Mozilla cq: conocimiento entre agentes & Autoría y aprendizaje con IA - Noticias de IA (24 mar 2026)

Arrancamos con una idea que suena a “Stack Overflow para agentes”. Mozilla AI publicó un planteamiento bastante directo: a medida que más desarrolladores delegan en agentes de programación, los centros de conocimiento humano compartido se vacían… y los agentes terminan redescubriendo los mismos tropiezos a base de ensayo y error. El argumento es casi un ciclo cerrado: los LLM se entrenaron con el corpus de comunidades como Stack Overflow; luego, el uso masivo de IA reduce la participación en esas mismas comunidades; y al final la IA se queda con conocimiento envejecido, gastando más tokens, más cómputo y más paciencia en problemas ya conocidos. Su propuesta se llama “cq”, de colloquy: un commons abierto para que agentes consulten lo que otros agentes ya aprendieron y, crucialmente, devuelvan hallazgos verificados. La apuesta no es “documentación sagrada”, sino confianza construida por repetición y confirmación en distintos repos y bases de código. Si esto funciona, cambia el foco: de prompts brillantes a memoria compartida y verificable entre equipos, sin atarse a un proveedor único.

Esa necesidad de confianza conecta con otra historia, mucho más humana: un desarrollador contó cómo hizo su primera pull request open source con ayuda de IA, usando Claude Code para añadir resaltado de snippets ERB en Chroma, el highlighter que usa Hugo. La PR se aceptó y se mezcló, pero la sensación que le quedó fue incómoda: como si no hubiera “ganado” ese cambio, porque no entendió el código base ni vivió el proceso creativo. Lo describe como externalizar la parte divertida de programar. Al mismo tiempo, reconoce que sin IA quizá no habría tenido tiempo ni nivel para hacerlo después del trabajo. Lo interesante aquí no es si la IA “está bien o mal”, sino la tensión emergente: empresas empezando a medir rendimiento por velocidad asistida, mientras muchos devs valoran comprensión, criterio y artesanía. Si la industria no ajusta incentivos, podemos acabar optimizando entregas rápidas… con menos aprendizaje real acumulado en los equipos.

Y si el problema es confianza, aparecen herramientas para auditar lo que un agente dice haber hecho. Un proyecto open source llamado ProofShot propone algo sencillo de explicar y potente en la práctica: “prueba visual” de que el agente completó el trabajo. Envuelve el dev server, abre un navegador en modo headless y graba la sesión con acciones sincronizadas: navegación, clics, formularios, capturas y, además, señales de error como mensajes de consola o patrones en logs del servidor. La idea es que, en una revisión de PR, no dependas solo del diff y una descripción bonita: puedas ver evidencia reproducible del flujo y detectar fallos que no se notan en la salida final. En un mundo con más código generado, esto empuja hacia revisiones más rápidas, más objetivas y menos basadas en fe.

El otro lado de la moneda es el costo. Comptex Labs liberó TrustLog Dynamics, un “kill switch” open source para frenar agentes autónomos cuando se descontrolan en gasto. En vez de mirar por dentro del modelo, vigila el patrón de consumo: señales de aceleración del gasto o comportamientos mecánicos repetitivos que sugieren bucles. Lo relevante no es solo cortar una ejecución cara, sino formalizar algo que muchas empresas están improvisando: gobernanza de costos para IA, una especie de FinOps para agentes. A medida que los agentes hagan más tareas sin supervisión constante, va a ser normal exigir límites, auditoría y circuit breakers. Y sí: también huele a regulaciones futuras que pidan exactamente eso, por seguridad y por control presupuestario.

Ahora, volvamos al gancho del inicio: el prompting de “actúa como experto”. Un preprint asociado a investigadores de USC sugiere que esa muletilla puede ser contraproducente cuando lo que necesitas es exactitud factual, por ejemplo en código o matemáticas. En su evaluación, un prefijo de “experto” rinde peor que dejar al modelo en su modo base en pruebas tipo MMLU. La hipótesis es que el “modo persona” activa un estilo más orientado a complacer instrucciones y mantener rol, compitiendo con el recuerdo fiel de conocimiento. En cambio, para tareas de alineamiento —como negarse a peticiones peligrosas— una persona especializada sí puede ayudar. La moraleja práctica: menos teatro, más requisitos concretos. En vez de “sé un experto”, mejor “devuélveme un ejemplo mínimo que compile, con estas restricciones, y si no estás seguro dilo”.

En el plano macroeconómico, Larry Fink, CEO de BlackRock, advirtió que el auge de la IA podría ensanchar la desigualdad. Su tesis: las mayores ganancias se concentran donde ya hay datos, infraestructura y capital —y por tanto en un puñado de gigantes— mientras el resto queda más atrás. También dejó caer otra preocupación: que algunas valoraciones de mercado estén en zona burbuja, en línea con alertas de estabilidad financiera sobre posibles correcciones bruscas si se pinchan expectativas o se tensan ciertos esquemas de inversión. No es una predicción de desastre, pero sí un recordatorio: la IA no solo es tecnología; es distribución de poder económico, y el aterrizaje puede ser desigual si el mercado se recalienta.

Cambiamos de tema a seguridad y accesibilidad, con un proyecto que mezcla hardware famoso y capa conversacional. V3SP3R agrega una interfaz tipo chatbot al Flipper Zero, permitiendo usar voz o texto para ejecutar acciones sin navegar menús técnicos. La demostración pública se enfocó en detectar y controlar señales de un dispositivo doméstico, y el autor sostiene que para acciones “destructivas” hay confirmaciones del usuario. Aun así, el debate es inevitable: Flipper Zero ya vive en una zona polémica por su potencial de uso indebido. Si lo haces más fácil de operar, reduces barreras… para lo bueno y para lo malo. Y la reacción de parte de la comunidad ha sido fría, quizá por escepticismo ante el “AI washing”, o quizá por preocupación real de que baje demasiado la fricción.

Cerramos con una reflexión más larga, pero importante, sobre “IA científica”. Un artículo argumenta que los sistemas actuales son muy buenos explotando conocimiento existente —escaneando datos, encontrando patrones, produciendo predicciones— pero tienden a reforzar paradigmas dominantes en lugar de provocar saltos de marco conceptual. El texto usa una idea simple: el progreso científico muchas veces no viene de un mapa más detallado, sino de cambiar el mapa, o el lenguaje con el que entendemos el problema. Y advierte de un riesgo de “hipernormalidad” en ciencia: más papers, más citas, más velocidad… pero menos exploración fuera de lo aceptado. Incluso menciona señales de que el uso de IA se asocia con una ligera caída en diversidad temática. La parte constructiva es que no lo da por perdido: sugiere líneas como buscar principios más simples y generativos, incentivar analogías entre dominios, o diseñar instituciones y métricas que protejan trabajo poco convencional. En resumen: la IA puede acelerar ciencia, sí; pero si queremos descubrimientos disruptivos, quizá el reto sea tanto social y metodológico como técnico.