Guías, comparativas y novedades sobre herramientas de IA

GPT-4 se entrenó en unas 25.000 GPU durante meses, y el entrenamiento de GPT-3 por sí solo consumió 1,287 MWh (más de un siglo de energía doméstica). Detrás de nuestro casual "resume esto" se esconde un mundo de física y dinero. Este artículo disecciona un LLM desde tres direcciones: mecanismo, energía y dinero. (1) ¿Por qué un LLM puede predecir palabras a partir de una pila de "pesos (parámetros)"? — predicción del siguiente token, Transformer, Attention. (2) El aprendizaje en dos etapas: preentrenamiento y RLHF. (3) La energía de inferencia de 0,43-33 Wh por consulta (la inferencia es el 80-90% de toda la energía de IA). (4) ¿Es cierto que "el desarrollo de frontera es una guerra de dinero"? — $200-500M por entrenamiento de clase GPT-5, $1-3B proyectado para 2027. (5) Pero la contracorriente de la eficiencia (el reinicio del suelo de DeepSeek) también es fuerte. (6) El muro físico que viene de energía, interconexión y escasez de datos. Una guía intermedia para ver un LLM no como una caja mágica sino como una máquina de probabilidades alimentada por electricidad.

Las 6 fases del desarrollo de sistemas — requisitos, diseño, implementación, pruebas, despliegue, operaciones — apenas habían cambiado en más de 20 años. En 2025–2026 el flujo se ha reescrito desde los cimientos. Gartner pronostica que para 2028 el 90% de los desarrolladores empresariales usará asistentes de codificación con IA; Cursor ahorra 18 horas al mes (ROI de 36×); Claude Code completa refactorizaciones multi-archivo complejas en 10–180 minutos con un 89% de éxito. Este artículo cubre la inversión del reparto de tiempo en el SDLC (implementación 40 → 10%, requisitos 10 → 25%, diseño 15 → 30%), el estado actual y las principales herramientas de cada fase (Claude Code, Cursor, Copilot, v0, Bolt), el problema de calidad de Lightrun 2026 (43% de los cambios generados por IA necesitan depuración en producción), el cambio generacional Waterfall → Agile → AI-Native, 7 transformaciones de rol (PM, diseñador, PG junior, PG sénior, QA, SRE, tech lead) y las 3 trampas del SDLC liderado por IA (fragilidad de calidad, colapso de la formación junior, pérdida de conocimiento tácito) con remedios, todo basado en hechos de mayo de 2026. "Un ingeniero con solo capacidad de codificar" es la mayor mina profesional a partir de 2027.

Las cinco sogo shosha japonesas (Mitsubishi, Mitsui, Itochu, Sumitomo, Marubeni) registraron beneficios casi récord en FY2024 y Berkshire Hathaway posee cerca del 10% de cada una — pero bajo ese récord, un cambio estructural sacude el modelo central. El foso histórico, la "asimetría de información," se esfuma a medida que Bloomberg, SaaS, IA generativa e imágenes satelitales convierten la inteligencia en commodity. El 19 de mayo de 2026, el LDP japonés adoptó "IA de nueva generación x finanzas on-chain": la IA identifica y ejecuta operaciones comerciales; la blockchain las liquida. El 70% del trabajo típico del shosha-man (inteligencia, documentos, crédito, logística, cobertura cambiaria) se automatiza para 2030. Las estrategias de las cinco grandes se han polarizado: Itochu (downstream x IA x Silicon Valley) tomó el número 1; en Mitsubishi se reporta que "DX" desapareció del informe integrado 2026. Tres estrategias de supervivencia (holding de inversión estilo Berkshire, expansión downstream, organización AI-nativa), tres capas de carrera del shosha-man (junior alto riesgo, intermedio en transformación, GM+ reforzado), y la ampliación de la brecha sogo vs especializadas, todo basado en datos de mayo de 2026.

Ya has leído suficiente sobre "la IA te va a quitar el trabajo". El WEF Future of Jobs Report 2025/2026 dice lo contrario: "92M desplazados para 2030, pero 170M creados — neto +78M." Este artículo inclina la balanza hacia lo positivo: hacia dónde mover tu carrera. Los trabajos resistentes a la IA comparten tres principios (encarnación, criterio con alta responsabilidad, creatividad x relaciones) más una cuarta categoría irónica (las personas que operan la IA: ingenieros de ML, AI PM, especialistas en seguridad, en plena explosión). El artículo mapea las 4 categorías con ejemplos concretos, lista 15 roles de alto crecimiento con salario y datos de EE.UU. (nurse practitioner $130K +52%, electricistas $200K+ en grandes ciudades, cirujanos $400-700K+, ingenieros de ML $250-500K+, AI safety $500K-1M+), y presenta cuatro movimientos de pivote (promociónate a operador de IA, profundidad de industria, reevalúa el trabajo encarnado, invierte en capital relacional), todo basado en datos del WEF/BLS/BCG a mayo de 2026. La imagen del siglo XX de "cuello azul en riesgo, cuello blanco a salvo" se ha invertido por completo.

⚠️ Claude Cowork se unificó con el chat el 16 de septiembre de 2026 y dejó de ser una entrada independiente (las funciones siguen ahí y se usan desde cualquier conversación). Lo que sigue es la explicación de su contenido. Un equipo de cinco personas recuperó entre seis y ocho horas a la semana solo en organización de archivos y preparación de informes; un usuario vació una carpeta de Descargas con 2.200 archivos en veinte minutos. Claude Cowork es el espacio de trabajo con IA que Anthropic lanzó en 2026 para que la IA toque directamente tus archivos, carpetas y aplicaciones y ejecute un ciclo completo de observar → planificar → ejecutar → dirigir. Cualquier plan de pago a partir de Pro a 20 $ te da acceso en macOS o Windows. Cowork se conecta directamente con Google Drive, Gmail, Slack, Jira y DocuSign mediante conectores oficiales, y la capa de plugins permite a las organizaciones incrustar su conocimiento departamental. Enterprise añade RBAC, topes de gasto y OpenTelemetry. Puedes tocar Cowork desde Pro a 20 $, pero las tareas de Cowork consumen entre 50 y 100 veces más tokens que el chat, así que para uso diario Max a 100 $ es la línea realista. Este artículo cubre qué hace Cowork, por qué se creó, el bucle de trabajo de cuatro pasos, los principales conectores, los plugins y funciones empresariales, la línea real de coste y cómo repartir las peticiones tras la unificación: preguntar en corto, indicar el objetivo y delegar, o pasarlo a Claude Code.

En 2023, un abogado de Nueva York citó en el tribunal seis precedentes generados por ChatGPT, y los seis no existían. Así es como se ven los problemas con la IA. Este artículo ordena los problemas representativos del uso de la IA en siete categorías —alucinación, fuga de confidenciales, derechos de autor, inyección de prompts, exceso de confianza, AI slop y dependencia excesiva— y recorre el incidente típico (incluidos los casos de Avianca y Samsung), la causa y la prevención. La raíz se condensa en tres: «la comodidad nos baja la guardia, dejamos de verificar, la responsabilidad se difumina». Por eso las contramedidas son comunes: verifica la información importante en una fuente primaria, trata la confidencialidad con el mismo peso que el correo externo, deja las decisiones finales a los humanos, reserva un día sin IA por semana para las habilidades centrales. Para las organizaciones: distribuye esta semana una guía de uso de IA de una sola página, imperfecta, en lugar de esperar medio año por un reglamento perfecto. A mayo de 2026.

Hay quien dice "con la IA gratis sobra" y quien dice "la versión gratuita no sirve". Cuando el veredicto se divide así de tajantemente incluso entre quienes usan el mismo ChatGPT, no es una cuestión de capacidad, sino de si sabes "en qué punto del plan gratuito chocas contra el muro". A mayo de 2026 los planes gratuitos de ChatGPT, Claude y Gemini son todos realmente prácticos, pero sus formas son completamente distintas. ChatGPT tiene el conjunto de funciones más amplio pero el límite de recuento más estricto en su modelo superior (el muro se recupera en unas horas). Claude ofrece análisis y redacción de textos largos de alta calidad pero el recuento diario más bajo, con un confuso tope dual de ventana corta más ventana semanal. Gemini tiene los límites de uso más holgados y una fuerte integración con Google. Este artículo ordena por qué "gratis" significa cosas distintas en los tres, qué puede hacer cada uno y dónde está su muro, una tabla de referencia rápida por caso de uso, tres consejos para aprovechar el plan gratuito y las señales de que es hora de considerar un plan de pago.

En 2025, el número de ofertas de un rol creció en un extraordinario 1.165% interanual: el FDE, el Forward Deployed Engineer. ¿Por qué un trabajo discreto que Palantir sistematizó a lo largo de unos 20 años se ha convertido de repente en "el título más codiciado" en 2026? Un FDE es "un ingeniero que lleva el producto de su propia empresa al lugar del cliente y se hace cargo personalmente, de principio a fin, de la observación, el diseño, la implementación, la operación y la retroalimentación de producto." La IA generativa arrastra una última milla de "la demo funciona pero no funciona in situ", y el FDE es el rol que la cierra a mano. Este artículo cubre la definición, por qué el rol explotó en 2026 (la avalancha de contratación de OpenAI, Anthropic y Google), el ciclo de trabajo de 5 etapas, el salario y la carrera (promedio de Palantir 238.000 USD, nivel staff más de 630.000 USD), la diferencia con SE / consultor de TI / Applied AI Engineer, a quién le encaja y a quién no, y cómo llegar hasta ahí sin experiencia, todo con los datos más recientes de mayo de 2026.

Llamadas en frío, correos de primer contacto, construcción de listas, agendado de reuniones: a mayo de 2026 ya no son trabajo humano. El mercado AI SDR proyecta $4.27B (2025) -> $5.22B (2026) -> $24.32B en 2034 (CAGR 21.2%). 11x.ai, Outreach, Salesforce Einstein SDR, Smartlead y Amplemarket venden "equipos SDR 100% IA que trabajan 24/7 sin dormir." Coste: SDR humano $50K-$80K/año vs AI SDR $200-$2,000/mes, 30x a 400x más barato. Este artículo cubre el boom AI SDR, el mapa de 4 capas de ventas que desaparecen vs. sobreviven (listas/cualificación/cierre/enterprise), siete herramientas comparadas, la predicción de Gartner de que el 75% de los compradores B2B preferirá ventas con prioridad humana en 2030, cuatro razones por las que la venta enterprise sobrevive, tres cambios de skill de supervivencia (operador de IA, profundidad de industria, capital relacional) y qué deben hacer los directivos, todo basado en mayo 2026.

"Claude Code editó el archivo, ahora cambia al terminal, git push, cambia al navegador, abre el panel de Vercel..." Eso era lo normal hasta 2025. Desde mayo de 2026, Vercel publica oficialmente sus Agent Skills (vía MCP) y un plugin para Claude Code, y Cursor se conecta con un único archivo .cursor/mcp.json. Editar código, construir, desplegar, comprobar la URL de preview, actualizar variables de entorno, hacer rollback: todo ocurre dentro del agente de IA. La realidad de 2026 es combinar tres enfoques. (1) Mínimo (git push, despliegue automático en 60-90 segundos) basta para desarrollo en solitario. (2) MCP-Direct (Vercel Agent Skills) deja que Cursor o Claude Code llamen a vercel deploy directo, ideal para quien cambia de entorno a diario. (3) GitHub Actions + Claude Code Action permite "comentar @claude en un PR, la IA arregla y vuelve a desplegar el preview", perfecto para culturas con mucha revisión. No hay un mejor absoluto: hay un mejor para tu flujo. Las minas más grandes son las fugas de variables de entorno y la explosión de costes; defiéndete con spending limit, previews restringidos y Cloudflare como proxy. Este artículo cubre las tres implementaciones, la estrategia de preview (A/B, staging permanente, revisión con cliente) y las cuatro trampas (env, costes, conflictos de PR, rollback olvidado), todo con código que funciona, basado en datos de mayo de 2026.

"Tengo una idea para una web app, pero no sé programar". Ese muro acaba de derrumbarlo la nueva ola de generadores de apps web con IA. Escribes "construye una app de Todo" y diez minutos después tienes una app funcionando, una URL de despliegue y un repositorio en GitHub. El top tres en 2026 son v0 (Vercel), Bolt.new (StackBlitz) y Lovable. Lovable alcanzó 20M de ARR en 2 meses, el crecimiento más rápido en la historia de las startups europeas; Bolt.new llegó a 40M en 6 meses; v0 sumó integración con Git, conectividad con bases de datos y workflows agénticos en febrero de 2026. La clave: no son el mismo producto, son tres categorías distintas. v0 es especialista en frontend + ecosistema Vercel, Bolt es multi-framework + desarrollo solo en navegador, Lovable es full-stack + Supabase integrado + apto para no ingenieros. Para un PoC o demo, las tres valen; para producción a largo plazo aparecen diferencias enormes. Este artículo cubre la esencia de cada herramienta, comparativa detallada (planes, frameworks, DB, auth, deploy, Figma), recomendación por caso de uso (landing/MVP/multi-framework/Figma/prototipo→producción/equipo), resultado de pasar el mismo prompt de Todo app por las tres, las tres trampas (quema de tokens, agujeros de seguridad, lock-in) y un diagrama de decisión 2026 en 6 preguntas — todo basado en hechos a fecha de mayo de 2026.

Lanzaste con la API de OpenAI, pero quieres probar Claude y Gemini — y acabas reescribiendo la misma lógica para tres SDK diferentes. El Vercel AI SDK (desde 2026 solo "AI SDK") lo reduce a un import, una función, todos los proveedores. Librería open source en TypeScript con más de 20 millones de descargas mensuales; el AI SDK 6 trae Agents, MCP, aprobación de herramientas y DevTools, y en mayo de 2026 es el estándar de facto para una interfaz LLM unificada. Si llamas a LLMs desde una web app o un proyecto Node.js en 2026, el AI SDK es el default correcto, punto. Las únicas excepciones son código heredado y funciones de vanguardia recién salidas. A cambio obtienes cambio fácil de proveedor, un tercio de la implementación, seguridad de tipos e integración con React. Este artículo cubre qué es el AI SDK, las tres razones para usarlo, una guía rápida de 5 minutos (generateText a streamText), salida estructurada con generateObject + Zod, tool calling y agentes (el corazón del AI SDK 6), una UI de chat en 10 líneas con useChat, cambio entre Claude/GPT/Gemini en 3 líneas y las tres trampas de producción (diferencias entre proveedores, aborto de stream con facturación y sobrecarga de inferencia de tipos). Todo basado en el AI SDK 6 a fecha de mayo de 2026.