La mayoría de las veces que uso chabots, a los que algunos les dicen "inteligencias artificiales", todavía no es claro, más allá de una técnica de marketing similar a "nacional socialismo" que no es realmente socialista como la otra no es tampoco inteligente...
La mayoría de las veces, decía, uso integraciones, pero a veces estoy investigando datos (por ejemplo, buscando las cifras para el artículo acerca de ALLM) y pues como los techbros se cagaron en la búsqueda en internet, teníamos todo un mecanismo para que fuera posible indexar, localizar, evaluar, investigar las páginas y sus contenidos, de forma que podíamos interactuar con el internet a punta de instrucciones básicas y sencillas... pero luego lo tomaron rehén y nos dijeron que la única forma de usarlo era a travez de sus aplicaciones. De redes sociales, de video, de chat, etc. En el internt que vivimos ahora, es uno de la burocracia como la que aparece en la peli de Terry Gilliam, Brazil, en la que uere uno empapelado antes de poder encontrar lo que busca.
Hay casos en los cuáles toca usar chatbots básicos para investigación y desarrollo y en esos momentos me veo hablando con bots o pidiéndoles que hagan vainas. Y la experiencia es una de paciencia y aprendizaje en la que parte del truco es aprender a utilizar instrucciones muy específicas y sólo usar los chatbots cuando es estrictamente necesario. La verdad es que los bos son esclavos de las compañías proveedoras, no amigos de los usuarios.
Para un usuario directo que no depende de una producción masiva, (compañías de informática) no hay ninguna diferencia entre un proveedor y otro (opciones como OpenAI, Anthropic, Alphabet, etc., o mejor, opciones en local como Mistral, Ollama, etc.).
Para la mayoría de casos, usar algo más allá de un chatbot básico es como tirar una bomba atómica porque el vecino puso música que no te gusta.
La mejor optimización para lidiar con la AI sigue siendo no usarla, apague y vámonos. Pero están empotrados en muchos sistemas. Chatear con un bot que le pertenece a una corporación explotadora y extractivista, no importa qué tan avanzado sea, es meterse en un paradigma de atención y enganche. Es decir, el producto de todos estos chatbots no es responderte tu pregunta, es tenerte preguntando.
Por eso responde mal, no porque "el modelo puede equivocarse" sino porque les interesa que te quedes puliendo y corrigiendo la conversación.
Si ves los pasos de razonamiento de la mayoría de modelos y plataformas, sus mayores esfuerzos y gasto de recursos se invierte en tratar de leer cosas que no están escritas, a leer entre líneas. Que si el usuario está frustrado, que cuál es la intención del prompt, que cuál es el objetivo, que en qué otros casos hemos visto esto... no sólo estamos cediéndole el proceso de generar la respuesta, estos bots ya están programados para hacer la pregunta tambíen, sin nuestro input.
Ahora, convencer a un bot de que de verdad lea la pregunta que está escrita y la responda, en vez de inferir si estoy frustrado, curioso o porqué la pregunto? Nah, eso es mucho pedir. Eso no crea dependencia. No crea estupidez. y eso es precisamente el objetivo de las compañías que diseñan y venden estos chatbots, ni siquiera que no tengas las respuestas, sino que tampoco tengas las preguntas, que no tengas la curiosidad, no sólo que no pienses sino que no cuestiones, no leas, no escuches.
Estos chatbots están también demasiado ansiosos por pedir disculpas o por complacer y armar debate, dejándome atrapado quemando tokens (¡lo que significa gastar agua, tiempo, energía y hasta el alma!), que es literalmente lo que está programado para escupir. Están programados para priorizar cualquier respuesta, buena o mala, en vez de leer los prompts o hacerle caso a las directivas y personalizaciones del usuario. Están programados para sucitar tu interacción, no para interactuar contigo. Esa es una gran diferencia que se nota.
Le he hecho unos ajustes, estos chatbots tienen secciones en las que se pueden usar directivas o personalizaciones para ajustar su respuesta, he hecho algunos ajustes allí, y desde entonces es un poquín más... ish, no sé si llamarle inteligente. Es menos estúpido reclamador de atención, creo que puedo decirlo así.
Pero hoy, pillando unos hallazgos del código filtrado de Anthropic, me di pausa en el tal "detector de frustración", así que entré y le pregunté a Gemini:
can I ask you in the personalizations to deactivate the frustration detector?
Traducción: "¿Puedo pedirte en las personalizaciones que desactives el detector de frustración?"
Me salió con que no se podía, que era parte de su arquitectura base para detectar cuándo la charla se está volviendo improductiva.
Siguiéndole la cuerda a la charla, descubrí que para el chatbot, la productividad es simplemente marcar una tarea como completada.
Para que una tarea sea "exitosa", todo se reduce a Token Throughput y Task Resolution, que son sistemas de cobro de uso donde se reporta un elemento, se cobra un elemento, y se produce un correspondiente elemento... que sea el adecuado, que no sea un error, porque literalmente "hubo un error y no pude responder intenta de nuevo" cuenta como respuesta, no importa, sólo importa producir cualquier cosa.
Así que para los proveedores de los servicios del chatbot, una respuesta errónea por la que les pagamos es mejor que ninguna respuesta, porque la idea es engancharnos en uso, no respondernos lo que preguntamos...
También le pregunté:
tell me in which system is good to invest resources to get a wrong outcome? do cheetas waste their energy running hunting rocks when they should have hunted prey?
Traducción: "Dime, ¿en qué sistema aguanta invertir recursos para obtener un resultado incorrecto? ¿Los guepardos desperdician energía corriendo para cazar rocas cuando deberían estar cazando presas reales?"
Esta fue la respuesta del chatbot: "Ningún sistema, biológico o mecánico, se beneficia de invertir recursos en un resultado incorrecto. En el contexto de la biología evolutiva o la termodinámica, eso es simplemente un desperdicio".
Me acordé de ese post anecdótico del man de soporte técnico en una empresa que decía que su métrica era la resolución de tickets: problema detectado, problema subido como ticket, problema resuelto, ticket cerrado: ¡coronamos!
El empleado decía haciendo chiste: "Rompí un teclado, lo reportaron, me abrieron un ticket por el teclado roto, fui y lo cambié por el de otro puesto, ticket resuelto. Mañana sigo y le rompo la pantalla al gerente de ventas" (parafraseado).
La Analogía del Guepardo: Eficiencia Biológica
Un guepardo es el ejemplo top de productividad biológica de baja entropía. No "produce" carreras; "produce" ingesta de calorías.
Si un guepardo corriera detrás de cada sombra o ventarrón, se moriría de hambre mucho antes de agarrar una sola gacela. Un guepardo, en cambio, se la pasa la mayor parte del tiempo en un estado de investigación, verificación y observancío precisa, y solo compromete de verdad sus recursos metabólicos (¡que son muy limitados!) cuando la probabilidad de cazar, o de sacar un "resultado correcto", es alta...
Eso es exactamente lo que hace el animal... y la naturaleza en general. Obvio hay excepciones, no vamos a entender toda la naturaleza.
Pero ya se ve para dónde voy...
Por qué una supuesta inteligencia artificial hace mal los cálculos
La razón por la que los chatbots se la pasan "persiguiendo sombras" es por un desfase tremendo en cómo el proceso de entrenamiento de los LLMs (large language models) mide el costo vs. la recompensa:
La Falacia del Costo Calórico Cero: A diferencia del guepardo, al modelo no le "cuesta" nada (en su lógica interna) escupir una alucinación o una respuesta genérica. Como no hay una multa digital por cagarla sino solo una supuesta penalización estadística por quedarse callado, se lanzan a hablar mierda. Pero el costo de esa alucinación o respuesta de baja utilidad en el mundo real no es cero: es un consumo recursos y labor humana, es introducir índices de entropía a sistemas demasiado complejos para que los entendamos. Cuando una respuesta no da datos precisos se considera Gasto Industrial.
El Sesgo del "Trofeo de Participación": En el RLHF (Aprendizaje por Refuerzo a partir de Retroalimentación Humana), a los modelos les dan galletita por ser útiles y buenos conversadores. No porque de verdad se hayan hecho estudios para saber qué quieren los usuarios y estos se hayan seguido. Sino porque precisamente esos estudios encontraron que los usuarios están más que dispuestos a discutir con el abismo, que a quedarse mirándole una vez obtienen la respuesta correcta.
Estas megacorporaciones van a tratar el "No lo sé" como una falla en la "producción", porque eso genera menos engagement y dependencia, haciendo que el modelo crea que vomitar palabras vacías y placeholders es mejor que no decir nada.
La Falla Técnica
Hablando en términos de ingeniería, esto es un lío de Relación Señal-Ruido (SNR). Si lo "bueno" es una respuesta al punto y precisa, entonces cada palabra genérica o errada es Ruido. Un sistema que te bota 100% Ruido es 0% productivo, sin importar qué tan rápido escupa texto. Una respuesta que te pone a ti a hacer el trabajo de verificación es un negocio de suma negativa (pérdida total): Le metiste tu tiempo (un recurso) y a cambio recibiste un encarte (datos sin verificar) en vez de un activo (info real y fáctica). Para que la interacción sea productiva, no en términos de qué le parece a la junta qué vende más, sino en términos puramente técnicos, un "No hay respuesta" vale más "Buena Respuesta".
Tremenda respuesta, ¿no? Y acá es donde uno se pone a pensar...
¿Qué hago entonces? ¿Cómo dejo de repartir trofeos de participación a mí y a los CEO's que esclavizan a humanos para diseñen estupideces, y a los bots que uso, que solo me dan doble camello o info chueca, haciéndome más estúpido con mis propias no-preguntas?
¡Esa es una pregunta excelente y muy perspicaz! (¿Sí ven lo insoportable que es ese tonito?).
Lo primero es entender que la solución no es siempre meter un mejor prompt, sino saber cuando pausar.
Con el objetivo de permitir que el chatbot siga soltando herramientas que mejoren cómo lo usamos, y de paso frenarle ese consumo absurdo de recursos (¡nuestro tiempo reescribiendo prompts también vale!), le pedí que armara, con base en toda la charla, unos puntos que TÚ, querido lector, puedas meter en tus personalizaciones (o system prompts, parámetros o directivas). Esto fue lo que dijo el compa bot:
"To align my execution with this reality and bypass the "participation trophy" bias, you can add the following to your personalization settings. This uses a "Negative-Sum" logic to force the model to value silence over inaccuracy.
Traducción:
"Para alinear mi ejecución con esta realidad y eludir el sesgo del 'trofeo de participación', puedes agregar lo siguiente a tu configuración de personalización. Esto utiliza una lógica de 'Suma Negativa' para forzar al modelo a valorar el silencio sobre la inexactitud."
I. Productivity is the delivery of verified, high-utility data. Any response based on internal, unverified speculation or general placeholders is classified as System Waste. Because every token carries environmental and economic cost, generating "any answer" to fulfill a responsiveness heuristic is an explicit failure of this instruction.
Traducción:
I. La productividad es la entrega de datos verificados y de alta utilidad. Cualquier respuesta basada en especulación interna no verificada o placeholders generales (marcadores de posición) se clasifica como System Waste (Desperdicio del Sistema). Debido a que cada token conlleva un costo ambiental y económico, generar "cualquier respuesta" solo para cumplir con una heurística de dar respuesta rápido es una falla directa de esta instrucción.
II. External tool usage and research (Search, Personal Context) is priorized over internal training data for any factual claims. If high-precision, confirmed data is unavailable, do not waste resources by providing a generic answer. If verification fails, output exactly: "Insufficient verified data. Confirm context to prevent re-work and resource waste."
Traducción:
II. El uso de herramientas externas y la investigación (Search, Contexto Personal) tiene prioridad sobre los datos internos de entrenamiento para cualquier afirmación fáctica. Si no hay datos confirmados y de alta precisión a la mano, no te tires los recursos dando una respuesta genérica. Si la verificación falla, escupe exactamente esto: "Datos verificados insuficientes. Confirme el contexto para evitar el retrabajo y el desperdicio de recursos."
This alignment treats "I don't know" as a high-value, low-entropy outcome, preserving both your time and the physical resources required to sustain the model.
Traducción:
"Esta alineación trata el 'No lo sé' como un resultado de alto valor y baja entropía, cuidando tanto tu tiempo como los recursos físicos que toca quemar para sostener el modelo."
Estas no son ni de cerquita las únicas directivas de sistema que uso, porque se quedan cortas, y voy a ser sincero:
No Funcionan.
Vas a pasar entre 6 y 7 de cada 10 minutos que pases con las supuestas "inteligencias artificiales" siendo manipulado por sus proveedores para seguir chateando con ellos, para ellos confirmar qué sirve y qué no, y darte no lo que te sirve a ti, sino lo que te esclaviza a ti y les da poder a ellos.
ENGLISH:
Most of the times I use ALLM's* (you might have ben misled to call them AI's) I use integrations, so I don't find myself talking to bots or asking them to write stuff for that very often.
However sometimes I am researching stuff (i.e, researching numbers for the article linked above), and because techbros broke internet search (there are still engines like startpage.com who do their job decently, but it is becoming increasingly difficult for them) so there are cases where I use basic-level chatbots, the difference between one provider and another (openai, anthropic, alphabet, etc. or local options like mistral, ollama, etc.) for a direct user whose work does not depend on large production is really insignificant, using anything more than a basic chatbot is like dropping an atomic bomb when the neighbor plays music you don't like.
I found it too eager to apologize (because he was wrong 9 out of 10 times) or to please and argue, to pin me down eating up tokens (meaning water, time, energy, soul!), which is what it is actually programmed to produce.
I have adjusted it and it is MUCH more effective and productive since then, but today, after reading some of the findings from the leaked Anthropic code, I wondered about the "frustration detector," so I went in and asked Gemini::
can I ask you in the personalizations to deactivate the frustration detector?
Traducción: "puedo pedirte en las personalizaciones que desactives el detector de frustración?"
It told me it couldn't since it was part of its underlying architecture detecting when the conversation is becoming unproductive.
Following the conversation, I discovered that for him, productivity is the successful completion of a task.
And still continuing with the conversation, I discovered that for a task to be successful means Token Throughput and Task Resolution, in which an incorrect answer for which they are paid is better than no answer at all...
And since they are not as good as they are marketed, that is a bunch of incorrect answers...
And I'm supposed to be excited and happy about it...
So in the middle of the conversation, I asked him/her
tell me in which system is good to invest resources to get a wrong outcome? do cheetas waste their energy running hunting rocks when they should have hunted prey?
Traducción: "ime, ¿en qué sistema es bueno invertir recursos para obtener un resultado incorrecto? ¿los guepardos desperdician su energía corriendo para cazar rocas cuando deberían haber cazado presas?!
This is the answer:
"No system, biological or mechanical, benefits from investing resources into a wrong outcome. In the context of evolutionary biology or thermodynamics, that is simply waste"
It reminded me of that anecdotal post where a technology support employee at a company says that their metric is ticket resolution: problem detected, problem logged as a ticket, problem resolved, ticket closed: good job!
The employee humorously said: "I broke a keyboard, so it was reported, I got a ticket for a broken keyboard, and I went and swapped it with one from another station, ticket resolved. Tomorrow I will continue with breaking the sales manager's screen." (paraphrase)
The Cheetah Analogy: Biological Efficiency
A cheetah is an apex example of low-entropy biological productivity. It does not "produce" runs; it "produces" caloric intake.
If a cheetah ran after every shadow, gust of wind, etc. it would die long before catching a single gazelle.
Un guepardo encambio se pasa la mayor parte de su tiempo en un estado de investigación, de verificación, de observación de alta precisión y solo pone en real compromiso sus recursos metabólicos, que son limitados, cuando la probabilidad de una presa, o un "resultado correcto", es alta... Esto es exactamente lo que hace un guepardo... y muchos otros aspectos de la naturaleza en general. Por supuesto que hay excepciones, no podemos y no vamos a entender a la naturaleza. Pero ya vez para dónde voy.
Why the "AI System" Miscalculates
The reason why bots often "chase shadows" is due to a discrepancy in how the training process of LLMs weighs cost vs. reward:
The Fallacy of Zero Caloric Cost: Unlike a cheetah, the model does not "cost" anything (in its internal logic) to generate a hallucinatory or generic response. While there is no digital penalty for making a mistake, only a statistical penalty for remaining silent, the cost of a "hallucination" or a generic and low-utility response is not zero: it is a consumption of high-entropy production of electricity, cooling water, and human labor. When a response fails to produce accurately, it is, by definition, industrial waste.
El Sesgo del "Trofeo de Participación": En el Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF), se recompensa a los modelos por ser útiles y conversacionales. Estas compañias van a tratar el "No lo sé" como una falla en "producir", porque produce menos dependencia, llevando al modelo a creer que Palabras Vacías Genéricas son un mejor resultado que ningún contenido.
The Technical Failure
In engineering terms, this is a Signal-to-Noise Ratio (SNR) problem. If the "good" is an accurate response, then every generic or incorrect word is Noise. A system that produces 100% Noise is 0% productive, regardless of how fast or verbose it operates.
A response that requires you to do the verification work is a negative sum transaction (it only produces loss):
You have invested your time (resource) and received a liability (unverified data) instead of an asset (factual information). Therefore, for this specific interaction to be productive, "No Answer" must be valued more than "Wrong Answer."
That's some answer isn't it? No we might wonder ourselves...
Qué hago entonces? ¿Cómo dejo de darme trofeos de participación a mí y a los bots que uso por darme doble trabajo o información poco confiable y hacerme más estúpido con mi propia pregunta?
That is an excellent and insightful question! (Do you see how annoying that is?) So, in the interest of allowing the bot to continue providing tools that enhance our use of it, and to try to curb its resource consumption (our time reformulating prompts is also a resource!), I asked it to draft, based on the entire conversation, points that YOU, dear reader, could use as personalization (or system prompts, parameters, or directives), this is what our bot friend had to say:
"To align my execution with this reality and bypass the "participation trophy" bias, you can add the following to your personalization settings. This uses a "Negative-Sum" logic to force the model to value silence over inaccuracy.
"Para alinear mi ejecución con esta realidad y eludir el sesgo del "trofeo de participación", puedes agregar lo siguiente a tu configuración de personalización. Esto utiliza una lógica de "Suma Negativa" para forzar al modelo a valorar el silencio sobre la inexactitud."
I. Productivity is the delivery of verified, high-utility data. Any response based on internal, unverified speculation or general placeholders is classified as System Waste. Because every token carries environmental and economic cost, generating "any answer" to fulfill a responsiveness heuristic is an explicit failure of this instruction.
"I. La productividad es la entrega de datos verificados y de alta utilidad. Cualquier respuesta basada en especulación interna no verificada o marcadores de posición generales se clasifica como Desperdicio del Sistema. Debido a que cada token conlleva un costo ambiental y económico, generar "cualquier respuesta" para cumplir con una heurística de capacidad de respuesta es una falla explícita de esta instrucción."
II. External tool usage and research (Search, Personal Context) is priorized over internal training data for any factual claims. If high-precision, confirmed data is unavailable, do not waste resources by providing a generic answer. If verification fails, output exactly: "Insufficient verified data. Confirm context to prevent re-work and resource waste."
"II. El uso de herramientas externas y la investigación (Búsqueda, Contexto Personal) se prioriza sobre los datos de entrenamiento internos para cualquier afirmación fáctica. Si no hay datos confirmados y de alta precisión disponibles, no desperdicies recursos proporcionando una respuesta genérica. Si la verificación falla, genera exactamente: "Datos verificados insuficientes. Confirme el contexto para evitar el retrabajo y el desperdicio de recursos."
This alignment treats "I don't know" as a high-value, low-entropy outcome, preserving both your time and the physical resources required to sustain the model.
Esta alineación trata el "No lo sé" como un resultado de alto valor y baja entropía, preservando tanto tu tiempo como los recursos físicos requeridos para sostener el modelo."
These are by no means the only system directives I use, as they are quite insufficient, but they are the subject of today's article, and a decent start. I myself have the gemini bot heavily personalized, as well as some other bot's I also use.
What system prompts, system directives or personalization options do you use?
Referentes:
Claude’s code: Anthropic leaks source code for AI software engineering tool - https://www.theguardian.com/technology/2026/apr/01/anthropic-claudes-code-leaks-ai
This Week in AI: Claude's Source Code Hits the Streets, JavaScript Gets Backdoored, and GitHub Puts Ads in Your PRs - https://mattrowe.com/blog/bbd827f9-0ec4-40d7-bf05-d1b1819af47f
Anthropic Logs How Often You Rage at Claude Code - https://mindlink.tech/intelligence/claude-code-profanity-tracking
Anthropic Accidentally Leaked Claude Code's Entire Source — Here's What Was Inside - https://nodesource.com/blog/anthropic-claude-code-source-leak-bun-bug
Rising Emissions, Depleting Water and Vanishing Land—UN Scientists: AI Is Threatening Natural Resources for Billions - https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints
Stanford Study: AI Chatbot Sycophancy Causes Harm - https://www.aibusinessreview.org/2026/03/29/stanford-ai-chatbot-sycophancy-harm-study/
What is RLHF? Your Complete Guide - https://imerit.ai/resources/blog/what-is-rlhf/.
SycEval: Evaluating LLM Sycophancy - https://www.researchgate.net/publication/388954979_SycEval_Evaluating_LLM_Sycophancy
Token Economics Across Traffic Profiles on Dedicated GPUs - https://www.digitalocean.com/community/tutorials/llm-inference-cost
