Del código al cambio del mundo físico
Las IA modernas ya escriben código con soltura, analizan documentos y automatizan tareas rutinarias. Pero el siguiente paso realmente ambicioso es enseñar a los modelos a influir en objetos reales, no solo en sistemas digitales. Así ve el futuro Konstantin Marunchenko, un ingeniero de 21 años. Su tesis es simple: el ser humano debería poder «editar» la materia con la misma naturalidad con la que los agentes de codificación editan código de software.
Una carrera poco convencional: de los juegos a la infraestructura de IA
La historia de Konstantin no se parece al camino estándar de un graduado universitario especializado. Salió de Ucrania, conscientemente no fue a la universidad y ya a los ocho años empezó a programar. A los doce completó un curso para adultos, a los catorce consiguió su primer trabajo y a los quince fundó una empresa de juegos móviles. La empresa duró cuatro años, generó ingresos y tuvo empleados: para un adolescente, fue un curso intensivo increíble en gestión.
La siguiente etapa fue su entrada en la startup de IA Echelon, donde Konstantin fue uno de los primeros ingenieros. Ayudó a crear el núcleo de los pipelines de IA empresariales y dirigió la incorporación de empresas. Con el tiempo, el equipo creció hasta doce personas y varios contratos corporativos. Pero lo importante no son las cifras, sino la conclusión que Konstantin extrajo de esta experiencia: los sistemas reales no vienen en un formato ideal y preparado. Su estructura hay que descubrirla, no tomarla ya hecha.
Sus antecedentes en juegos también influyeron en su visión del mundo. Incluso en los juegos móviles, donde todo parece controlado, el comportamiento de los usuarios es imposible de predecir de antemano. Las personas actúan de forma inesperada, y eso obliga a tratar las predicciones con cautela. Si un producto digital es impredecible, qué decir del mundo físico.
Por qué los modelos «estrechos» no son suficientes
Muchos proyectos de robótica y automatización siguen el camino de entrenar modelos altamente especializados: uno para un brazo robótico concreto, otro para una máquina determinada, un tercero para clasificar piezas. Konstantin considera este enfoque limitado. El mundo físico no es «estrecho»: es cambiante, complejo y constantemente presenta nuevas condiciones.
Los modelos grandes pueden ser una alternativa flexible. Son menos predecibles en tareas específicas, pero saben generalizar, transferir conocimientos de un área a otra y adaptarse al contexto. Y los agentes de codificación sugieren cómo estructurar la interacción: el agente no solo da una respuesta, sino que planifica cambios, los implementa, verifica el resultado y, si es necesario, revierte.
Así deberían funcionar también los sistemas que modifican el entorno físico. La idea es que la IA ayude a la persona a planificar la operación, ajustar parámetros, probar hipótesis y supervisar el proceso, mientras la persona sigue siendo quien toma la decisión final.
Los datos reales no perdonan el descuido
El trabajo en pipelines de IA empresariales reveló otra cosa: los datos «sucios» y la incertidumbre son la norma, no la excepción. Las empresas rara vez proporcionan conjuntos de datos limpios y etiquetados. Más a menudo hay registros dispersos, formatos diferentes, factor humano e instrucciones incompletas. El ingeniero no debe esperar condiciones ideales, sino saber extraer estructura del caos.
En el software, los errores suelen poder corregirse con el siguiente commit. En el mundo físico es diferente: los cambios en materiales, recursos, máquinas y entorno pueden ser directos e irreversibles. Por eso, estos sistemas deben construirse con especial cuidado. Lo ideal es empezar con pasos pequeños, probar hipótesis en simulación y solo después trasladarlas a objetos reales.
Cuanto más potente es la IA, más importante es el juicio humano
La principal paradoja de la que habla Konstantin es el papel del ser humano a medida que las herramientas de IA se fortalecen. Podría parecer que cuanto más inteligente es el modelo, menos participación del especialista se necesita. En realidad es al revés: cuanto más sabe hacer la IA, más crítico resulta elegir la tarea correcta y verificar si siquiera vale la pena resolverla.
En los juegos móviles es fácil lanzar una función que no conecte con la audiencia y recibir rápidamente una reacción negativa. En los sistemas reales, el costo de una decisión incorrecta es mucho mayor. Por eso, el futuro que imagina el joven ingeniero no solo implica acelerar el desarrollo, sino también una gestión del cambio más precisa y responsable. La IA puede convertirse no en un dictador, sino en un socio: planifica, ajusta, prueba y supervisa, pero la persona conserva la última palabra.
Quizás pronto escribir un prompt se parezca menos a una consulta a un chatbot y más a un plano de un cambio futuro. Lo importante es desarrollar una cultura de la precaución antes de que estas herramientas comiencen a usarse masivamente en la producción, la energía y el entorno urbano. El mundo físico es demasiado importante como para permitir que los modelos aprendan en él por ensayo y error.
