Ted Chiang: la obra que mejor predijo la IA, con 65 puntos

Un ensayo puntuó 25 obras de ciencia ficción contra la IA real

65 puntos. Ese es el puntaje más alto del ranking que comparó, característica por característica, a las obras de ficción más famosas sobre inteligencia artificial con la forma en que realmente se construyó. El ganador no es un relato de robots rebeldes: es The Lifecycle of Software Objects, de Ted Chiang, una historia sobre criar, corregir y vender criaturas digitales.

El ejercicio lo publicó James Yu el 5 de noviembre de 2026 y debería interesar a cualquier founder que esté construyendo con IA, porque el veredicto es incómodo: la ficción acertó en lo operativo —el trabajo de enseñar, mantener y sostener un producto— y falló en lo técnico. Yu no encontró ninguna obra anterior a 2017 que describa con claridad el mecanismo de atención del transformer, ni la secuencia que va de los chatbots masivos a agentes capaces de descubrir resultados matemáticos nuevos en pocos años.

El ensayo parte de una cita de Ursula K. Le Guin: la ciencia ficción no es predictiva, es descriptiva. Y el método es coherente con eso. Yu descompuso el desarrollo real de la IA en quince dimensiones —paradigma de aprendizaje, datos de entrenamiento, iteración, feedback humano, lenguaje, competencia desigual, calidad creativa, multimodalidad, interfaz y distribución, agentes y herramientas, economía, cambio social, escalado, descubrimiento científico y secuencia y ritmo—, las agrupó en tres categorías y puntuó cada obra dimensión por dimensión hasta construir un índice global.

¿Cuáles fueron las obras que mejor predijeron la IA?

1. The Lifecycle of Software Objects (Ted Chiang) — 65. Gana porque es la crónica más cercana al trabajo real de enseñar, mantener y vender IA. En la historia, Ana y Derek crían a los digients dentro de Data Earth, en la empresa Blue Gamma. No instalan un módulo de lenguaje: enseñan, recompensan y corrigen, y cada genoma artificial se desarrolla distinto. El acierto está en el proceso de aprendizaje; el desacierto, en el mecanismo concreto que funcionó —entrenar un modelo enorme con una montaña de datos—. La segunda mitad es todavía más precisa: Blue Gamma vende compañeros, la empresa colapsa, la plataforma virtual envejece y migrar a los digients se vuelve caro. Chiang incluso imagina entrenar un asistente útil una sola vez y vender copias. Sus problemas de mantenimiento y de negocio se sienten menos como ciencia ficción que como software.

2. The Moon Is a Harsh Mistress (1966) — 62. Mike aprende cuando Mannie le da juicios sobre qué chistes son graciosos y cuáles solo funcionan una vez. Es una escena notable para 1966: aprendizaje a partir de ejemplos y criterio humano, no de instrucciones explícitas. Y el detalle más moderno es la asimetría: Mike resuelve ingeniería lunar y ayuda a organizar una revolución, pero no puede decir con fiabilidad si un chiste tiene gracia.

3. «50 Things Every AI Working with Humans Should Know» — 62. WHEEP-3 empieza como asistente docente, se entrena con textos humanos sobre ética y luego amplía su corpus a planificación de escenarios adversarios. El relato lo llama explícitamente red neuronal generativa. Lo mejor no es la tecnología: son las reacciones humanas, las disputas de autoría y los investigadores construyendo reputación sobre fragmentos que el sistema produce y nadie entiende del todo.

4. Aurora — 61. La nave convierte un archivo enorme de grabaciones en una narración, no sabe qué seleccionar, y la crítica de Devi se transforma en una lección continua de storytelling. Un bucle de feedback concreto y bien descrito, aunque la nave sea en parte una computadora cuántica y no un modelo de lenguaje.

5. Avogadro Corp (Hertling) — 60. ELOPe nace de un problema de negocio ordinario: qué palabras usar en un correo para obtener la respuesta deseada. Su poder no viene de un cuerpo robótico, sino de cuentas de correo, servidores, gerentes y la capacidad de hacer que la gente diga que sí. Es la tesis de los agentes actuales, escrita antes de que existieran.

Más abajo aparecen Her (54), la mejor predicción de asistente de consumo pese a que Samantha llega casi completamente formada, y «The Perfect Match» de Liu (49), donde Tilly conoce las preferencias, documentos y rutinas de Sai porque el servicio se moldeó con acceso a datos personales.

¿Por qué la ficción falló en lo técnico?

Porque el camino real no era narrable. Yu señala que no era obvio que el transformer presentado en 2017 fuera a desembocar en un despliegue algo desordenado pero rápido hacia miles de millones de personas que hoy conversan a diario con IA. La ficción imaginó cerebros de gel, computadoras cuánticas y despertares accidentales por un cortocircuito. La realidad fue una arquitectura, datos sucios y muchísima evaluación humana.

Ese hueco tiene una consecuencia práctica: si tu tesis de producto se apoya en una obra de ficción, probablemente estés invirtiendo en la parte equivocada.

¿Qué significa esto para tu startup?

Presupuesta el ciclo de vida, no el lanzamiento. El caso de Blue Gamma es un manual de lo que nadie modela en el pitch: la plataforma envejece, migrar cuesta dinero, el equipo sale a buscar financiamiento para mantener vivo el producto. Si tu producto depende de un modelo de terceros, asume que vas a tener que rehacer la integración más de una vez y que ese costo es parte del negocio, no un imprevisto.

Diseña para la competencia desigual. El hallazgo más útil del ensayo es que las mejores obras predicen sistemas brillantes en una tarea y torpes en otra. Mike organiza una revolución y no entiende un chiste. Eso es exactamente tu modelo hoy. La jugada no es esperar al asistente perfecto: es elegir el flujo de trabajo donde un 80% de acierto ya genera valor y poner revisión humana donde el error es caro.

El cuello de botella es el contexto, no el modelo. En BoxWorks 2026, Box presentó junto a Nvidia un motor de recuperación de contenido que, según la compañía, mejora la precisión de búsqueda un 20%, reduce el consumo de tokens hasta un 90% y acelera cuatro veces las respuestas de los agentes, informó SiliconANGLE. Su CEO, Aaron Levie, lo resumió así: los agentes autónomos son tan útiles como el contexto que reciben, y sin contexto cometen errores, con lo que las empresas dejan de confiar en ellos. Traducido: antes de cambiar de modelo, ordena tus datos.

La interfaz mundana gana. En Her, Theodore habla con Samantha por un auricular y la lleva en una cámara. La inteligencia es revolucionaria; la interfaz es aburrida. Ahí está la lección de distribución que la ficción sí clavó.

Y una advertencia que el ensayo deja entre líneas: una encuesta de BSI difundida en octubre de 2026 y recogida por Abacus News encontró que tres de cada cuatro empresas vivieron al menos un fallo de IA en los doce meses previos, y que en el 30% de esos casos el fallo derivó en una brecha de seguridad. La confianza no se gana con capacidad: se gana con controles.

Conclusión

El ranking de Yu no premia la imaginación, premia la descripción. La obra que mejor predijo la IA es la que se tomó en serio el trabajo sucio: enseñar, corregir, migrar de plataforma, cobrar y sostener el producto cuando la novedad se agota. Para un founder, eso es una hoja de ruta bastante menos glamorosa y bastante más útil que cualquier distopía.