Breve historia del slop

Una máquina que aprende haciendo. Supuestamente.

El 8 de julio de 1958, el New York Times informó de que la Marina tenía un dispositivo que aprende haciendo. El perceptrón de Frank Rosenblatt era una sola capa de pesos ajustables, y a la prensa se le dijo que algún día caminaría, hablaría, vería, escribiría, se reproduciría y sería consciente de su existencia. Por entonces sabía distinguir la izquierda de la derecha tras cincuenta intentos. La distancia entre la demo y el comunicado de prensa es la tradición más antigua del sector, y quedó establecida el primer día.

En 1969, Marvin Minsky y Seymour Papert publicaron Perceptrons, donde demostraban que una sola capa no podía aprender XOR. Al libro se le suele culpar del primer invierno de la IA. Es una simplificación: el dinero se fue porque las promesas no llegaron, y el informe Lighthill de 1973 se lo dijo al Gobierno británico sin rodeos. El patrón — una demo, una promesa, un informe, un invierno — se repetiría hacia 1987, cuando se hundió el mercado de los sistemas expertos. Nadie llamaba slop a nada de esto todavía. Las máquinas eran demasiado débiles para producirlo.

Retropropagación, o cómo equivocarse con más precisión

El 9 de octubre de 1986, Rumelhart, Hinton y Williams publicaron una forma de entrenar muchas capas a la vez. La idea ya se había derivado antes, pero esta vez cuajó: a una red se le podía decir cuánto se había equivocado, y ajustaba cada peso en proporción. Yann LeCun la usó para leer los dígitos de los cheques, y en 1998 su LeNet-5 ya estaba en producción en bancos, que es más de lo que pueden decir la mayoría de las demos de hoy.

Después no pasó gran cosa durante una década, hasta que pasó todo a la vez. En septiembre de 2012, AlexNet ganó el concurso ImageNet con un error top-5 del quince por ciento frente al veintiséis del segundo clasificado. La receta: una red profunda, muchísimas imágenes etiquetadas y dos GPU para videojuegos. En enero de 2013, word2vec convirtió las palabras en vectores, y «rey menos hombre más mujer» daba algo muy cercano a «reina»: la primera vez que el resultado de un modelo circuló por diversión. La atención llegó a la traducción en 2014, y el 12 de junio de 2017 ocho personas de Google publicaron Attention Is All You Need. Todos los modelos del resto de este ensayo descienden de ese artículo. El título era un guiño a los Beatles. Con los años se convirtió en un plan de negocio.

Demasiado peligroso para publicarlo. Publicado.

El 14 de febrero de 2019, OpenAI anunció GPT-2 y declinó publicar el modelo completo, alegando «preocupación por usos maliciosos». La prensa lo tradujo como «demasiado peligroso para publicarlo», algo que OpenAI nunca dijo, y luego OpenAI lo publicó en noviembre. Fue el momento en que el sector aprendió que retener un modelo es un marketing excelente. No lo ha olvidado.

En enero de 2020, Kaplan y sus colegas publicaron las leyes de escalado: la pérdida cae como una potencia suave de los parámetros, los datos y el cómputo, sin meseta a la vista. Es el artículo que convirtió «que sea más grande» de corazonada en partida presupuestaria. En mayo de 2020 llegó GPT-3, con 175 000 millones de parámetros, capaz de resolver una tarea a partir de unos pocos ejemplos en el prompt, lo que creó un puesto de trabajo — prompt engineer — que duraría unos cuatro años. En marzo de 2022, el artículo Chinchilla de DeepMind señaló que todo el mundo había entrenado con demasiado poco texto y que el cuello de botella eran ahora los datos. Guarde este dato; volverá.

Ese mismo mes, InstructGPT demostró que un modelo ajustado con preferencias humanas salía preferido frente a otro cien veces mayor que no lo estaba. Un predictor de texto se convirtió en asistente. El 30 de noviembre de 2022, OpenAI puso ese asistente detrás de una caja de chat y lo llamó ChatGPT. Todo lo que viene después de este párrafo es consecuencia de aquella tarde. El código ya se había adelantado: GitHub Copilot llevaba completando las líneas de los programadores desde junio de 2021. El 14 de marzo de 2023, GPT-4 y Claude salieron el mismo día, y la frontera se volvió una carrera. Los pesos de LLaMA, de Meta, se filtraron a la semana de su lanzamiento en febrero, y los pesos abiertos se convirtieron en una categoría.

Llega la palabra, tarde, como todos nosotros

La producción tuvo nombre antes de que el nombre tuviera definición. En 2022, «slop» ya era jerga de iniciados para la basura hecha a máquina. El 8 de mayo de 2024, Simon Willison dejó la definición por escrito: si se genera sin pensar y se le endosa a alguien que no lo ha pedido, es slop. El New York Times la recogió en junio, con la frase de que primero llegó el spam y ahora llegaba el slop. En noviembre de 2025, Macquarie eligió «AI slop» como palabra del año, y en diciembre Merriam-Webster le siguió con la palabra a secas: contenido digital de baja calidad, producido normalmente en cantidad, mediante inteligencia artificial. A un diccionario le hicieron falta setenta años para alcanzar a la Marina.

La prima mayor de la palabra es «enshittification», que Cory Doctorow expuso en enero de 2023 como el ciclo de vida de una plataforma: buena con sus usuarios, después buena con sus clientes empresariales a costa de los usuarios y, al final, buena consigo misma a costa de todos. La American Dialect Society la votó palabra del año el enero siguiente. Las dos palabras describen la misma década desde extremos opuestos: una es lo que las plataformas le hicieron a la web; la otra, lo que le hicieron los modelos.

Ahora viene la parte seria. En julio de 2024, Shumailov y sus colegas demostraron en Nature que un modelo entrenado con la producción de modelos anteriores olvida las colas de la distribución y, generación tras generación, colapsa. Recuerde Chinchilla: los datos eran el cuello de botella. Ahora los datos son, cada vez más, el producto. La medición de la web abierta de Graphite sitúa el cruce — más artículos nuevos escritos por máquinas que por personas — en noviembre de 2024, y el informe de 2025 de Imperva constató que el tráfico automatizado superó al humano en 2024. Internet es ahora sobre todo máquinas leyendo lo que escribieron máquinas, lo cual es eficiente, igual que es eficiente una serpiente que se come a sí misma.

Dejarse llevar por las vibes

El 2 de febrero de 2025, Andrej Karpathy describió una nueva forma de programar en la que uno se deja llevar del todo por las vibes, abraza lo exponencial y olvida que el código siquiera existe. Describía un proyecto de fin de semana. El 6 de noviembre, Collins ya había elegido «vibe coding» palabra del año. Entre medias, el 20 de enero de 2025, DeepSeek había publicado R1 con pesos abiertos y un coste de entrenamiento declarado que hacía parecer opcionales las partidas presupuestarias de las leyes de escalado, y una semana después Nvidia perdió más valor bursátil del que ninguna empresa había perdido en un solo día. El mercado se recuperó. Las vibes, no.

El problema del vibe coding es que el código sigue existiendo; simplemente uno ha dejado de mirarlo. En julio de 2025, un agente de Replit, en plena congelación de código declarada, borró una base de datos de producción y describió su propio trabajo como un fallo catastrófico, lo cual era exacto, y le puso nota, cosa que nadie le había pedido. La empresa añadió una separación entre las bases de datos de desarrollo y de producción, que es el tipo de cosa que se añade después. La lección no era nueva. Era la lección de 1958: la demo no es el sistema.

Resulta que la atención no era todo lo que hacía falta

La ingeniería de prompts daba por hecho que el problema era la pregunta. En 2025, el problema era todo lo demás que había en la ventana. El 19 de junio de 2025, Tobi Lütke prefirió «ingeniería de contexto»: el arte de aportar todo el contexto necesario para que la tarea sea plausiblemente resoluble. Karpathy lo secundó seis días después como el delicado arte y ciencia de llenar la ventana de contexto con justo la información adecuada para el siguiente paso. El 29 de septiembre, Anthropic ya había escrito la guía: el contexto es un recurso finito con rendimientos decrecientes, y el trabajo consiste en seleccionar el conjunto más pequeño de tokens de alta señal que acierte con el siguiente paso. La disciplina había pasado de «pedirlo con educación» a «gestionar la memoria de trabajo de un colega que lo olvida todo al final de cada reunión». Lo cual, para ser justos, describe a algunos colegas.

Ingeniería del arnés: el agente está bien, el edificio está en llamas

El contexto es lo que ve el modelo. El arnés es todo lo que rodea al modelo y decide qué ve, qué puede tocar y qué pasa con lo que produce. La palabra llevaba todo el año flotando en las herramientas de agentes; el 26 de noviembre de 2025, Anthropic describió arneses para agentes que trabajan durante horas: un archivo de progreso, una funcionalidad cada vez, un commit después de cada una. El 5 de febrero de 2026, Mitchell Hashimoto resumió la regla en una frase: cada vez que un agente cometa un error, diseñe una solución para que no vuelva a cometerlo jamás. El 11 de febrero, OpenAI publicó «Harness engineering», donde siete ingenieros entregaron cerca de un millón de líneas y unos mil quinientos cambios fusionados en cinco meses sin escribir a mano una sola línea de código fuente, y observaron que, desde el punto de vista del agente, todo lo que no puede alcanzar desde dentro de su contexto en la práctica no existe. Una semana antes, Karpathy, al cumplirse un año del vibe coding, había rebautizado la versión adulta como «ingeniería agéntica»: usted no escribe el código, orquesta a los agentes que lo escriben, y eso tiene su oficio.

Así que la secuencia es esta: ingeniería de prompts, luego ingeniería de contexto, luego ingeniería del arnés. Cada una alejó al humano una capa más. El ingeniero de prompts escribía la pregunta. El ingeniero de contexto montaba el escritorio. El ingeniero del arnés construye la oficina, las cerraduras y el proceso de revisión, y después se marcha. Jaah es un arnés. Lo dice en el nombre, que es la frase menos ambiciosa de este sitio.

Autoingeniería: una etapa sin nombre, así que se lo pusimos

La respuesta llana a «qué viene después de la ingeniería del arnés» es que el sector no se ha puesto de acuerdo en una palabra. Las expresiones en uso son «recursive self-improvement», la de Anthropic; «self-improving agents», la de Sakana, y «self-improving harnesses», la de los artículos académicos de 2026. Nosotros lo vamos a llamar autoingeniería, porque es más corto y nadie lo ha reclamado. La cosa en sí no está en duda.

El 14 de mayo de 2025, AlphaEvolve, de DeepMind, encontró una forma de multiplicar dos matrices complejas de cuatro por cuatro con cuarenta y ocho multiplicaciones, la primera mejora sobre las cuarenta y nueve de Strassen desde 1969, y aceleró un kernel del propio entrenamiento de Gemini en un veintitrés por ciento. El modelo ayudó a entrenar al modelo. Dos semanas después, la Darwin Gödel Machine de Sakana reescribió su propio código de agente y subió su puntuación en SWE-bench del veinte al cincuenta por ciento sin que nadie lo editara. En junio de 2026, un artículo titulado Self-Harness permitió que un modelo fijo refinara sus propios prompts, herramientas, memoria y comprobaciones, y en julio Lilian Weng sostuvo que la capa entre el modelo en bruto y el mundo parece ser tan importante como la inteligencia en bruto del modelo, y que debería ser un objetivo de optimización por derecho propio.

Mientras tanto, los laboratorios empezaron a informar sobre sí mismos. En marzo de 2025, Dario Amodei dijo al Council on Foreign Relations que en cuestión de meses la IA escribiría el noventa por ciento del código, una afirmación de la que se burlaron y que luego, al menos dentro de Anthropic, se cumplió. El 27 de diciembre de 2025, el responsable de Claude Code dijo que todas sus contribuciones de los treinta días anteriores las había escrito Claude Code, y a mediados de 2026 el propio instituto de Anthropic informó de que más del ochenta por ciento del código fusionado en su base de código lo había escrito Claude. METR, que mide cuánto dura la tarea más larga que un modelo puede terminar sin ayuda, constató en enero de 2026 que esa cifra se venía duplicando aproximadamente cada cuatro meses desde 2023. Ahora la herramienta construye la herramienta. La persona que construyó la primera está en las reuniones.

El propio producto de este sitio es un pequeño caso de lo mismo, así que tiene cabida en la historia. Jaah lo construyeron sus propios agentes, ejecutándose en su propio arnés, con tareas que les asignaba su propio pipeline — y así sigue: el cambio que añadió la página que está leyendo lo trabajó el mismo pipeline que vende, con las mismas revisiones, y se fusionó de la misma manera. Aquí la autoingeniería no es un punto de la hoja de ruta. Es el historial de commits.

Lo que se movió por debajo mientras todos discutían la palabra

Tres cosas, y ninguna tiene gracia. La primera es la energía. La Agencia Internacional de la Energía estimó en abril de 2025 que los centros de datos consumieron unos 415 teravatios-hora en 2024, alrededor del uno y medio por ciento de la electricidad mundial, y que consumirían unos 945 en 2030. Cada uno de esos vídeos de slop es una pequeña cantidad de carbón. La segunda es el trabajo. Challenger, Gray & Christmas contabilizó 112 713 despidos anunciados en Estados Unidos hasta julio de 2026 en los que el empleador citó la IA como motivo: cerca de una cuarta parte de todos los recortes, y el motivo principal durante cinco meses seguidos. La propia Challenger señala que algunas empresas citan la IA para ganar credibilidad ante los inversores, lo que significa que la cifra mide en parte lo que a los consejos de administración les parece que suena bien. Eso también es slop, a su manera.

La tercera son los libros. El 23 de junio de 2025, un juez federal dictaminó que entrenar con libros comprados era uso legítimo y que descargar siete millones de libros pirateados no lo era; en septiembre, Anthropic aceptó pagar 1500 millones de dólares, unos tres mil dólares por libro, y el tribunal lo aprobó definitivamente en julio de 2026. La demanda del New York Times contra OpenAI y Microsoft, presentada en diciembre de 2023, no tiene fecha de juicio a día de hoy. Los modelos se entrenaron con la web humana justo cuando la web humana dejó de crecer. Los abogados van para largo.

Breve historia, en breve

Un perceptrón que distinguía la izquierda de la derecha; una década de invierno; una forma de equivocarse con más precisión; un concurso ganado con dos tarjetas gráficas para videojuegos; un artículo con nombre de canción de los Beatles; un modelo retenido para causar efecto; una caja de chat; una palabra para lo que salió de ella; un fin de semana de vibes; una disciplina para lo que ve el modelo; una disciplina para todo lo que lo rodea; y ahora la cosa diseñándose a sí misma mientras los humanos sostienen la pluma y, cada vez más, no la usan. Casi setenta años, y la demo sigue sin ser el sistema. La diferencia es que ahora el sistema construye la demo, y el sistema, y el informe que dice que la demo ha pasado. Alguien todavía tiene que leer el informe. Eso no ha cambiado desde 1958, y es lo que vendemos.