Karpathy escribió el README de su nuevo proyecto como si hablara desde el futuro. Lo redactó en pasado, mirando hacia atrás desde un punto que todavía no existe: el momento en que los laboratorios de IA ya no necesiten humanos investigando entre comidas y reuniones de equipo. Y mientras escribía esa historia, estaba construyendo la herramienta para llegar ahí.
El proyecto cabe en tres archivos. Dos ya están escritos: uno maneja los datos, otro contiene el modelo. El humano solo toca uno. Se llama program.md. Es el que le dice al agente cómo pensar.
El agente hace el resto: entrena modelos de lenguaje toda la noche, cien experimentos mientras duermes, sin intervención. Cuando despiertas, hay un log de lo que funcionó y lo que no.
Lo que más ruido hizo fue la promesa de democratización: cualquiera con una GPU puede ser su propio laboratorio de IA. Y es cierto, en cierta forma.
Pero hay algo más interesante ahí.
Karpathy describe el diseño así: no estás tocando ningún archivo de Python como lo haría normalmente un investigador. En cambio, estás programando el programa. El humano ya no escribe código. Escribe contexto. Escribe el documento que le dice al agente qué vale la pena explorar, qué métricas importan, cómo reconocer el progreso.
La calidad de todo el sistema depende de la calidad del pensamiento detrás de ese archivo.
Y eso no es nuevo. Es exactamente lo que separa a un buen líder de uno mediocre: no cuántas horas trabaja, sino qué tan bien define el problema para su equipo. No cuánto hace, sino qué tan bien diseña el contexto en el que otros operan.
La IA no cambió esa ecuación. La amplificó.
Un equipo con instrucciones vagas produce resultados vagos, con o sin agentes. Un equipo con claridad sobre qué importa y por qué, ahora puede mover el mundo con una fracción de los recursos de antes.
Karpathy llama a ese archivo program.md. En las organizaciones lo llamamos estrategia, cultura, criterio.
La pregunta no es si tienes los agentes. Es si tienes lo que va dentro del archivo.