Guía para Principiantes en IA: Primeros Pasos

Intentas abrir Claude Desktop en Windows y lo que aparece es un cuadro de diálogo titulado «No se puede abrir esta aplicación» que te pide ir a las opciones avanzadas de Claude y elegir Reparar; y hacer exactamente lo que dice funciona. Sin desinstalar nada y sin recurrir a Restablecer, que sí tira tus datos a la basura. Hay, eso sí, un paso intermedio en el que la gente se atasca de verdad, y es el centro de este artículo. Al pulsar Reparar puedes encontrarte con un aviso de que la aplicación sigue en ejecución, aunque no tengas ninguna ventana de Claude abierta por ninguna parte. La causa es que Claude Desktop se queda residente en la bandeja del sistema después de que cierres su ventana, y mientras ese proceso mantiene abiertos los archivos del paquete la reparación no puede completarse. La solución es sencilla: cierra los procesos de forma explícita y después pulsa Reparar. Y ese hecho apunta a la causa del fallo en sí, porque el mismo proceso rompió la actualización y luego bloqueó la reparación. El artículo responde además a lo que casi todo el mundo pregunta primero: ¿se borran tus sesiones? La respuesta se divide en tres. Tu historial de conversaciones de claude.ai está en los servidores de Anthropic y no se toca. Las sesiones de Claude Code viven en %USERPROFILE%\.claude\projects\, fuera del paquete de la aplicación, así que sobreviven a una reparación, a un restablecimiento e incluso a una desinstalación (un equipo real acumulaba 2.977 archivos, unos 3,0GB, repartidos en 52 proyectos). Lo único en riesgo son los ajustes del lado de la aplicación en %APPDATA%\Claude, y Reparar conserva incluso eso: Windows deja escrita la diferencia en la propia pantalla, donde junto a Reparar advierte de que los datos de la aplicación no se verán afectados y junto a Restablecer, de que se eliminarán. A partir de ahí cubre la comprobación de estado en PowerShell de solo lectura, una rutina de copia de seguridad, una escalada por pasos cuando la aplicación sigue sin abrirse (revisar que vmcompute y hns estén en marcha, reinstalar con -PreserveApplicationData), la causa deducida de un MSIX registrado a medias junto a las incidencias de GitHub (#55465, donde la instalación fue correcta pero no se creó ningún punto de entrada, más #50285 y #48437, todas cerradas como closed as not planned y sin corrección oficial), cómo reducir las probabilidades de que se repita y una comparación con la versión del instalador antiguo, donde la última entrega MSIX y un equipo con el formato antiguo medían ambos 1.24012.9.

El 16 de julio de 2026, Moonshot AI lanzó Kimi K3, un modelo con 2,8 billones de parámetros totales. Las acciones de semiconductores estadounidenses sufrieron ventas masivas y la historia escaló hasta que un alto cargo de la Casa Blanca acusó a la empresa, por su nombre, de destilar los modelos de Anthropic. Como las cifras, e incluso las etiquetas, no coinciden según la fuente, este artículo contrasta a quienes publican los benchmarks, a la prensa financiera, los anuncios de la propia Moonshot y la página real de Hugging Face, indicando quién produjo cada dato. En rendimiento suma 57 puntos y el tercer puesto en el Artificial Analysis Intelligence Index (a 17 de julio de 2026, aunque también existen recuentos que sitúan esos mismos 57 puntos en cuarta y séptima posición). En GDPval-AA v2, la métrica más práctica, K3 marca 1668 frente a los 1760 de Fable 5 y los 1600 de Opus 4.8: un salto de 478 puntos respecto a los 1190 del K2.6 de la generación anterior, y es ese recorte de distancia, más que la posición absoluta, lo que movió al mercado. En código se llevó el primer puesto en la Frontend Code Arena de Arena.ai con 1679 (Fable 5, 1631), pero en FrontierSWE pierde: 81,2 % frente al 86,6 % de Fable 5. El precio se invierte según la comparación: $3 de entrada y $15 de salida es alrededor de un 40 % más barato en entrada y entre un 40 % y un 50 % más barato en salida que Claude Opus 4.8 ($5/$25) o GPT-5.6 Sol ($5/$30), y el coste medido de $0,94 por tarea queda por debajo de los $1,80 de Opus 4.8. Frente a los rivales chinos, en cambio, es el más caro del grupo, unas tres veces GLM-5.2 y 23 veces DeepSeek V4 Pro, así que no estamos ante el descuento de un orden de magnitud del shock DeepSeek. Sobre los pesos, los medios se dividen entre «código abierto» (VentureBeat, SCMP) y el «pesos abiertos» de Reuters, y este último es el término exacto. Los pesos salieron el 27 de julio de 2026, en la fecha prevista, y se descargan desde Hugging Face sin solicitud de acceso (96 fragmentos safetensors). La licencia publicada junto a ellos es la propia «Kimi K3 License» de Moonshot: sobre una base de permiso al estilo MIT añade dos condiciones, un acuerdo aparte si se explota un negocio de Model as a Service que facture más de 20 millones de dólares y mostrar «Kimi K3» en la interfaz de los productos con más de 100 millones de usuarios mensuales. Como el permiso cambia según el tamaño de quien lo usa, no es código abierto según la OSI, y el articulado de la licencia zanja la discusión sobre la etiqueta. En los mercados, el Nasdaq cayó un 1,5 % el viernes, Taiwán más de un 6 %, Japón un 4 %, y el ETF de semiconductores (SMH) llegó a acumular más de un 20 % por debajo de su máximo de finales de junio, pero la caída semanal del SOX se publica entre -9 % y -12,5 % según el medio, y las pérdidas se recortaron después con la entrada de compradores a la baja. La acusación de destilación la rechazan los investigadores por el calendario —15 días entre la publicación de Fable el 1 de julio y el lanzamiento de K3 el 15— y no se ha hecho pública ninguna prueba. La velocidad (mediciones que van de 33 a 62 tokens por segundo, con OpenRouter avisando de errores 429 frecuentes por tensión de capacidad), la tasa de alucinación al alza del 39 % al 51 % y la clara diferencia de experiencia de uso que la propia Moonshot admite se cubren aquí con etiquetas de certeza explícitas.

Claude Code se detiene a mitad de una respuesta con «API Error: Connection closed mid-response. The response above may be incomplete.» No es un problema de prompting: la conexión que transportaba la respuesta en streaming se cerró mientras la respuesta todavía llegaba. Este artículo se apoya únicamente en la referencia de errores oficial, el changelog oficial y reportes respaldados por capturas de paquetes. Empieza por las definiciones oficiales: Connection closed significa que el enlace se cortó, Response stalled que se quedó en silencio y Server error que llegó un 5xx a mitad de stream; y explica por qué la salida parcial se conserva deliberadamente (reenviar podría ejecutar dos veces las mismas llamadas a herramientas) y que el paso de recuperación documentado es responder continue. Después separa las tres capas donde puede originarse el cierre (tu equipo y la suspensión, un corte por inactividad en un proxy o VPN, o un cierre iniciado por el servidor) y presenta las mediciones publicadas por quien reportó el issue #67766: los diez incidentes fueron cierres limpios del servidor, el error salió entre 3 y 105 ms después del FIN, ya se habían entregado entre 7 y 20 KB de la respuesta, el cuerpo de la petición pesaba entre 1 y 2,5 MB, una conexión nueva funcionó en unos 20 ms y aparecieron 200 errores en 171 incidentes a lo largo de 23 días de transcripciones, 87 de ellos a menos de cinco segundos de la llamada anterior. El núcleo práctico es una cronología de entradas reales del changelog —2.1.179 conserva lo parcial, 2.1.185 pasa el aviso de estancamiento de 10 a 20 segundos, 2.1.198 reintenta los cortes transitorios con backoff, 2.1.199 conserva lo parcial ante errores de servidor a mitad de stream y 2.1.214 desactiva el pool keep-alive tras un error de conexión obsoleta— contrastada con las versiones de los reportes (2.1.173, 2.1.181 y 2.1.183), todas anteriores a la 2.1.198. Cierra con las condiciones que suben la probabilidad, una lista de comprobación de ocho pasos, seis pautas para desarrolladores, cómo distinguirlo de Unable to connect y Prompt is too long, y una separación clara entre lo confirmado oficialmente y lo que no.

Abres Hugging Face para ejecutar un LLM local y el mismo modelo tiene un muro de archivos (Q4_K_M, Q5_K_S, GPTQ, AWQ, IQ3_M) y te quedas paralizado. Este artículo responde, de forma práctica, qué archivo cuantizado descargas para que funcione, dejando el concepto de qué es la cuantización para otro artículo y centrándose en elegir el formato. La elección son dos pasos: qué formato (= en qué motor lo ejecutas) y luego qué profundidad de bits. El hecho más importante es que un archivo cuantizado solo funciona en los motores que admiten su formato. GGUF es el único formato todoterreno local que funciona en CPU, Mac y GPU parcial (llama.cpp/Ollama); GPTQ/AWQ/EXL2 son de GPU en primer lugar (vLLM/TGI); bitsandbytes cuantiza al cargar en Transformers sin calibración. El nombre GGUF Q4_K_M son tres partes: Q4 (4 bits nominales, más alto = mejor y más grande), K (K-quant sobre superbloques; sin sufijo/_0/_1 son heredados), M (S/M/L = cuánto se mejoran algunos tensores importantes; los bits efectivos quedan por encima de la etiqueta, Q4_K unos 4,5 bpw). La familia IQ (I-quants) baja aún más de tamaño con los mismos bits, pero es más pesada en inferencia y necesita un imatrix (una matriz de importancia de la calibración que protege los pesos que importan). GPTQ minimiza el error capa por capa; AWQ protege los pesos relevantes mediante las activaciones (ninguno es mejor de forma universal). Para la profundidad de bits, ante la duda elige Q4_K_M (predeterminado de Ollama para muchos modelos), sube a Q5_K_M/Q6_K con VRAM de sobra, Q8_0 es casi sin pérdidas pero no recomendado, e IQ2/IQ3 solo para meter un modelo grande. En torno a 4,5 a 5 bpw es la banda sabrosa (una heurística). Encuentra archivos con library=gguf, bartowski/mradermacher (la actividad varía) o etiquetas de Ollama model:size-variant-quant. Los números son aproximados y varían según el modelo y la compilación.

Ahora que "pregúntale a la IA" y "que lo escriba todo la IA" son lo predeterminado, la pregunta contraria tiene filo: ¿es esta de verdad una situación en la que debería usar la IA? Este artículo no está en contra de la IA; trata de mantener el "no usarla" como una opción, precisamente para sacarle el máximo partido. La IA no es algo que usas por defecto, sino una herramienta que eliges a propósito, y usarla bien y elegir no usarla son dos caras de lo mismo. Seis situaciones donde no usarla gana: 1. aprendizaje que construye bases (el proceso de escribir para pensar es el objetivo), 2. introducir datos confidenciales o personales (no pegues nada sin revisar términos y retención), 3. decisiones finales fatales si fallan (medicina, derecho, seguridad y dinero no deben delegarse sin verificar), 4. tareas ligeras que no compensan el coste, 5. trabajo donde la confianza o la creatividad humana son el centro (disculpas, contrataciones, autoría), 6. cuando no quieres añadir un punto único de fallo (continuidad del negocio). Decide rápido con tres preguntas: ¿puedes verificar tú mismo el resultado, son solo datos que se pueden compartir y es el proceso algo que deberías estar entrenando ahora mismo? Si puedes verificarlo, los datos se pueden compartir y no necesitas entrenar, usa la IA; si no, sáltala o inserta una revisión humana. Las desventajas del uso excesivo (descarga cognitiva, aceptar errores plausibles, dependencia) se presentan como puntos de debate, no como cifras exactas. Saltarse la IA a propósito no es un freno, sino la habilidad de la otra cara que te permite ir a por todas donde encaja, y una cobertura frente a depender en exceso de la IA.

Justo después de actualizar Claude Desktop (Windows), al abrir la app aparece «Hay otro programa que está usando este archivo en este momento» y no arranca, y se queda así hasta que reinicias el PC. Es un fallo conocido de la versión de Microsoft Store (MSIX) (GitHub #53247 y otros). Lo clave: no hace falta necesariamente reiniciar por completo el PC; en muchos casos basta con cerrar la sesión de Windows y volver a iniciarla para recuperarlo (no es reiniciar el PC ni cerrar sesión en Claude), porque el handle huérfano que hay detrás persiste por sesión de usuario de Windows. Detener CoworkVMService o volver a registrar el paquete se reporta que NO funciona. Pese al texto del diálogo, está verificado que no hay ningún bloqueo de archivo en el espacio de usuario (handle.exe / Process Explorer): el fallo real está en la capa de contenedor de AppX/Desktop Bridge, en la conversión Job Object → Silo (0x80070020 = ERROR_SHARING_VIOLATION, eventos 215/208). El desencadenante tiene dos explicaciones sin resolver —el servicio reteniendo el Job Object (#57221) frente a un fallo al arrancar que deja la limpieza sin hacer (#53247)— y no se ha publicado corrección oficial. La solución permanente es cambiar a la versión Squirrel (instalador). Basado en un equipo (Windows 11 Home 10.0.26200) contrastado con issues de GitHub; con etiquetas de confianza a lo largo del texto.

El 8 de julio de 2026, OpenAI lanzó GPT-Live, el nuevo modelo que sustituye a Advanced Voice Mode y renueva la voz de ChatGPT con una arquitectura full-duplex: escucha y habla al mismo tiempo, asiente mientras hablas, encaja las interrupciones y no corta el silencio en el que piensas, con una latencia inferior a 250 ms. La inmediatez la asume GPT-Live y el razonamiento profundo y la búsqueda se delegan en GPT-5.5 (Instant/Medium/High). Free usa GPT-Live-1 mini y Go/Plus/Pro usan GPT-Live-1, en iOS, Android y web. Explicamos qué es, en qué se diferencia del modo anterior, cómo funciona, sus límites actuales (sin vídeo ni pantalla, sin API todavía) y su diferencia con GPT-Realtime-2.1.

Tras trabajar mucho rato con Claude Code, la respuesta se pone a repetir «court court court…» decenas o cientos de veces y termina deteniéndose con «API Error: Response stalled mid-stream. The response above may be incomplete.». No es un fallo de tu prompt: son dos errores conocidos que se encadenan —un bucle de repetición (degeneración) del modelo, con etiqueta area:model y bug, y la detención del stream del lado del transporte—. Este artículo explica qué es cada capa, qué la desencadena (sesiones largas, contexto grande, conexión inestable), cómo detenerla al instante (Esc → sesión nueva o /clear), cómo prevenirla desde la API/SDK (timeout de lectura, detección de repetición, límite de max_tokens) y cómo distinguirla del bug de fuga de etiquetas court/invoke.

El «API Error: 400 Output blocked by content filtering policy» que aparece de golpe en Claude Code o en la API no es un límite de uso ni un exceso de contexto: es el estado en que el filtro de seguridad detuvo la «salida» que Claude iba a devolver. Su objetivo principal es evitar la reproducción literal de obras protegidas ya existentes, y es frecuente que se produzca un falso positivo (false positive) sin ninguna mala intención al generar el texto completo de licencias estándar como MIT/Apache, en tareas de «hacer coincidir» con una fuente existente o al duplicar documentos largos. Este artículo organiza, a partir de la explicación oficial (el filtro de la fase de salida detecta la reproducción de obra protegida y bloquea con un 400), los patrones de falso positivo vistos en los issues reales de Claude Code (preparación inicial de un repositorio OSS, cotejo de listas, y el diagnóstico erróneo como límite de tokens al final de ejecuciones largas de agente), cómo solucionarlo ahora mismo (obtener con herramientas en vez de copiar literalmente, reformular el prompt hacia generar/resumir, detener el bucle de reintentos con Esc, dividir la tarea, reportar los falsos positivos al soporte) y cómo distinguirlo de Prompt is too long, usage limit, 529 Overloaded y max_tokens.

La mayor causa de que un proyecto personal no se termine es «pulir de más». A fuerza de amontonar funciones, se complica y desaparece sin llegar a publicarse. La única forma de evitarlo es reducir a una función el producto mínimo que transmite valor —el MVP— y publicarlo a máxima velocidad. Este artículo explica, desde la mirada del desarrollador en solitario que hace de la IA su compañera, la forma correcta de entender el MVP, el criterio para recortar el alcance, las dos rutas para crear a máxima velocidad con IA (vibe coding sin escribir código/la práctica escribiendo con un editor de IA), cómo saber que está «terminado» y cómo llegar a publicar y poner el producto en manos de una persona.

El fracaso más común en el desarrollo personal es «lo hice pero no lo usa nadie». Pero el verdadero cuello de botella no es la capacidad de crear, sino la captación. «Si haces algo bueno, la gente vendrá» es una ilusión: reúne clientes potenciales desde antes de crear con el Build in Public, ve a por los primeros 10 a mano y desde lo cercano —«hacer cosas que no escalan»—, y a los primeros 100 búscalos donde están (comunidades, redes) contribuyendo para que te encuentren; luego crea un tráfico continuo con SEO/AEO/LLMO. Este artículo reúne, desde la mirada del desarrollador en solitario, cómo dar esa vuelta en ese orden usando la IA para preparar el terreno.

Ahora que la IA tiene «manos para escribir código», una sola persona puede crear un producto y lanzarlo al mundo. Pero la información está dispersa por cada etapa y es fácil perderse sin saber por dónde empezar. Este artículo es el mapa completo (hoja de ruta) que va de la idea → diseño → implementación → lanzamiento → monetización: organiza el desarrollo personal en 5 fases (decidir → preparar → construir → publicar → hacer crecer), indica en cada etapa qué hacer y qué herramienta usar, y envía a guías específicas cuando hay que profundizar. Es un artículo nave nodriza (hub) que, además, guía por dos rutas: la 🌱iniciación sin apenas código y la 🔧práctica con editor de IA, para que sigas la que mejor se adapte a ti y llegues a algo que funciona sin dar rodeos. Reúne en una sola página el desarrollo guiado por especificación, los creadores de apps de IA, Claude Code/Cursor, la integración de funciones de IA (API/RAG/gateway), el despliegue, la captación con SEO/AEO, la monetización, la gestión de costes y los 5 tropiezos del desarrollo en solitario, con enlaces a las guías prácticas existentes.