Soy bastante apático respecto a la carrera hacia la Inteligencia General Artificial. Apenas entendemos la conciencia humana tal como es: ¿cómo podríamos siquiera reconocerla en una máquina?
Mis ambiciones son más modestas: primero quiero una Inteligencia Especial Artificial. Sistemas lo suficientemente capaces como para manejar las partes repetitivas y operativas de mi trabajo con el mismo nivel de calidad, mientras me devuelven el tiempo para perfeccionar las habilidades que realmente importan.
La habilidad definitoria de la era de la IA será preservar la soberanía cognitiva en un mundo construido cada vez más sobre sistemas estocásticos.
Tu cerebro siempre fue tu mayor activo. La IA solo lo está haciendo evidente.
Nunca te contrataron únicamente por tus habilidades técnicas. Te contrataron por el criterio detrás de su aplicación: el razonamiento, la priorización, el contexto y la intuición que subyacen a la ejecución.
A medida que más trabajo se delega a agentes de IA, surge una pregunta más profunda:
¿Cómo puedo enseñarle a la IA lo que yo sé?
Y el énfasis en "yo" importa.
La diversidad del pensamiento humano es lo que hace interesante al mundo. Las empresas escalan mediante la estandarización, pero evolucionan gracias a personas que ven el mundo de manera diferente. La IA puede replicar patrones, pero la innovación a menudo proviene de quienes se desvían de ellos.
La verdadera oportunidad no es reemplazar la cognición humana, sino externalizarla: construir sistemas que puedan capturar tu contexto, tus heurísticas, tu gusto y tu forma de resolver problemas.
Una forma de hacerlo es empezar a construir hoy tu propio segundo cerebro a medida.
No solo un repositorio de notas, sino un modelo externalizado de cómo piensas, decides y creas. Porque quienes prosperen en la era de la IA no serán los que compitan contra las máquinas, sino los que aprendan a potenciar su cognición a través de ellas.
Modelando un cerebro puramente lógico
¿Por qué no un RAG? Porque es una caja negra opaca. No me sentiría cómodo si no pudiera explicar mis pensamientos y acciones. No querría que fuera diferente con mi cerebro artificial.
El ethos y el pathos son problemas profundamente difíciles. El logos es abordable.
La inteligencia humana se basa en los tres: emoción, identidad, intuición, razonamiento social. Pero en el dominio específico del trabajo, la lógica y el razonamiento estructurado ya generan un enorme apalancamiento.
Mi objetivo es construir un segundo cerebro que pueda razonar lógicamente, comprimir conocimiento en abstracciones, aprender patrones mediante el uso y externalizar mi forma de pensar.
Simplemente cognición con mecánicas inspeccionables.
Por qué RDF, OWL y las ontologías son la opción perfecta
La elegancia de RDF es casi inquietante. Proporciona el lenguaje común para representar un concepto.
Eso es todo.
A partir de esa pequeña gramática, puedes modelar sistemas de pensamiento completos.
Ejemplo:
OWL añade estructura lógica encima, también expresada en el mismo lenguaje de RDF.
Ya no estás almacenando documentos.
Estás codificando relaciones, invariantes y el razonamiento mismo.
La simplicidad es lo que lo hace poderoso.
A diferencia de los embeddings o los sistemas neuronales de caja negra, cada hecho es inspeccionable. Cada inferencia es trazable. Cada conclusión tiene procedencia.
Un cerebro lógico necesita un sustrato lógico.
RDF se siente menos como una base de datos y más como una gramática para el pensamiento.
¿Qué lo hace posible hoy?
El concepto detrás de RDF es bastante antiguo. Existe desde finales de los 90 y se denominó confusamente como Web3 (que no debe confundirse con el sueño febril que fue Web3.0), incluso antes de Web2.0. Solo se ha utilizado en dominios muy específicos (Wikipedia, medicina, grafos de conocimiento) hasta ahora, debido al laborioso proceso que implica una cuidadosa curación de datos.
La IA cambia las reglas del juego. La razón por la que los LLM son tan buenos en el trabajo con conocimiento es porque están modelados en líneas similares, solo que almacenados como vectores en lugar de tripletes. El laborioso proceso del pasado puede delegarse hoy a un LLM con un alto grado de precisión.
La mayoría del trabajo tolera cierta inexactitud, a menos que escribas código para la NASA. Los LLM son trabajadores incansables que pueden trabajar para ti hasta alcanzar una calidad determinada. Esto es lo que es posible hoy con herramientas como Claude Code y OpenClaw.
Quizás los autores de RDF fueron previsores al llamarlo Web3: era una idea adelantada a su tiempo.
Existen numerosos frameworks de código abierto que pueden ingerir y consultar datos RDF por ti, como Apache Jena y RDFLib. Conectar un LLM en la capa de entrada te permite traducir texto sin formato a una sintaxis estricta que codifica significado semántico. Del mismo modo, un LLM también puede traducir la salida a una forma más legible para humanos.
Usa la arquitectura de LLM para lo difícil: E/S, visualizaciones. Usa la arquitectura clásica para lo divertido: lógica, inferencia.
Quieres que tu segundo cerebro crezca contigo. No quieres que se estanque o quede obsoleto. Si trabajas desde un terminal de Claude Code para gran parte de tu trabajo, podrías configurar hooks para ingerir y consultar desde tu segundo cerebro en un agente de fondo.
También podrías definir habilidades para ingerir datos de diversas fuentes especificando tu ontología personalizada, es decir, tu perspectiva única sobre cómo formar las conexiones en tu segundo cerebro. También podrías recurrir a los repositorios de ontologías disponibles gratuitamente en línea.
No necesitas un título en psicología o neurociencia para entender tu cerebro. Tú mismo eres tu propio laboratorio ambulante para desmenuzar el mecanismo de tus pensamientos.
Aquí tienes algunos de mis hallazgos favoritos que también se traducen bien a este sistema.
Evaluación perezosa mediante inferencia
El cerebro no es una caché.
Calcula la comprensión bajo demanda: sintetiza tripletes sobre la marcha.
Los humanos rara vez almacenan implementaciones completas. Almacenamos abstracciones capaces de reconstruir implementaciones dinámicamente.
Comprime miles de experiencias en un puñado de abstracciones reutilizables.
Un ingeniero senior no recuerda cada clase que ha leído en su vida. Recuerda el concepto fundamental de la POO, que es suficiente para entender cualquier clase nueva que encuentre.
Dame los axiomas y podré derivar el resto.
Reconocimiento de patrones
Si dos sistemas son estructuralmente similares, la comprensión se transfiere al instante.
Por eso las personas con experiencia aprenden más rápido.
Reconocen formas que ya han visto antes.
La inteligencia es a menudo la analogía a gran escala.
Aquí es donde un sistema asistido por humanos funciona mejor para el segundo cerebro. Los LLM pueden encontrar patrones por sí solos, pero a menudo pasan por alto las conexiones que son obvias para un humano.
Aprendizaje hebbiano
Las neuronas que se disparan juntas, se conectan juntas.
El conocimiento al que se accede junto se fortalece junto.
El cerebro reajusta continuamente la importancia basándose en:
- frecuencia
- actualidad
- coocurrencia contextual
La comprensión es dinámica, no estática.
Aprender a través del fracaso
Los errores no son ruido. Son datos de entrenamiento.
El cerebro retiene los experimentos fallidos porque saber lo que no se debe hacer es parte de la inteligencia.
Las buenas heurísticas son a menudo dolor comprimido.
Refuerzo contextual
Los conceptos se fortalecen cuando se encuentran en múltiples dominios.
Pitágoras en geometría. Física. Gráficos. Procesamiento de señales.
La verdadera comprensión surge cuando las abstracciones sobreviven al cambio de contexto.
Procedencia y confianza
Los humanos confían en el conocimiento de manera diferente según la fuente, la confianza y la experiencia previa.
Un segundo cerebro lógico necesita lo mismo:
- ¿de dónde vino esto?
- ¿por qué se cree?
- ¿con qué frecuencia se ha validado?
- ¿qué lo contradice?
La transparencia es obligatoria para la delegación.
Alineación cognitiva
No necesito que la IA sea sobrehumana.
Necesito que razone de maneras que pueda predecir.
El objetivo no es la inteligencia en abstracto.
El objetivo es la alineación con mis abstracciones, heurísticas y modelos mentales.
No una IA que piense por mí.
Una IA que piense como yo.
Hola, querido lector. Si has logrado leer hasta aquí, tengo noticias para ti. Pronto lanzaré una versión alfa de este sistema. Envíame un mensaje directo si te interesa saber más.
