無程式碼也能輕鬆打造專業LINE官方帳號！一鍵導入模板，讓AI助你行銷加分！
La regla del 1% de Jeff Dean: cómo elegir qué construir en la era de la IA de frontera
A mediados de 2026, frente a unos 6.000 fundadores en el Startup School de Y Combinator en San Francisco, el científico jefe de Google Jeff Dean destiló la pregunta más difícil de la IA — ¿qué debería construir? — en un solo número.
Cero.
“Busca algo donde el modelo acierte el 0% o 1% de las veces, no el 20%.”
Once días después, Dean anunció que dejaba Google tras 27 años para cofundar Discovery Loop. La charla, en retrospectiva, se lee como una declaración de misión para la empresa que aún no había anunciado.
Aquí está el desglose completo de la regla del 1% y la teoría de la IA que la sustenta.
La regla del 1%, explicada
La regla es una heurística para elegir problemas:
| Zona | Tasa de éxito del modelo de frontera | Qué significa |
|---|---|---|
| 🔴 Zona roja | ~20% | La capacidad ya es embrionaria en los modelos generales. Escala + datos cerrarán la brecha en 6-12 meses. Tu startup se convierte en una característica. |
| 🟢 Zona verde | 0%–1% | El problema está fuera de distribución o necesita datos/arquitectura especializados. Territorio sin competencia. |
“Si son capaces de hacer algo de eso, pero no muy bien, esa quizás no sea una buena señal — porque probablemente indica que la capacidad está empezando a estar presente en esos modelos. Y con más datos de entrenamiento o modelos a mayor escala, es probable que mejore.” — Jeff Dean
Una tasa del 20% es peor que 0%. Significa que la frontera ya ha plantado la semilla de tu producto dentro de sus pesos — y cada corrida de entrenamiento posterior la riega.
Los dos fosos duraderos (donde 2–3 personas pueden vencer a Google)
Los gigantes tecnológicos optimizan para modelos generales. Eso deja dos caminos estructuralmente protegidos para equipos pequeños:
Camino 1 — Fosos de datos personales o protegidos. Construye productos que dependan de datos privados que los modelos de frontera no pueden acceder legal, ética o técnicamente. El ejemplo de Dean: una herramienta que ayuda a los usuarios a organizar su propia información personal. El dato es el foso — y se compone con el uso.
Camino 2 — Modelos especializados de nicho (la forma AlphaFold). Entrena un modelo pequeño y altamente preciso con datos propietarios curados en un dominio difícil. AlphaFold es el ejemplo canónico: un modelo especializado en plegamiento de proteínas, no un generalista — y logró precisión de clase mundial. La misma forma existe en ciencia de materiales, química cuántica y diseño de chips.
Ingeniería de contexto > escala de modelo
El punto técnico más afilado de Dean: el modelo es solo una pieza del sistema.
Los datos de entrenamiento se “remueven en una sopa de cientos de miles de millones o billones de parámetros” — el conocimiento existe, pero es confuso. La información colocada directamente en el contexto actual es precisa e inmediatamente utilizable.
La evidencia concreta, desde dentro de Google:
- El documento Performance Hints de 30 páginas. Dean y Sanjay Ghemawat lo publicaron con trucos de optimización de bajo nivel. Los desarrolladores que alimentaron incluso una versión resumida a un modelo mejoraron mediblemente su capacidad de razonar sobre rendimiento de código — sin cambiar un solo peso.
- La skill de optimización de benchmarks. Escribieron una “skill” estructurada que enseña a un modelo a ejecutar microbenchmarks, modificar código, re-ejecutar benchmarks, observar cambios de caché e iterar — convirtiendo un modelo estándar en un ingeniero optimizador de sistemas autónomo.
- El simulador aprendido 300.000x más rápido. En química cuántica, evaluar una molécula con teoría funcional de densidad toma una noche de cómputo. Los colegas de Dean entrenaron una aproximación neuronal del simulador — 300.000x más rápida, casi igual de precisa. Examinar 10 millones de configuraciones moleculares ahora ocurre “mientras vas a almorzar” en lugar de durante seis meses.
El modelo no se volvió más inteligente. El contexto sí.
Los agentes corren durante semanas — no horas
La predicción de Dean de mayo de 2025 (IA acercándose a la capacidad de un ingeniero júnior) se ha validado — y admite que subestimó lo rápido que progresarían los modelos en tareas complejas.
El mayor punto ciego de la industria: la gente asume que los agentes son tareas de 1–2 horas. En realidad, con modelos subyacentes capaces en dominios adecuados, los agentes corren continuamente durante días o incluso semanas. Su ejemplo: un agente de larga ejecución que reescribe de forma fiable un código completo a otro lenguaje con mejores propiedades de seguridad o rendimiento.
El muro del paso 30 y la búsqueda multiagente
Cada equipo que ha construido agentes ha visto el mismo fallo: primeros 10 pasos fluidos, hacia el paso 30–50 el agente olvida su objetivo, repite acciones y se desvía.
“En cuanto te sales un poco de la distribución de cosas que sabe hacer, su rendimiento empieza a degradarse de repente.” — Jeff Dean
La solución no es un mejor prompt. Es búsqueda:
- Exploración paralela — múltiples agentes prueban enfoques diferentes simultáneamente
- Evaluación activa — un agente evaluador separado puntúa cada camino
- Poda de ramas — los caminos prometedores sobreviven; los fallidos se descartan
El cómputo en tiempo de inferencia usado como búsqueda da una fiabilidad dramáticamente mayor en flujos de agentes de larga duración. Así es exactamente como Google ejecuta harnesses internos: un conjunto de skills que enseñan a los agentes a usar herramientas internas para código, revisión, medición de rendimiento y obtención de logs.
Hardware de inferencia: el próximo campo de batalla
El momento “ponerlo en memoria” de Dean para 2026 es el hardware de inferencia dedicado, de bajo consumo y alto rendimiento — el análogo de la decisión de Google en 2001 de mover el índice de búsqueda del disco a la RAM.
La física detrás:
- Una multiplicación en un acelerador cuesta ~1 picojulio
- Mover ese dato de HBM al procesador cuesta 1000x más energía que el propio cálculo
- Esto fuerza el procesamiento por lotes (bueno para rendimiento, malo para latencia de un solo usuario)
- El ancho de banda de comunicación se degrada bruscamente más allá de clústeres de ~500 chips
Reducir la latencia de inferencia 50x desbloquearía paradigmas de aplicación completamente nuevos: robots, procesamiento de video en tiempo real, sistemas operativos, toma de decisiones continua. Hoy, más de 10 segundos de latencia significa que los humanos tratan la IA como una herramienta de consulta ocasional. Casi tiempo real cambia el límite del producto por completo.
Taste: la habilidad más escasa cuando los agentes escriben todo el código
Cuando los agentes manejan la ejecución, saber qué pedirles que resuelvan se convierte en la habilidad más rara. Los consejos de Dean para construir taste:
- Trabaja en muchos problemas diferentes — construye reconocimiento de patrones
- Lleva un registro de predicciones — escribe 10 cosas que creas que importarán en 12 meses; verifícate un año después
- Haz experimentos mentales locos de primeros principios — como su idea de hardware: "¿Y si diseñáramos chips con transistores poco fiables que cometen 20 errores al día, manejando las fallas con redundancia de alto nivel como el cerebro humano?"
“La mayor parte de la batalla es en qué problema vas a pasar tu tiempo. Si eliges bien el problema y lo resuelves, eso es mucho mejor que ejecutar encantadoramente una investigación sobre un problema aburrido.” — Jeff Dean
Discovery Loop: la regla del 1% aplicada
Dos semanas después de la charla, Dean dejó Google con sus colaboradores de más larga data — Sanjay Ghemawat (MapReduce, Bigtable, Spanner), Oriol Vinyals (VP de DeepMind) y Quoc Le (cofundador de Google Brain) — para construir Discovery Loop, con Google como inversor fundador y socio de nube.
Su misión: automatizar y comprimir el método científico. Sistemas de IA que proponen, ejecutan y evalúan experimentos por sí mismos — miles en paralelo. Inicialmente aplicado de forma recursiva a la propia investigación de ML (IA construyendo mejor IA), luego a diseño de chips y ciencia de materiales.
Es la regla del 1% en forma de empresa: apuntando al territorio definitivo del 0–1% donde los modelos generales fallan, usando sistemas de bucle cerrado automatizados con evaluadores fiables — porque, como dice Dean, “cualquier cosa con objetivos medibles puede progresar enormemente hoy.”
Qué significa para ti
- Audita tu idea contra la frontera. Si Gemini/GPT/Claude puede hacer el 20% hoy, el reloj corre. Si están en 0–1%, estás en la zona verde.
- Domina el dato o domina el dominio. Los generalistas no pueden perseguir todos los nichos; los datos protegidos y los modelos especializados son los fosos duraderos.
- Ingeniería el contexto, no los pesos. Recuperación, herramientas, memoria y orquestación son donde los equipos pequeños ganan — necesitas una API, no un clúster de GPUs.
- Escribe especificaciones precisas. Los agentes no pueden hacer preguntas de seguimiento como un ingeniero senior. Cuanto más clara la especificación, mejor rinde el agente.
- Diseña para búsqueda multiagente. Espera el muro del paso 30 y arquitecta exploración paralela + poda con evaluador desde el primer día.
Conclusión
La regla del 1% es engañosamente simple, pero reformula la estrategia competitiva en IA: si la frontera ya puede hacer tu trabajo una quinta parte de las veces, estás construyendo sobre tiempo prestado. La infraestructura subyacente — ingeniería de contexto, búsqueda multiagente, silicio de inferencia especializado, bucles de experimentación automatizados — es donde se crea o se destruye el valor de la próxima década.
Y cuando el arquitecto de MapReduce, TensorFlow, la TPU y Gemini sale de Google para financiar él mismo la zona del 0–1%, merece la pena tomarse el número en serio.