

Juan Franco
6.9K posts








Llevo metido dos semanas en un paper de economistas del MIT y UCLA y salgo del mismo convencido de que por fin he dado con un marco desde el que discutir muchos de los efectos de la inteligencia artificial agéntica en el empleo, en la economía, en los juniors, en los riesgos para el sistema... La idea central es esta: conforme la IA pasa de asistir a ejecutar tareas completas, el cuello de botella deja de ser la inteligencia y pasa a ser la verificación humana. Es decir: automatizar será cada vez más barato, pero comprobar que el resultado es correcto no cae al mismo ritmo. Porque verificar depende de tiempo experto, responsabilidad y, sobre todo, de algo decisivo: la latencia de feedback. No cuesta lo mismo validar un código que falla al compilar en segundos que una decisión financiera o educativa cuyos errores tardan años en aparecer. A partir de ahí, el paper divide la economía en cuatro zonas: tareas baratas de automatizar y fáciles de verificar; tareas difíciles de automatizar pero verificables; tareas ni automatizables ni verificables; y la zona realmente peligrosa, donde automatizar es barato pero verificar es caro o directamente inviable. Ahí está el riesgo. No porque la IA “falle” de forma visible, sino porque puede producir resultados plausibles, útiles en apariencia y económicamente rentables, mientras oculta errores cuyo coste acaba absorbiendo el resto del sistema. Como una forma de contaminación: el beneficio es privado, pero el daño potencial se socializa. La tesis fuerte no es solo que sufran los trabajos rutinarios. Es que, en un mundo de agentes, lo más vulnerable será lo medible. Y que el valor se desplazará hacia quien pueda verificar, garantizar y asumir responsabilidad sobre el resultado. Mucho más desarrollado en: error500.net/p/la-naturalez…



Introducing Open Collider: an open-source engine that mechanically improves LLM creativity. It generates non-trivial, high-quality ideas at scale, for any ideation problem. LLMs collapse on the same ideas. Sample the same brief 100 times → most outputs land in the same place. Researchers call it the Artificial Hivemind (Jiang et al., 2025). "Be more creative" moves the LLM's output by ~0.04 in embedding space. Forcing structurally distant domain collisions moves it by ~0.28. 7× more. Same model, same brief. So I built Open Collider: a pipeline based on the theory of bisociations (Koestler 1964), the same model that drives human creativity. 📊 Across 12 real-world ideation problems: • 12/12 sign-test wins on embedding distance (p = .0002) • 60%+ originality wins on 4,320 blind LLM-judge verdicts • 4–13× further from the default cloud than "be original" prompts or longer context • Idea relevance holds (win rate >50% on overall quality) 💻 Engine: first reply 👇 📝 Launch study: pinned tweet Try it, Break it, Tell me what you find!















