Estuve en la primera cohorte de pasantes de OpenAI. Esto es lo que me enseñó sobre cómo convertirme en un ingeniero nativo de IA.

      TL;DR: La IA está facilitando más que nunca la construcción de software que se ve impresionante en una demostración. Pero después de trabajar en la primera cohorte de pasantes de OpenAI, aprendí que el verdadero desafío no es solo la velocidad. Es el juicio: saber en qué confiar, qué probar y cuándo un humano aún necesita estar involucrado.

      La IA ha facilitado más que nunca la creación de software que se ve impresionante.

      Se puede construir un prototipo más rápido. Se puede explorar una base de código más rápido. Se puede generar una prueba más rápido. Se puede resumir un documento confuso más rápido. Para los ingenieros, este es un cambio enorme.

      Pero la velocidad no es lo mismo que el juicio.

      Esa fue una de las lecciones más grandes que aprendí durante mi tiempo en OpenAI. Fui parte de la primera cohorte de pasantes de la empresa, y la experiencia cambió la forma en que pienso sobre la ingeniería de software en la era de la IA. El 💜 de la tecnología de la UE Las últimas novedades de la escena tecnológica de la UE, una historia de nuestro sabio fundador Boris y un arte de IA cuestionable. Es gratis, cada semana, en tu bandeja de entrada. ¡Inscríbete ahora!

      Antes de eso, pensé mucho en convertirme en un programador más fuerte. Después, comencé a pensar mucho más en convertirme en un mejor juez de sistemas: qué funciona, qué falla, qué solo parece correcto y en qué se puede confiar realmente.

      Mi camino hacia la IA no fue lineal

      No comencé mi carrera con un plan perfecto.

      Nací en El Cairo y me mudé a Canadá cuando tenía 10 años. Durante mucho tiempo, pensé que seguiría medicina o ciencia forense. La informática se volvió interesante para mí cuando me di cuenta de que el software se estaba convirtiendo en una de las formas más efectivas de construir productos, resolver problemas y participar en el futuro de la tecnología.

      Una vez que hice ese cambio, traté de ponerme en entornos donde pudiera aprender más rápido.

      Mi primera pasantía en software fue no remunerada. No fue en una famosa empresa de tecnología o en un laboratorio de IA conocido. Fue con un proyecto de software muy temprano dirigido por un estudiante de Waterloo. No pude conseguir un rol de software remunerado al principio, así que aproveché la oportunidad que tenía y traté de convertirla en la siguiente.

      Ese camino eventualmente me llevó a Whatnot, luego a Verkada y finalmente a OpenAI.

      En ese momento, OpenAI estaba preparando su primera cohorte de pasantes. Apliqué el día que se abrieron las solicitudes después de que un amigo envió el enlace en un chat grupal. Debido a que la cohorte era nueva, no había un manual establecido. Nadie podía decirme exactamente cómo serían las entrevistas o qué tipo de antecedentes querían.

      El proceso me sorprendió.

      Esperaba que las entrevistas se centraran mucho en la inteligencia artificial. En cambio, la mayor parte del proceso evaluó la ingeniería de software básica: algoritmos, diseño de sistemas, velocidad, claridad y juicio.

      La barra no era solo si podía resolver el problema. Era si podía pensar con claridad, comunicarme bien y moverme rápidamente bajo presión.

      Eso terminó coincidiendo con la cultura que experimenté dentro de la empresa.

      En OpenAI, el ritmo se sintió más rápido de lo que esperaba de una gran empresa de tecnología. Envié código en mi primer día. No hubo un largo período de incorporación donde se explicara cada detalle antes de que pudiera contribuir. Tuve que aprender rápidamente, hacer buenas preguntas y asumir responsabilidades.

      La lección fue clara: la velocidad importa, pero el juicio importa más.

      Nativo de IA no significa dependiente de IA

      Ahora uso herramientas de codificación de IA regularmente.

      Al principio de mi carrera, era escéptico sobre cuán útiles podrían ser para trabajos de ingeniería serios. Eso cambió una vez que las herramientas se volvieron lo suficientemente buenas para ayudar con tareas reales: escribir código, generar pruebas, explorar sistemas desconocidos, resumir información y reducir el trabajo tedioso.

      Pero cuanto mejores se vuelven estas herramientas, más importantes se vuelven los fundamentos.

      Si entiendes el sistema que estás construyendo, la IA puede hacerte mucho más rápido. Si no lo entiendes, la IA puede crear la ilusión de progreso.

      Puede producir código que parece correcto. Puede dar explicaciones que suenan seguras. Puede resolver el ejemplo estrecho que tienes frente a ti mientras pasa por alto el problema más profundo en el sistema.

      Por eso creo que la próxima generación de ingenieros necesita volverse nativa de IA, pero no dependiente de IA.

      Un ingeniero nativo de IA no es alguien que acepta ciegamente las salidas del modelo. Es alguien que sabe cómo usar las herramientas de IA con gusto y disciplina. Saben cuándo confiar en la salida, cuándo cuestionarla, cuándo probarla y cuándo desacelerar.

      El trabajo del ingeniero no desaparece. Cambia.

      Más del trabajo se trata de hacer mejores preguntas, diseñar mejores pruebas, entender la arquitectura, detectar errores sutiles y saber cuándo un sistema es lo suficientemente confiable como para usarlo.

      Los agentes aumentan las apuestas

      Esto importa aún más a medida que la IA pasa de chatbots a agentes.

      Los chatbots responden preguntas. Los agentes pueden tomar acciones. Pueden usar herramientas, navegar por software, recuperar información, escribir código, revisar documentos y completar tareas.

      Eso los hace más poderosos, pero también mucho más arriesgados.

      Un chatbot que da una mala respuesta es un problema. Un agente que toma la acción incorrecta puede ser un problema mucho mayor.

      Por eso el futuro de la ingeniería de IA no puede ser solo sobre hacer modelos más capaces. También tiene que ver con la confianza.

      Los ingenieros necesitan pensar en evaluación, pruebas, transparencia, supervisión y cuándo un humano debe intervenir. Necesitan entender no solo si un sistema de IA puede hacer algo una vez, sino si puede hacerlo repetidamente en situaciones desordenadas del mundo real.

      Es fácil impresionarse con una demostración. Es más difícil construir algo que funcione cuando las entradas son poco claras, los datos son incompletos, el usuario cambia de opinión o el entorno se comporta de manera diferente a lo esperado.

      Ahí es donde el juicio de ingeniería importa más.

      La demostración no es el producto

      Un error que creo que la gente comete con la IA es confundir las demostraciones con los sistemas.

      Una demostración está diseñada para mostrar lo que es posible. Un sistema tiene que sobrevivir a lo que es probable.

      Los usuarios reales no siguen el camino perfecto. Los flujos de trabajo reales contienen información faltante, casos extremos, instrucciones poco claras, sistemas antiguos, requisitos conflictivos y restricciones inesperadas.

      El modelo es solo una parte de eso.

      El sistema circundante determina si la IA se vuelve útil: la interfaz, el bucle de evaluación, el acceso a herramientas, el manejo de errores, el camino de escalación y la supervisión humana.

      Por eso la ingeniería de software sólida sigue siendo importante. Los algoritmos, sistemas, bases de datos, redes y diseño de software no son de repente irrelevantes. Le dan a los ingenieros la base para entender cuándo el trabajo generado por IA es correcto y cuándo algo se siente mal.

      El futuro no es fundamentos versus IA. Es fundamentos más IA.

      Los estudiantes deben acercarse a problemas reales

      Para los estudiantes que intentan ingresar a la IA, mi consejo es práctico.

      Construyan cosas reales. Usen herramientas de IA todos los días. Rompanlas. Comparen modelos. Traten de automatizar partes de su propio flujo de trabajo. Noten dónde las herramientas ayudan y dónde fallan.

      No necesitas ser un investigador en aprendizaje automático para contribuir a la IA. Ese es un camino, pero no es el único.

      La industria también necesita ingenieros de software sólidos, ingenieros de infraestructura, pensadores de productos, diseñadores, expertos en seguridad y personas que entiendan cómo se comportan los usuarios reales.

      Los modelos son poderosos, pero los sistemas que los rodean determinan si se convierten en productos útiles.

      También creo que los estudiantes deberían acercarse a entornos ambiciosos lo antes posible.

      Mudarse a San Francisco cambió mi perspectiva. Estar rodeado de constructores serios hizo que el ritmo de la industria se sintiera real. Comencé a entender en qué estaban trabajando las personas, qué problemas les importaban y qué habilidades se estaban volviendo valiosas.

      Pero la proximidad por sí sola no es suficiente. Aún tienes que hacer el trabajo.

      Toma oportunidades imperfectas en serio

      Mi camino hacia OpenAI se veía mucho más limpio desde afuera de lo que se sentía mientras lo vivía.

      Fui rechazado muchas veces. Envié correos electrónicos a reclutadores. Practiqué entrevistas con amigos. Apliqué temprano. Traté de ponerme en entornos donde pudiera aprender más rápido.

      Antes de ingresar a la IA de frontera, también trabajé en empleos muy alejados del mundo de la tecnología avanzada, incluyendo como conserje. Más tarde compartí esa parte de mi historia públicamente porque creo que la gente a menudo solo ve el resultado final, no la incertidumbre que vino antes.

      Cuando la gente ve OpenAI en un currículum, asume que el camino fue directo. No lo fue.

      La