HackerTube: YouTube curado por IA con datos de Hacker News

6.454 videos recomendados por usuarios de Hacker News entre 2007 y 2026, agrupados en 150 temas y servidos dentro de una interfaz que imita YouTube. Ese es HackerTube, el sitio que Karpathy construyó en unas dos horas con un agente de IA y publicó en su blog.

El detalle que importa no es la anécdota del fin de semana: es que un solo desarrollador haya levantado un clon funcional de una plataforma de video que corre en un VPS, tiene recomendaciones personalizadas y exporta sus propios datos, sin escribir el código a mano. Para cualquier founder con una idea de producto interno en la lista de pendientes, ese es el dato relevante.

Qué es HackerTube y cómo se armó en una mañana

El punto de partida fue una frustración concreta. Karpathy describe haber entrado a YouTube un viernes por la noche, cansado, y encontrarse con miniaturas exageradas y recomendaciones repetidas de los mismos temas. Su conclusión: el algoritmo puede funcionar para el usuario promedio de internet, pero no para él.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Al sábado siguiente le dio la tarea a Opus 5.5: construir un clon de YouTube a partir de los videos que se hayan recomendado alguna vez en los comentarios de Hacker News. El flujo que describe el propio autor tiene tres pasos claros:

El agente descargó todos los comentarios de la comunidad.
Los filtró y pasó un modelo de lenguaje (Sonnet) por encima en un flujo de trabajo, para descartar spam y contenido de bajo nivel.
El resultado quedó acotado a 40.000 comentarios que recomendaban un video, lo que se tradujo en 6.454 videos distintos.

Después vino la parte que la mayoría de los artículos sobre IA ignoran: envolver todo en una interfaz usable, registrar un dominio, subirlo a un VPS y endurecer, asegurar y optimizar el despliegue. Todo, según el autor, en unas dos horas.

Las decisiones de producto que hacen la diferencia

Lo interesante de HackerTube no es el stack, sino las cinco definiciones de producto que el agente resolvió:

Usa la miniatura generada del punto medio del video, en lugar de la miniatura que sube el creador. Es una decisión editorial: elimina el incentivo de la portada exagerada que define la economía de la atención en YouTube.
Recomendaciones "ForYou" sin cuentas de usuario. No hay login ni perfil persistido en un servidor: el estado se guarda en la sesión local del navegador.
Atajos de teclado, pensados para un usuario que consume contenido técnico de forma intensiva.
Exportación de los datos del sitio, para que otra persona pueda entregárselos a su propio agente y construir su versión.
Curación como filtro principal, no engagement.

Ese último punto es el núcleo del experimento. La señal de calidad no es un contador de visualizaciones acumuladas, sino una recomendación humana explícita: alguien decidió escribir un comentario diciendo que ese video valía la pena.

Hacker News como dataset: el activo real no es el código

Hay una lección de negocio escondida en el pipeline. Descargar, filtrar y limpiar comentarios de una comunidad que lleva años recomendando material técnico es la parte que un agente no puede improvisar. El modelo escribió la aplicación, pero el valor diferencial estaba en la base de datos de opiniones humanas acumuladas durante más de una década.

Trasladado a una startup, la pregunta cambia de forma: no es "¿qué puedo construir con un agente?", sino "¿qué dato propietario tengo que un agente no podría inventar?". Los comentarios de Hacker News funcionaron porque son específicos, verificables y difíciles de replicar a escala. Un CRM descuidado, el historial de tickets de soporte de tu equipo de cinco personas o los registros de una operación que solo existe en la cabeza de un gerente pueden cumplir la misma función.

Ars Technica reportó en octubre de 2026 sobre un estudio de investigadores de Harvard, Fiona Chen y James Stratton, basado en datos agregados de Jellyfish que cubren 300 millones de eventos de trabajo y más de 700.000 empleados en más de 700 firmas entre 2021 y marzo de 2026. El hallazgo central: la introducción de agentes de IA en una empresa eleva 30% las líneas de código producidas, 20% los commits y 23% los pull requests, pero no cambia de forma estadísticamente significativa la resolución de issues y de features completas. La razón que señalan los autores es que la revisión humana de código se convierte en el cuello de botella y absorbe la ganancia.

Esa es la otra cara de una historia como la de HackerTube. Construir es la parte barata ahora; mantener, revisar y confiar en lo construido sigue siendo caro.

¿Por qué las plataformas grandes también se están moviendo?

El fenómeno no ocurre en el vacío. TechCrunch reportó que Google Play habilitó un sistema para publicar y ejecutar aplicaciones personales creadas con IA en Android, sin que aparezcan en el buscador de la tienda ni se compartan con nadie más que su creador. El lanzamiento inicial está disponible en Estados Unidos para mayores de 18 años y usa Google AI Studio; Sam Bright, VP y GM de Google Play y del ecosistema de developers, lo resumió como el paso de "hay una app para eso" a "hay una app para mí".

Cuando el sistema operativo móvil más usado del mundo abre la puerta a apps privadas de un solo usuario, la personalización extrema deja de ser un experimento de blog y se vuelve un formato de producto.

Qué significa esto para tu startup

1. Empieza por el dato, no por la app. Antes de pedirle algo a un agente, dedica una hora a responder qué información propietaria vas a usar. En el caso de HackerTube fueron comentarios de una comunidad. En el tuyo puede ser una planilla que nadie quiere abrir. Si no tienes ese dato, el agente solo te va a reescribir algo que ya existe en el mercado.

2. Define el alcance como si le explicaras la tarea a un colega nuevo. El autor describió el objetivo en una frase y dejó que el agente resolviera el resto, incluido el despliegue. El error más común en equipos que adoptan agentes es fragmentar la tarea en instrucciones ambiguas y luego culpar al modelo del resultado.

3. Presupuesta la revisión, no solo la construcción. El estudio citado por Ars Technica muestra que la ganancia en velocidad de generación se consume aguas abajo. Si tu equipo va a producir tres veces más código, necesita un proceso de revisión que aguante ese volumen: revisiones más cortas y frecuentes, pruebas automatizadas desde el primer commit y un criterio explícito de qué se acepta sin discusión.

4. Trata la curación como producto. Quitar la miniatura exagerada y basar la recomendación en una recomendación humana es una decisión de posicionamiento, no un detalle de diseño. Si tu producto depende del engagement, pregúntate qué señal estás premiando y si esa señal sigue siendo válida dentro de dos años.

Conclusión

HackerTube es, en su superficie, un experimento personal de alguien cansado de un feed que no le servía. Leído con distancia, es un caso útil sobre dónde quedó el valor en el desarrollo de software: la ejecución técnica se volvió accesible y barata, y el diferencial se movió al criterio — qué dato usas, qué señal premias y cuánta disciplina pones en revisar lo que el agente produjo.

Para un founder hispanohablante, el mensaje práctico es que ya no hace falta justificar un proyecto interno por su complejidad técnica. Hace falta justificarlo por el dato que lo alimenta y por el criterio que lo filtra.