5.2, pero he estado probando el nuevo modelo GPT-5.3-codex durante unos días. Mis tokens usados por día están aumentando, lo que creo que se correlaciona libremente con mi productividad.
Encuentro que GPT-5.3-codex es particularmente bueno para gestionar múltiples subagentes simultáneamente. Además, las recientes aceleraciones en el stack de codex hacen que toda la experiencia de subagentes se sienta mucho más ágil.
Mi flujo de trabajo actual se está desplazando hacia hablar solo con un agente, que a su vez orquesta un batallón de agentes para hacer investigación en Slack, investigación de código, escritura de código y ciencia de datos. Esto reduce drásticamente la cantidad de cambios de contexto que necesito hacer para paralelizar mi trabajo a través de agentes. Sin embargo, cuando necesito hacer una tarea crucial, todavía opto por hablar directamente con ese subagente específico.
Implicaciones para la Sociedad
Estos flujos de trabajo revelan algo fundamental sobre cómo las organizaciones pueden operar. En ambos casos de uso, logré una transferencia de conocimiento integral entre organizaciones sin coordinación manual. Sin reuniones, sin correos electrónicos, sin tener que preguntar. Simplemente apunté codex al problema y agregó conocimiento de docenas de personas, que ni siquiera sabían que estaban contribuyendo a mi causa.
No puedo evitar preguntarme cómo impactará esto en la sociedad. Tradicionalmente, las organizaciones pagan un "impuesto por cabeza": agregar más personas aumenta la producción total, pero cada persona adicional contribuye menos porque la coordinación crece. Esto es un problema enorme. Las organizaciones modernas usan herramientas como canales de comunicación no estructurados (Slack, Teams), bases de código compartidas y documentación centralizada para mitigar esto, pero aún hay una fricción masiva. Encontrar el contexto correcto para cualquier decisión aún requiere un esfuerzo humano significativo.
Con la tecnología disponible hoy, podemos recorrer todo el panorama de información de una organización y sintetizar contexto relevante bajo demanda. Podemos reducir significativamente las ineficiencias que sufren todas las organizaciones del planeta.
Creo que nuestras instituciones modernas pueden volverse mucho más eficientes, y resulta que tal vez solo necesitemos preguntar.
