Karpathy: la brecha de la IA tiene 4 niveles y crece

6.000 millones de personas no han tenido prácticamente contacto con un modelo de lenguaje. Ese es el primer escalón del embudo que Andrej Karpathy —ex director de IA de Tesla y miembro fundador de OpenAI— volvió a poner sobre la mesa al retomar un hilo que había publicado en abril. Su tesis: la brecha en la comprensión de la capacidad real de los LLM dejó de ser "dos grupos que se hablan sin escucharse" y se convirtió en un embudo afilado.

Para un founder esto no es una curiosidad sociológica. Es el mapa de dónde está realmente la ventaja competitiva: si tu equipo entero opera en el segundo escalón y tu competencia en el cuarto, la distancia no se cierra con más reuniones de alineación.

¿Quién usa realmente la IA? El embudo de 4 niveles

Karpathy ordena a la población mundial en cuatro grupos según su exposición real a los modelos:

• 6.000 millones de personas (alrededor del 75%) apenas han rozado un LLM. Su única referencia es un chatbot que se equivocaba con preguntas obvias.
• Entre 1.000 y 2.000 millones (cerca del 20%) son usuarios casuales y esporádicos de productos gratuitos tipo ChatGPT. Para ellos la IA es "un Google un poco mejor" o una ayuda para redactar. Karpathy incluye aquí a muchos profesionales no técnicos, ejecutivos incluidos: entienden el fenómeno de forma intelectual, pero de segunda mano.
• Unos 20 millones (el 0,2%) usan modelos de frontera en matemáticas y código, y ven en primera persona cómo proyectos que antes tomaban semanas ahora salen con un prompt: construir apps, copiarlas, traducirlas o decompilarlas desde un binario.
• Unas 5.000 personas (el 0,00006%) tienen acceso interno a sistemas de frontera, con enjambres de agentes colaborando durante semanas en mega proyectos de software, ciberdefensa y matemáticas.

Ese último grupo, según Karpathy, ya produce resultados que a profesionales de élite les habrían tomado años. Y agrega un detalle incómodo: la capacidad humana de revisar y comprender empieza a quedar atrás. Pone dos ejemplos concretos: la "arqueología" del incidente OpenAI-HF y los 722 manuscritos de matemáticas de frontera que todavía se están analizando.

El mejor retrato del malentendido central lo dio Business Insider al cubrir el hilo: la primera población se ríe de las alucinaciones, como en el video viral donde el modo de voz de OpenAI fallaba con la pregunta "¿debo ir caminando o en auto al lavadero?". La respuesta de Karpathy es precisa: "los modelos gratuitos y viejos no reflejan la capacidad de la última tanda de modelos agénticos de este año".

¿Por qué la brecha se ensancha en lugar de cerrarse?

Karpathy identifica tres fuerzas. Vale la pena entenderlas por separado, porque cada una se puede atacar desde una startup.

La primera es que el impacto escala con la ambición, el tamaño del problema y el horizonte. Una pregunta que se responde en un párrafo apenas tensa el sistema. Para obtener valor real necesitas un reservorio de problemas grandes y difíciles que de verdad te importen. Si tu equipo le pide a la IA que redacte correos, obtendrá mejoras marginales; si le pide resolver un cuello de botella estructural, la curva es otra.

La segunda es la irregularidad del sistema. La capacidad se concentra en dominios digitales, verificables y económicamente valiosos. ¿La razón? El modelo aprende sobre todo por refuerzo con recompensas verificables en entornos curados según su potencial de ingresos. Por eso Karpathy insiste: "las consultas típicas de búsqueda, redacción o consejos no son el dominio que registró los avances más notables".

La tercera es el acceso: gratuito, de pago o interno. Y aquí está el problema de fondo: mucha gente probó el nivel gratuito el año pasado y dejó que esa experiencia definiera su opinión sobre toda la tecnología.

¿La brecha también aparece dentro de las empresas?

Lo que Karpathy describe desde la conversación pública se replica en las organizaciones. TechRepublic recoge que casi nueve de cada diez compañías ya usan IA en al menos una función, pero la firma de análisis Recon Analytics, en una encuesta a más de 120.000 empleados corporativos realizada entre marzo de 2025 y enero de 2026, encontró que solo el 8,6% tiene agentes de IA en producción, un 14% sigue en pilotos y el 63,7% no tiene ninguna iniciativa formalizada.

El mismo patrón se ve en la intensidad de uso. Según OpenAI, citado por TechRepublic, los "trabajadores de frontera" —el 5% con mayor intensidad de adopción— envían seis veces más mensajes que el trabajador medio, y las "empresas de frontera" generan alrededor del doble de mensajes por usuario que la mediana del mercado. La propia OpenAI reporta que el volumen de mensajes de ChatGPT Enterprise creció cerca de 8x interanual y el consumo de tokens de razonamiento vía API unos 320x.

Del lado de los ingenieros, los números son más agudos. El informe State of Development Report: AI Agents de Temporal Technologies, sobre más de 550 ingenieros, muestra que el 80,8% usa agentes a diario o con más frecuencia (frente al 47,3% un año antes) y que el 91,1% dice que le mejoraron o revolucionaron la productividad. Pero el 41,1% se topa con problemas relacionados con agentes todos los días.

Y ahí aparece el contrapeso: una encuesta informal de SD Times a 103 desarrolladores revela que el 87% usa o piensa usar asistentes de código, pero solo el 31% confía en la exactitud de lo que generan. El favorito es Claude Code (41%), seguido de Cursor (21%) y GitHub Copilot (10%). La adopción corre mucho más rápido que la confianza. En el mismo sentido, el CEO de OpenAI, Sam Altman, reconoció que la IA "no es muy popular", según recogió Business Insider.

Qué significa esto para tu startup

Si la capacidad se concentra en cuatro escalones, tu primera tarea es saber en cuál está tu equipo — no cuánta gente "usa IA", sino con qué nivel de acceso y para qué tipo de problemas.

• Audita el acceso, no la adopción. Un equipo que trabaja con el nivel gratuito y otro que trabaja con modelos de frontera sobre código están haciendo, en la práctica, dos trabajos distintos. Para los roles cuyo cuello de botella es digital y verificable —desarrollo, datos, análisis cuantitativo—, el costo del plan pago es marginal frente a la diferencia de resultado.
• Sube la ambición del problema, no la frecuencia de uso. Karpathy es explícito: hace falta un reservorio de problemas grandes. Antes de pedir más prompts, define los dos o tres problemas estructurales del negocio que hoy nadie quiere tocar porque consumen semanas, y atácalos con agentes.
• Separa adopción de confianza. La brecha de confianza de los desarrolladores no es un obstáculo a eliminar, es una señal de diseño: si el 41,1% encuentra problemas con agentes a diario, tu proceso necesita revisión humana, trazabilidad y capacidad de revertir acciones antes de delegar decisiones sensibles.
• Mide la asimetría interna. Si dentro de tu empresa hay un 5% que manda seis veces más mensajes que el resto, ahí está tu ventaja competitiva sin documentar. Convierte ese conocimiento en playbooks internos y programas de formación: el 46% de los líderes técnicos señaló en 2025 la falta de talento como barrera principal para implementar IA, según TechRepublic.

Conclusión

La historia de la IA en 2026 no es la de una adopción pareja. Es la de un embudo: miles de millones mirando de lejos, millones usándola como un buscador mejorado, decenas de miles sintiendo la curva vertical y unos pocos miles viviendo un año hacia adelante. La pregunta para un founder no es si la IA funciona, sino qué escalón está ocupando su equipo mientras el resto se acomoda en el suyo.

Fuentes

• Andrej Karpathy en X (fuente original)
• Business Insider
• TechRepublic
• SD Times
• Temporal Technologies