Andrej Karpathy acaba de compartir una de las observaciones más importantes sobre la IA en 2026: ahora existen dos grupos fundamentalmente diferentes de usuarios de IA, y se hablan completamente sin entenderse.

Su tweet (3,6 millones de vistas y contando) describe una brecha creciente que cualquiera que trabaje con IA necesita entender.

Grupo 1: “La IA es un juguete”

Este grupo probó ChatGPT — generalmente el nivel gratuito — en algún momento del año pasado. Vieron alucinaciones, se rieron de videos virales del modo de voz fallando en preguntas simples, y concluyeron que la IA está sobrevalorada.

No están equivocados sobre lo que experimentaron. Los modelos gratuitos de 2025 son genuinamente limitados. Pero aquí está el problema: congelaron su modelo mental de la IA en ese punto y nunca lo actualizaron.

Como dice Karpathy, esos modelos antiguos y obsoletos no reflejan las capacidades de los modelos fronteras actuales.

Grupo 2: “AI Psychosis”

Este grupo usa modelos agénticos de última generación — Claude Code, OpenAI Codex — profesionalmente, en dominios técnicos. Pagan 200 dólares al mes. Le dan a estos modelos un terminal de computadora y los observan resolver problemas que normalmente tomarían días o semanas de trabajo.

Karpathy dice que este grupo está experimentando lo que él llama “AI Psychosis” — no porque estén delirando, sino porque las mejoras han sido tan impresionantes que es difícil comunicar lo que están viendo a alguien que no lo ha experimentado de primera mano.

Por qué existe la brecha

Karpathy identifica dos razones estructurales por las que la capacidad de IA avanza de manera desigual:

1. El aprendizaje por refuerzo funciona mejor con recompensas verificables.

Tareas como programación, matemáticas e investigación tienen criterios de éxito claros — ¿el código compila? ¿Pasan las pruebas? ¿Es correcta la demostración? Estos dominios son naturalmente adecuados para el entrenamiento RL, donde el modelo recibe retroalimentación concreta sobre si tuvo éxito.

Tareas como escritura, consejos y conversación son mucho más difíciles de evaluar objetivamente, por lo que mejoran más lentamente.

2. El valor B2B impulsa la asignación de recursos.

Las mayores oportunidades de ingresos están en dominios técnicos y profesionales. Ahí es donde las empresas de IA concentran sus mejores equipos. Las funciones orientadas al consumidor, como el modo de voz, reciben menos inversión en relación con los productos B2B que generan más ingresos.

El problema de la traducción

El resultado es una desconexión extraña. Es simultáneamente cierto que:

Un asistente de voz de IA gratuito fallará en preguntas básicas en tus reels de Instagram
Una IA agéntica de pago pasará una hora reestructurando coherentemente toda una base de código

Ambas cosas están ocurriendo en 2026. Pero las personas del Grupo 1 solo ven la primera. Las del Grupo 2 solo ven la segunda. Y cuando intentan hablar entre sí sobre “IA”, están describiendo tecnologías completamente diferentes.

Cómo cruzar la brecha

Si estás en el Grupo 1, el camino al Grupo 2 no es gastar 200 dólares al mes en un chatbot diferente. Se trata de cambiar cómo usas la IA — de las preguntas y respuestas casuales al trabajo estructurado con conocimiento.

Esto es lo que separa a los dos grupos en la práctica:

Comportamiento del Grupo 1:

Abre ChatGPT, hace una pregunta, lee la respuesta
Sin contexto persistente entre sesiones
La IA empieza desde cero cada vez
Juzga la IA por su peor fallo

Comportamiento del Grupo 2:

Construye bases de conocimiento que la IA puede referenciar
Le da a la IA acceso a archivos de proyecto, documentación e investigación
Usa la IA como un colega con memoria, no como un motor de búsqueda
Juzga la IA por su mejor capacidad

La idea clave: la calidad del resultado de la IA es directamente proporcional a la calidad del contexto que le das.

Construir contexto: la capa que falta

Aquí es donde la mayoría de la gente se atasca. Escuchan “dale a la IA mejor contexto” y piensan que significa escribir prompts más largos o pasar más tiempo explicando cosas. Ese es el enfoque de fuerza bruta. El enfoque más inteligente es construir una capa de conocimiento persistente a la que la IA pueda acceder automáticamente.

Así es como se ve en la práctica:

Capturar investigación web como Markdown estructurado — En lugar de marcar páginas con favoritos o copiar fragmentos en un documento, convierte el contenido completo en Markdown limpio. Esto preserva la información en un formato que cualquier herramienta de IA puede procesar.
Organizar en bases de conocimiento buscables — Agrupa tu contenido guardado por proyecto, tema o área de investigación. Esto le da a la IA la capacidad de encontrar contexto relevante sin que tengas que recordar qué guardaste.
Conectar la IA con tu conocimiento — Herramientas como MCP (Model Context Protocol) permiten que Claude busque y referencie tu contenido guardado directamente. Cuando haces una pregunta, Claude primero revisa tu base de conocimiento, fundamentando las respuestas en tu investigación curada en lugar de datos de entrenamiento genéricos.

Este es el flujo de trabajo que Save habilita. Cada página web que guardas se convierte en un archivo Markdown en tu base de conocimiento local. El servidor MCP incorporado de Save Vault lo conecta a Claude. Tu asistente de IA ahora tiene acceso a todo lo que has leído e investigado.

El efecto compuesto

La brecha entre el Grupo 1 y el Grupo 2 no se trata solo de qué modelo usas. Se trata del contexto acumulado que has construido con el tiempo.

Un desarrollador que ha guardado seis meses de documentación, respuestas de Stack Overflow y artículos de arquitectura tiene un asistente de IA que entiende su base de código, su stack y sus problemas específicos. Un usuario ocasional que abre ChatGPT desde cero cada vez tiene una herramienta genérica que no sabe nada sobre su trabajo.

Por eso la observación de Karpathy importa más allá del ciclo de hype de IA. La brecha de capacidades no se está cerrando — se está ampliando. Y la línea divisoria no es la habilidad técnica ni el presupuesto. Es si estás construyendo una práctica de conocimiento estructurado alrededor de la IA o si la tratas como un motor de búsqueda glorificado.

Empezar hoy

No necesitas gastar 200 dólares al mes para empezar a cruzar la brecha. Necesitas empezar a capturar y organizar el conocimiento que ya encuentras cada día:

Instalar Save y empezar a convertir páginas web útiles a Markdown mientras navegas
Crear bases de conocimiento para tus principales áreas de trabajo o interés
Conectar Claude a través del servidor MCP de Save Vault para que tu asistente de IA pueda referenciar tu contenido guardado
Ser constante — guarda 2-3 páginas al día y observa cómo tu base de conocimiento crece de forma compuesta

En un mes tendrás una capa de conocimiento personal que hace que cada interacción con IA sea fundamentalmente mejor. Esa es la diferencia entre el Grupo 1 y el Grupo 2 — y comienza por cómo capturas el conocimiento, no por qué modelo pagas.

Save convierte cualquier página web en Markdown limpio con un clic y la almacena en tu base de conocimiento local. Con el servidor MCP de Save Vault, Claude busca en tu contenido guardado antes de responder. Prueba Save gratis.