Deja de pagar precios frontier por trabajo que una IA barata haría igual de bien

Por Nate.

Nate arranca su newsletter con un caso concreto: Fable 5 volvió ayer tras estar más de dos semanas fuera de servicio, pero esta vez con condiciones distintas —límites de uso, un modelo de créditos y un filtro que redirige parte del trabajo hacia un modelo más débil. Para Nate, lo importante no es si el servicio está caído, activo o cambiado respecto a su lanzamiento original, sino la lección de fondo: no podemos depender de que la inteligencia artificial esté disponible siempre en un formato de modelo concreto o a través de una vía de acceso concreta. En sus palabras, alquilamos la inteligencia, no la poseemos.

Esa idea cambia, según el autor, cuál es la habilidad que realmente importa hoy. Cuando el modelo que quieres usar puede ser limitado, repriced (recotizado) o retirado detrás de una nueva política de un día para otro, la jugada útil ya no es tener un modelo favorito. Lo que hay que aprender es a decidir qué inteligencia aplicar a qué tarea, de modo que cuando una vía se cierre ya sepas hacia dónde mover el trabajo.

Nate sostiene que la mayoría de la gente no hace esto: abrimos el mismo modelo por costumbre, pagamos precios de frontera (frontier) por tareas que un modelo más barato resolvería igual de bien, y nos quedamos bloqueados cuando ese modelo desaparece o cambia de condiciones. Mientras tanto, el usuario típico tiene una presentación que montar, una llamada que resumir, una hoja de cálculo que limpiar, un bug que arreglar, y treinta minutos antes de la siguiente reunión. No necesita una tesis geopolítica sobre el mercado de IA antes del desayuno: necesita saber qué IA abrir primero.

El correo adelanta el contenido de la pieza completa (accesible para suscriptores de pago), estructurado en varios bloques:

Primero, 'la jugada de enrutamiento que las empresas ya hicieron': Nate menciona a Coinbase y Cursor como ejemplos de compañías que dejaron de enviar todas sus tareas al modelo frontier, y qué nos dice eso sobre cómo gestionamos (y pagamos) nuestra propia factura de IA.

Segundo, 'empieza por la tarea, no por el modelo': un conjunto de preguntas que, según el autor, deberían decidir hacia dónde va el trabajo antes incluso de que entre en juego el nombre de un modelo concreto.

Tercero, una clasificación en tres niveles —'daily driver' (uso diario), 'workhorse' (caballo de batalla) y 'frontier' (modelo de frontera)— con criterios sobre cuándo merece la pena pagar por amplitud de capacidades, cuándo un modelo barato es la mejor opción, y cómo distinguir de antemano un caso del otro.

Cuarto, un apartado sobre 'especialistas para sentidos, fuentes y acciones', en el que Nate argumenta que, cuando una tarea requiere de visión, datos en vivo o capacidad de actuar (acciones), lo que importa menos es el modelo concreto y más el 'harness' (el andamiaje o infraestructura que envuelve al modelo).

Finalmente, el correo promociona un 'prompt selector de modelos' (model-picker prompt): una herramienta a la que describes cualquier tarea y que te indica qué IA abrir, cómo verificar el resultado, y qué trabajo puedes migrar de forma segura fuera del modelo caro esta misma semana.

Nate cierra con la idea de que el mercado de modelos se está volviendo simultáneamente más amplio, más barato y más confuso, por lo que su recomendación es describir el trabajo antes de elegir el modelo. El acceso al análisis completo, la guía y el prompt mencionado, así como la membresía a su comunidad de Slack, quedan reservados para los suscriptores de pago de su Substack.