2127 Los YouTubers te están haciendo gastar mucha guita en IA

La carrera por anunciar novedades puede confundirte al elegir un modelo.

Me encantan los canales de YouTube sobre inteligencia artificial. Sigo a mucha gente, aprendo y confío en varios de sus criterios. Pero también veo la otra cara: cada vez que aparece un modelo nuevo, alguien te dice que tenés que usarlo ya, como si el anterior hubiese dejado de servir de un día para otro.

Los creadores tienen su propia agenda. Buscan ser los primeros en explicar la novedad, generar comunidad y construir negocios alrededor de ese contenido. Algunos parecen sacar un video media hora después de cada presentación, aunque estén arriba de un avión. Eso puede ser útil para mantenerte informado, pero no es un criterio para elegir qué conviene en tu trabajo.

Hoy hay modelos de muchos laboratorios, abiertos y cerrados, gratuitos y pagos, accesibles desde un chat o por API. También hay distintas maneras de usarlos: dentro de una aplicación, con herramientas de trabajo o mediante agentes. A eso se suman los nombres de cada familia y sus versiones. Es un bardo, y frente a tanta opción uno puede terminar eligiendo el modelo más caro para no pensar más.

Pero usar un modelo razonador enorme para una tarea sencilla es matar moscas a cañonazos: cuesta más y a veces tarda más. Antes de pagar por lo último del último, conviene probar qué resultado te da una opción pequeña con la tarea real que querés resolver.

Más de 250 documentos necesitaban volverse fáciles de encontrar.

Te cuento lo que me pasó mientras organizaba la información de mi agencia unipersonal. Tenía que mudar parte de mis archivos a otro disco de la computadora, donde quiero trabajar con IA local. Eran más de 250 documentos de toda índole, incluidas conversaciones larguísimas con ChatGPT. Cuatro de las primeras, elegidas porque eran de las más pesadas, sumaban alrededor de 1,8 millones de tokens.

Mi primera idea fue abrir cada documento de Google Drive, ver qué había y decidir qué guardar o borrar. Abrí uno y me di cuenta de que repetir eso cientos de veces era una pesadilla. No bastaba con reconocer el tema: también necesitaba dejar asentado qué información contenía cada archivo. En una charla de 60 o 70 carillas podía haber hablado de 45 cosas distintas.

Descargué los documentos, le pedí a la IA un pequeño script para convertirlos a Markdown y los abrí en Obsidian. Ahí era más cómodo pasar de uno a otro, pero seguía siendo inviable leerlos todos. Incluso a tres minutos por documento, la cuenta daba muchas horas. La otra opción era dejarlos guardados y esperar que algún día me acordara dónde estaba cada cosa.

Yo quería que esa carpeta dejara de ser un recurso muerto. Si el año pasado se me ocurrieron guiones para Instagram en alguna de esas charlas, necesitaba poder encontrarlos, y que también pudiera recuperarlos un agente que trabajara conmigo.

Una habilidad convirtió cada charla en un documento navegable.

Armé una skill, una habilidad que le explica a un agente cómo hacer una tarea repetible. Puede invocarse cuando la necesitás o programarse para cierto momento. En mi caso, la habilidad tenía que entrar en cada documento, reconocer los cambios reales de tema, ponerles títulos y crear un índice interno. Después debía construir un índice general con el nombre de cada archivo y los temas que contenía.

Así, una conversación que empieza hablando de ChatGPT, sigue con OBS y termina con una cámara queda dividida en bloques identificables. No tuve que adivinar por el nombre del archivo dónde estaba cada idea ni recorrer páginas y páginas hasta encontrarla. El índice general me permite ubicar el documento y el índice interno me lleva a la parte que busco.

También preparé otra habilidad para limpiar contenido. Un índice puede mostrarte que media charla contiene boludeces que ya no sirven. En vez de borrar a mano dentro de una conversación de 70 carillas, puedo indicar los títulos de los bloques que quiero quitar. Primero sé qué hay; después decido qué conservar. No se trata de dejar que la IA elija sola qué tirar.

Antes de largar el lote completo, probé las habilidades con documentos sueltos y tandas chicas, corregí lo que hacía falta y recién entonces procesé todo. Ése es un detalle importante del resultado: no fue darle 250 archivos a ciegas y esperar un milagro.

El modelo pequeño resolvió el lote sin comerse la cuota.

Hice este trabajo con GPT-6 Luna en esfuerzo medio, un modelo pequeño que mucha gente descartaría de entrada. Procesó más de 250 documentos por lotes, separó los bloques, puso títulos, armó los índices internos y el general. El lote tardó alrededor de dos horas y media y, después de las pruebas y correcciones, no encontré errores en el resultado.

Además, el trabajo completo, incluida la tarde de crear y probar las habilidades, consumió menos del 15 % de mi cuota de cinco horas en un plan Plus. Con otros modelos, unas pocas interacciones me habían comido mucho más límite. Si hubiese arrancado por uno de los más potentes, quizá habría gastado la cuota antes de terminar o habría esperado una eternidad.

Esto también me sirve para el sistema de agentes que quiero montar en la nube. Si al coordinador y a todos sus subagentes les pongo el modelo más grande, tengo que vender la casa para que trabajen. Necesito saber qué tareas puede resolver un modelo chico y reservar los grandes para los casos en que realmente hacen falta.

Mi regla es probar primero el modelo pequeño en una parte acotada del proceso. Si no da el resultado que necesitás, pasás al siguiente y volvés a probar. Seguí aprendiendo de los videos, pero elegí con tus propias pruebas. De lo contrario, la urgencia por usar cada novedad puede hacerte gastar guita que podrías ahorrar o dedicar a tareas más exigentes.

Si querés que te ayude contame sobre tu negocio en el formulario.
Te voy a responder para decirte de qué manera puedo ayudarte a mejorar tu vida mejorando tu negocio con marketing.