E119 - Become AI: Las empresas del futuro

Resumen

En este episodio, Cris (con Rodo y Mati) proyecta cómo cambiarán las empresas con la IA generativa en 2025. Parte de cómo funciona hoy una organización: visión, decisiones, acciones, información continua, experiencia, comunicación y feedback. Luego plantea que los agentes de IA pueden asumir actividades hoy humanas, por ejemplo tests unitarios, reportes en Excel o investigación. Esto exige más a las personas, que deben acercarse al negocio y definir el "qué" y no el "cómo". Describe tres roles futuros: ingeniero de IA (el cerebro), software engineer (las herramientas determinísticas) y prompt engineer (la personalidad del agente), y se debate si este último es un rol o una habilidad transversal. También se responden preguntas del Discord sobre matemáticas para ciencia de datos, cómo entrar a MLOps y cómo cambiarse a datos sin experiencia. Finalmente se explican los agentes y se muestra una demo con LangGraph y Chainlit, con una comparación con PydanticAI. La conclusión es no estresarse con los frameworks: probar los 2 o 3 más populares y mantener un aprendizaje continuo.

Capítulos

• 00:00
  IntroPresentación del episodio 119 sobre las empresas del futuro, las predicciones para 2025 y los agentes con Pydantic y LangGraph. Cris explica que el tema surge de un ejercicio de proyección del próximo año.
• 01:17
  Una EmpresaUna empresa tiene una visión, toma decisiones y las ejecuta para satisfacer a un cliente con un producto o servicio. Lo ilustra con el ejemplo de vender zapatos (dónde fabricar, materiales, marketing, contratación).
• 03:01
  Una OrganizaciónUna organización es una jerarquía de personas que toman decisiones y actúan, y su tamaño se relaciona con lo que puede hacer. Se comentan el origen del ejemplo de los zapatos (un audiolibro del creador de Nike), el apodo "mono" de Mati, la visión y los OKR, la autonomía, la documentación, las habilidades blandas, el feedback (pandas vs polars), la burocracia y la importancia de enfocarse en la propia fortaleza sin descuidar los demás factores.
• 16:49
  Nueva Organización: Impacto de la Inteligencia Artificial en el TrabajoUna IA puede tener visión (se le alinea con un prompt), tomar decisiones y tener conocimiento, y además ejecutar acciones y guardar historial. Cris cuenta que usó Claude para entender la computación cuántica y que tiene un agente para programar videojuegos. Se comenta la IA "friend", que se critica por condicionar al usuario. Se sostiene que la IA no quitará el trabajo: lo harán personas que la usan mejor. Las tareas fáciles se delegan y las personas pasan a definir el "qué", con mayor exigencia.
• 28:47
  Nuevas Profesiones y Roles del FuturoTres roles: ingeniero de IA (modelos predictivos, ML clásico, gestión de agentes), software engineer (APIs, infraestructura, integración con el mundo real) y prompt engineer (la personalidad del agente). Se debate si el prompt engineering es un rol o una habilidad transversal. Se mencionan el system prompt filtrado de Claude y los prompts generados por IA.
• 41:20
  MemesMemes sobre el campeonato de Excel (un chileno quedó sexto en la final), Jira y la burocracia. Se explica que Jira es una buena herramienta que exige disciplina y un administrador con mentalidad estructurada. También se comenta la etimología de "burocracia" y memes sobre IA y trabajo.
• 48:16
  Lore de nick de MatiExplicación de por qué Mati usa la foto de un mono: es su nick de Discord y algunos amigos le dicen así.
• 49:50
  La importancia de tener bases matemáticas sólidas para entrar a Data SciencePara entrar no son imprescindibles, pero ayudan álgebra lineal, probabilidades, estadística, optimización, análisis numérico y cálculo multivariable. Análisis funcional y teoría de la medida dan intuición. La teoría de conjuntos sirve para entender los joins (por ejemplo, el costo de un full outer join). Depende del rol y de la etapa profesional.
• 55:04
  Cómo entrar a MLOpsSe recomienda pensar siempre en entregar un producto automático de principio a fin. Herramientas: Docker, ambientes virtuales, código reproducible y modular con rutas relativas. Luego se ve cómo ejecutarlo en un servidor y monitorearlo. Se remite al capítulo 33 sobre especializaciones en Data Science.
• 57:07
  AgentesSe justifica crear agentes y se advierte que los frameworks cambian y mueren (OpenAI sacó uno en beta y lo retiró). Se espera que las nubes (AWS, GCP, Azure, OCI) ofrezcan agentes serverless. También se responde cómo cambiarse a datos con experiencia en otro rubro: crear proyectos con datos de la propia empresa y buscar liderazgo previo. Rodo cuenta que analizó partidas de LoL antes de su primer trabajo. Se aconseja no estresarse y probar los 2 o 3 frameworks más populares. Se mencionan LangGraph, LangChain, Pydantic, LlamaIndex, CrewAI y AutoGen.
• 01:11:08
  Demo de LangGraphUn agente entiende lenguaje natural y ejecuta la función correcta. Cris muestra un coordinador con herramientas para descargar videos de YouTube, transcribir con WhisperX y resumir, con interfaz Chainlit, MinIO como S3, SQLite y yt-dlp. Hay fallos en vivo, y se tratan el manejo de errores, el monitoreo (Langfuse, LangSmith) y los tests automáticos.
• 01:28:10
  Diferencia entre LangGraph y PydanticEn uno el flujo se define explícitamente como grafo, y en el otro se define a través del texto del prompt, lo que es más flexible pero menos predecible. Se aconseja a quien quiera entrar al área hacer proyectos con más consistencia que un chatbot genérico y mostrar pasión autodidacta.
• 01:30:49
  CierreCierre con agradecimientos, una anécdota sobre las "lunas" (criptomoneda) y el aviso de los streams de los martes de 7 a 9. El próximo continúa la serie de productivizar un modelo desde Jupyter Notebook.

Palabras clave