Serie AI-Native · Ingeniería del aprendizaje
Le di la Lección Amarga (The Bitter Lesson) a mis agentes. Se comió primero mi método de estudio.
La idea en un minuto — con qué te vas a quedar
La Lección Amarga (The Bitter Lesson) de Sutton dice que los métodos generales que aprovechan el cómputo superan al conocimiento humano artesanal — y tus hábitos de estudio están en esa misma gráfica: subrayar y releer son los priors artesanales (arranque rápido, techo duro); dibujar, enseñar, evaluarte y espaciar son los métodos generales que siguen subiendo. Los agentes simplemente hicieron que ese buen ciclo saliera casi gratis. Un modelo mental, diez referencias verificadas, tinta real, y el único paso que las máquinas nunca dan: hacer clic en Publicar.
En 2019 leí The Bitter Lesson de Rich Sutton e hice lo que la gente educada hace con los ensayos importantes: asentí, subrayé, le dije a un colega que era "tan cierto". Prueba rápida, siete años después — ¿podía recitar tres frases del ensayo? No podía. Mi resaltador tampoco podía, y eso que estuvo ahí todo el tiempo.
El ensayo, de un tirón
La frase inicial de Sutton, tal cual fue escrita[1]:
El ajedrez cayó ante la búsqueda, no ante la intuición de los grandes maestros. El Go cayó ante el autoaprendizaje, no ante los proverbios. El habla cayó ante la estadística, no ante los fonemas; la visión, ante características aprendidas, no ante bordes dibujados a mano — cuatro adelantamientos que el propio Sutton repasa[1]. Cada vez, investigadores que habían codificado con esmero el conocimiento humano artesanal vieron cómo un método general hambriento de cómputo los superaba en cuanto el hardware se ponía a la altura. La animación repite el adelantamiento, campo por campo — el gris es el enfoque artesanal; el naranja llega tarde y sin modales:
heurísticas → búsqueda
patrones → autoaprendizaje
fonemas → aprendizaje
características → CNNs
setenta años, cuatro campos, un mismo giro argumental — repetido hasta la amargura
El chiste que tardé siete años en entender
Aquí está la parte que me gustaría tener fechada en 2019. El ensayo lo advierte, textualmente[1]:
Ahora fíjate cómo la estaba estudiando. Subrayar — mis conjeturas hechas a mano sobre qué frases importan. Resumir — mi compresión artesanal. Asentir — mi inferencia favorita de cómputo cero. Todo mi método de estudio era conocimiento humano artesanal sobre mi propia mente. Estaba desobedeciendo el ensayo como técnica para asimilar el ensayo. La Lección Amarga (The Bitter Lesson) tiene una cláusula para gente como yo; la había subrayado.
El único modelo mental de este artículo: tus métodos de estudio también están en la gráfica de las dos curvas. Los métodos intuitivos — subrayar, releer, resumir — suben rápido y llegan a un techo: el de tu propia introspección. Los métodos generativos — dibujarlo, enseñarlo, ponerte a prueba, espaciarlo — empiezan más lento y siguen subiendo, porque convierten el tiempo (y ahora el cómputo) en memoria, tal como la búsqueda y el aprendizaje convierten el cómputo en capacidad. La misma gráfica. Tú estás en ella.
Lo que dice un siglo de evidencia (y esto no son solo vibras)
La ciencia cognitiva ha corrido exactamente este mismo torneo desde antes de que existieran las computadoras, y ahí también ganan los métodos generales. Releer pierde contra la práctica de recuperación: una semana después de estudiar, quienes practicaron recuperación retuvieron el 61% frente al 40% de quienes releyeron (Roediger & Karpicke, 2006[2]) —anticipado por los experimentos de recitación en el aula de Gates en 1917[3]. Dibujar le gana a mirar fijamente: el dibujo generado por el propio estudiante superó a los controles en 26 de 28 estudios, con un tamaño del efecto (mediana) de d = 0.40[4]. Enseñar le gana a consumir: en la revisión de estrategias generativas de Fiorella & Mayer, explicarle a alguien más figura entre las intervenciones más potentes medidas[5]. El espaciado le gana al atracón de estudio, verbatim desde 1885[6]:
Y aquí viene el giro que conocen los expertos, y que duele: la psicología ha sabido todo esto desde hace prácticamente siempre, y la educación en su mayoría lo ignoró. El artículo de 1988 de Frank Dempster en American Psychologist lleva, literalmente, este título: "The Spacing Effect: A Case Study in the Failure to Apply the Results of Psychological Research" (Traducción: "El efecto de espaciado: un estudio de caso sobre el fracaso en aplicar los resultados de la investigación psicológica")[7] — el hallazgo mejor replicado del campo, y aun así nunca se aplicó. Tenemos el algoritmo de estudio correcto desde 1885. Y, aun así, seguimos releyendo, porque releer se siente como aprender. La ilusión de fluidez es el flogisto del estudio, y tu resaltador es un prior humano con excelente marketing.
Lo que cambió en los últimos 30 meses es el precio de ejecutar el algoritmo correcto. Un ensayo aleatorizado de Harvard: estudiantes con un tutor de IA ajustado pedagógicamente aprendieron más del doble, en menos tiempo, que los estudiantes del aula de aprendizaje activo del mismo curso[8]. Un ensayo aleatorizado del Banco Mundial en Nigeria: seis semanas de tutoría con GPT-4 con barreras de seguridad produjeron ganancias equivalentes a entre 1.5 y 2 años de escolaridad convencional[9]. Ambos equipos atribuyen el mérito a la pedagogía, no al modelo. El cómputo no reemplazó el ciclo generativo: lo abarató.
Así que ejecuté el experimento sobre el propio ensayo
Una sola frase para el enrutador de mis agentes: "learn The Bitter Lesson deeply, with an animation for each key idea, and sketch its two curves by hand." (Traducción: "aprende The Bitter Lesson a fondo, con una animación para cada idea clave, y dibuja a mano sus dos curvas.") El enrutador — un programa determinista cuyos veredictos son casos de pytest, dentro de mi allin-anything superrepositorio — nombró a tres órganos, y el conjunto de pruebas de cada uno dio verde antes de que se le otorgara confianza: un ciclo de aprendizaje por enseñanza (teach-back) (15 pruebas + smoke), un linter ejecutable para la elaboración de animaciones (100/100), y penecho, un lienzo de pluma a digital (200 pruebas en un commit fijado). Luego el pipeline hizo lo que la ciencia ordena: dibujó, animó y estructuró todo para el teach-back. Esta figura es tinta real — mis trazos en el lienzo de penecho, exportados por su propio renderizador:
la misma figura en movimiento — la curva gris se satura; la naranja todavía está acelerando cuando termina el cuadro
Dos animaciones más de las cinco que mis agentes crearon, porque los mecanismos merecen movimiento. Los dos métodos de Sutton que escalan[1] — la búsqueda como un árbol que se ensancha con el presupuesto, el aprendizaje como una bola que encuentra el fondo sin que nadie le diga dónde está el fondo:
la búsqueda se ensancha con el presupuesto (azul) · el aprendizaje desciende por la superficie de pérdida (naranja)
Y el antipatrón, animado — por qué los priors se convierten en un techo. Un aprendiz crece dentro de la caja de lo que logramos codificar y choca con la tapa; el otro crece contra el cómputo y no lo hace:
la caja ES la meseta — tanto para los sistemas de IA como para los métodos de estudio
La cadena se ejecutó hasta el final y luego hizo lo único que insisto en que las máquinas nunca hagan: se detuvo. Publicar esta página fue un clic humano — el mío. Mis agentes dibujaron el gráfico de su propia superioridad, lo animaron en cinco escenas y luego esperaron educadamente el permiso, porque la compuerta humana está soldada a la definición de la cadena y una prueba falla si alguien la elimina. Las máquinas están ganando, pero están ganando con modales. Nunca me había sentido tan redundante y tan esencial en la misma tarde.
Patrón: apostar por métodos que mejoran cuando el presupuesto se duplica — en los sistemas de IA (la búsqueda y el aprendizaje de Sutton) y en tu propio estudio (generación y espaciamiento).
Antipatrón: codificar tu introspección como el pipeline — características visuales en 2005, reglas gramaticales en 1985, tu resaltador el martes pasado. Victorias tempranas, techo duro.
Mecanismo: los actos generativos (dibujar, enseñar, autoevaluarse) fuerzan la recuperación y la reconstrucción, que es justo lo que escribe memoria duradera — exactamente como la búsqueda y el aprendizaje convierten cómputo bruto en capacidad sin ayuda humana. Los agentes hacen que el ciclo generativo salga casi gratis de ejecutar; no lo reemplazan.
Ponlo a prueba esta semana (la parte SMART)
Específico: elige UN texto denso que ya te haya rebotado antes. Accionable: exige generación desde tu primera frase — "aprende X a fondo, con una animación por cada idea clave, y un boceto a mano de su figura central" — y dirígete a herramientas que te hagan producir, no consumir; si una herramienta dice ayudarte a aprender, pregunta cuál es su equivalente de un conjunto de pruebas. Medible: dentro de siete días, recita antes de releer — el experimento de Gates, 1917[3]; si no puedes reconstruir la figura central de memoria, el método falló, no tú. Con plazo definido: todo el ciclo cabe en una tarde; el mío cupo, y guardé los comprobantes[10]. Relevante: estás leyendo un ensayo sobre cómo el cómputo vence a los priors, en la década que hizo el cómputo casi gratis. El gráfico no te está esperando.
Referencias (cada enlace verificado al momento de la publicación)
- Sutton, R. (2019). The Bitter Lesson. Todas las citas son textuales del ensayo original (obtenidas y cotejadas carácter por carácter al momento de la publicación).
- Roediger, H. L. & Karpicke, J. D. (2006). Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention. Psychological Science 17(3) — 61% vs 40% de retención a la semana.
- Gates, A. I. (1917). Recitation as a Factor in Memorizing. Archives of Psychology, №40.
- Schwamborn et al. / Fiorella & Mayer (2016). The generative drawing principle in multimedia learning — el dibujo superó a los controles en 26 de 28 estudios, tamaño del efecto (mediana) d = 0.40.
- Fiorella, L. & Mayer, R. E. (2015). Learning as a Generative Activity. Cambridge University Press — las ocho estrategias generativas; enseñar figura entre las más fuertes.
- Ebbinghaus, H. (1885/1913). Memory: A Contribution to Experimental Psychology, cap. 8 — cita textual de la traducción de Ruger & Bussenius.
- Dempster, F. N. (1988). The Spacing Effect: A Case Study in the Failure to Apply the Results of Psychological Research. American Psychologist 43(8).
- Harvard Gazette (2024), sobre el ECA de Kestin et al. Professor tailored AI tutor to physics course. Engagement doubled. (Traducción: Un profesor adaptó un tutor de IA para su curso de física. El compromiso se duplicó.) — 194 estudiantes, más del doble de aprendizaje en menos tiempo.
- World Bank (2025). From chalkboards to chatbots in Nigeria — ECA de seis semanas con GPT-4 supervisado; ganancias equivalentes a 1.5–2 años escolares.
- Los comprobantes de la ejecución —conteos de pruebas, códigos de salida, commits fijados, el diario de AutoRunner— en github.com/wjlgatech/allin-anything (recorrido: article-to-animated-understanding); demo en vivo en allin-anything-demo.vercel.app.
Paul Jialiang Wu · agentic-portfolio-lovat.vercel.app · la versión cruda del artefacto de seis sesiones de esta página va dentro del repositorio allin-anything; este ensayo es lo que me enseñó