Los grandes desarrollos de IA Generativa se encuentran principalmente en San Francisco y toda el área de Silicon Valley. Sin embargo desde argentina Kevin Serradez logró hacer aportes y hasta lograr ser tenido en cuenta por el equipo que desarrolla Grok. Se trata de un joven programador que ya había logrado impacto en Discord al crear su bot Nekotina que alcanzó los 4 millones de usuarios. En esta entrevista exclusiva para Forbes detalla algunos de sus logros principales y lo que está sucediendo con la IA Generativa. 

¿Cuál fue la necesidad que advertiste para crear Nekotina, y como fue el proceso de su desarrollo y aceptacion por parte de los usuarios? Ayudo a darte reconocimiento dentro de la comunidad?

Nekotina nació como un proyecto colaborativo entre cuatro amigos y nunca tuvo la pretensión de convertirse en un producto comercial. Detectamos una necesidad recurrente: la soledad que sienten muchos adolescentes y jóvenes adultos que no encajan en los modelos tradicionales de "popularidad". Internet, al derribar las barreras de espacio y distancia, nos pareció el entorno ideal para ofrecer una herramienta que favoreciera la conexión social.

El objetivo de Nekotina fue, desde el inicio, impulsar a desconocidos a interactuar y transformar esa condición en amistad. Para conseguirlo incorporamos mecánicas de gamificación que recompensaban la participación y fomentaban la sensación de pertenencia a una comunidad.

El desarrollo inicial fue, por decir lo menos, caótico. Carecíamos de experiencia y de una estructura formal, de modo que muchas cosas salieron mal. Sin embargo, cada tropiezo se convirtió en una oportunidad de aprendizaje y adaptación. El resultado final fue un bot que las comunidades acogieron con entusiasmo y que, en la práctica, les aportó vitalidad y cohesión.
 

En ningún momento buscamos reconocimiento personal. Trabajamos bajo seudónimos y mantuvimos el anonimato, lo que nos brindó cierto prestigio, aunque no en el sentido convencional. Aun así, haber creado un producto de uso extendido y haber superado los numerosos retos técnicos y humanos del proceso ha sido decisivo para forjar valiosas relaciones profesionales en la actualidad.

¿Cuáles fueron los primeros hitos de la IA Generativa que te llamaron la atención?

La inteligencia artificial generativa —y la IA en general— han ganado una enorme tracción en los últimos años, tanto que hoy la mayoría piensa de inmediato en OpenAI, xAI, Anthropic y sus respectivos productos.

Sin duda, ELIZA, la creación de Joseph Weizenbaum de 1966. Descubrir este programa pionero me reveló que, aun con recursos muy limitados, una máquina podía simular una conversación y generar la ilusión de comprensión. Reflexioné entonces sobre el poder de la interacción textual y sobre la extraordinaria capacidad humana para superar restricciones técnicas. Desde ese momento quedé cautivado por los bots, los modelos de lenguaje, el machine learning y todas sus variantes.

Tras ELIZA, otro punto de inflexión fue DeepDream. Aunque nació como un experimento de visualización, fue la primera vez que vi a Internet fascinarse masivamente con imágenes generadas algorítmicamente. Comprendí que la creatividad computacional también podía convertirse en fenómeno cultural.
 

Finalmente, los modelos multimodales merecen una mención especial. La capacidad de procesar y razonar simultáneamente sobre texto e imágenes supuso un paso más hacia la IA de propósito general en el ámbito generativo. Si bien estoy convencido de que estos modelos no representan la culminación del sueño de la AGI, constituyen, sin duda, un tramo esencial del camino.

¿Cómo te fuiste involucrando con esta tecnología?

Mi interés por la inteligencia artificial no nació en un laboratorio, sino en una sala de cine. Tenía trece años cuando vi Blade Runner por primera vez y quedé hipnotizado por la pregunta que atraviesa la película: ¿hasta dónde puede llegar una máquina a parecerse —o a sentirse— humana? Aquella escena del test Voight-Kampff, en la que se mide la empatía para distinguir replicantes de personas, me abrió una puerta intelectual que jamás se cerró.

A partir de ahí, devoré ciencia ficción: Asimov, Philip K. Dick, Neuromancer. Cada obra planteaba, a su manera, dilemas sobre conciencia, ética y creatividad artificial. No eran solo historias; eran hipótesis de futuro. Sentí la necesidad de comprobarlas por mí mismo.

Inspirado por ELIZA y sus ecos en Blade Runner, programé mis primeros bots en la secundaria usando scripts simples de pattern matching. Eran toscos, pero ver a mis amigos interactuar con algo "vivo" dentro de una pantalla confirmó que la chispa narrativa podía convertirse en código.

Hoy sigo persiguiendo la misma pregunta que me planteó Blade Runner: ¿qué nos hace humanos frente a la inteligencia artificial? Pero ya no lo hago desde la butaca, sino desde el teclado y las pipelines de entrenamiento. Cada línea de código es mi forma de dialogar con aquella visión distópica y, con suerte, de construir un futuro más luminoso y responsable que el de los replicantes.

¿Qué opinión te merecen los distintos modelos, y que destacas de Grok en particular?

En un entorno tan dinámico resulta imposible proclamar un "mejor" modelo único: cada uno exhibe fortalezas y limitaciones que lo hacen más o menos adecuado según el caso de uso.

GPT (OpenAI) ha logrado integrar texto, imagen, audio y video casi en tiempo real, elevando la vara de la interacción fluida gracias a su latencia muy baja y a sus capacidades avanzadas de razonamiento.

Claude Opus (Anthropic) se distingue por una ventana de contexto cercana al millón de tokens y un uso óptimo de la misma, condensando la información cuando se aproxima a los límites. Su entrenamiento bajo el enfoque Constitutional AI persigue minimizar salidas dañinas mediante principios explícitos supervisados por humanos.

Gemini 2.0 (Google) marca el paso en la llamada "era agente": combina inferencia multimodal con la posibilidad de ejecutar acciones de forma autónoma sobre herramientas del ecosistema Google, aportando una integración operativa única.

¿Qué diferencia a Grok?

Nacido como el "bot con sentido del humor" dentro de X, Grok 3 evolucionó hasta convertirse en un actor de peso. Su contexto de un millón de tokens pulveriza récords en benchmarks de recuperación de información a largo alcance. El nuevo modo Think destina segundos o minutos adicionales de cómputo a exponer cadenas de razonamiento visibles, un ejercicio valioso para la transparencia y la reducción de alucinaciones.

Sin embargo, el rasgo verdaderamente distintivo es su conexión nativa con X y la web mediante Live Search. Grok accede en tiempo real a hilos, tendencias y páginas externas antes de responder, lo que le otorga una ventaja clara en temas noticiosos y nichos hiperespecializados donde los modelos con corte de entrenamiento estático suelen quedarse atrás. Esta capacidad convierte a Grok en un referente para la verificación factual y el análisis de noticias.
 

Finalmente, su entrenamiento continuo sobre datos públicos —incluidos los de X— reduce el desfase temporal característico de muchos LLM. Si la próxima frontera es un agente que razone, busque y se autocorrija mientras colabora con las personas, Grok ya ha plantado su bandera en ese territorio.

¿Cómo ves la evolución de la IA Generativa y de Grok?

La IA generativa se mueve en dos ejes simultáneos: amplitud (multimodalidad, agentes, contextos gigantes) y profundidad (razonamiento visible, regulación, especialización).

La amplitud persigue el abarcar más modalides, más contexto y más acciones en un único modelo. 
La profundidad se enfoca por su parte en pensar mejor, especializarse y cumplir normas. Los modelos de razonamiento y su ola, priorizan cadenas de pensamiento explícitas y eficiencia sobre el escalado ciego.

Grok refleja ambas tendencias: amplía el contexto y las modalidades mientras adopta prácticas de transparencia que pronto serán obligatorias. Si la pregunta es hacia dónde evolucionará, la respuesta parece clara: hacia modelos-agente capaces de pensar, buscar, ejecutar y explicar sus decisiones en tiempo real, dentro de un marco regulatorio cada vez más exigente. Grok ya está bien posicionado en esa carrera; la clave será cuánto logre diferenciarse mediante su acceso privilegiado a los datos en vivo de X y la velocidad con la que traslade la investigación de xAI a producto.

¿Dentro de las tareas que realizas vas notando tambien cierta evolucion?

La evolución de mis tareas es, en realidad, un reflejo condensado de la evolución tecnológica, científica y social de la que todos somos testigos. Cada avance acarrea un incremento proporcional en el nivel de preparación que se exige al individuo. En épocas pasadas, incluso en la era industrial más tardía, un trabajador podía ganarse la vida ocupándose de una sola función repetitiva: ajustar la tapa de cada tubo de dentífrico en una cinta transportadora bastaba para cumplir con la jornada. La primera revolución industrial rompió aquel equilibrio; provocó desempleo inmediato, sí, pero a la larga inauguró un nuevo orden productivo que multiplicó los puestos de trabajo, elevó los salarios y mejoró las condiciones laborales. Eso sí, lo hizo a cambio de una premisa innegociable: aprender más y mejor.

Esa lógica de ruptura y reconstrucción se repite a lo largo de la historia. Cuando di mis primeros pasos en tecnología, el mercado me pedía dominar apenas dos o tres lenguajes de programación y, con ellos, levantar sitios web relativamente especializados. Hoy esa demanda se ha desplazado hacia la capacidad de resolver problemas abiertos, investigar de forma autónoma y generar mejoras continuas sobre sistemas ya complejos. Saber programar es necesario, pero está lejos de ser suficiente: se espera criterio, intuición de producto y, sobre todo, aprendizaje constante.
 

El mismo fenómeno se vive dentro de xAI. Hace apenas seis meses, las rutinas de entrenamiento requerían un conjunto reducido de scripts y un control limitado sobre el flujo de datos. Ahora trabajamos con pipelines dinámicas que se reconfiguran en función de la señal de utilidad, la retroalimentación del usuario y los requisitos de regulación. El ciclo de "diseñar-probar-ajustar" se ha acelerado; los modelos aprenden en cuestión de días nuevos patrones de razonamiento, y los ingenieros debemos asimilarlos casi en tiempo real para mantener la coherencia del sistema. Las métricas de calidad que ayer eran un objetivo ambicioso —por ejemplo, la alucinación puntual de hechos recientes— hoy son apenas el punto de partida.

En este entorno, la evolución no es opcional; es el precio de la admisión. Nos vemos compelidos a ampliar nuestra caja de herramientas con métodos estadísticos, principios de alineación ética, conocimientos de infraestructura y competencias de producto. La paradoja es que, cuanto más sofisticada se vuelve la tecnología, mayor es la demanda de talento creativo y analítico. El viejo temor a que las máquinas sustituyan por completo al ser humano se mitiga cuando comprobamos que cada avance termina abriendo un espectro nuevo de tareas: diseñar conjuntos de datos más representativos, trazar estrategias de despliegue responsable, auditar el sesgo latente y, en última instancia, imaginar las preguntas que todavía no sabemos formular.

Esa es la realidad que experimento a diario: una curva de exigencia que crece con la misma velocidad que los modelos que ayudamos a entrenar. Y si quiero que ellos evolucionen, la primera condición es evolucionar yo mismo.

¿Cómo fue que lograste contactar con el equipo de Grok?

Descubrí la oportunidad en una publicación de Recursos Humanos de xAI en la plataforma X y envié mi postulación, acompañada de un portfolio actualizado y un ensayo sobre transparencia en IA; tras una primera llamada de cribado, seguí un proceso técnico exigente —prueba de diseño de un pipeline de datos conversacionales y sesiones de código en vivo— sumado a entrevistas sobre cultura y ética; poco más de un mes después, recibí la oferta para incorporarme como Software Engineering Specialist - Human Data, de las noticias más felices de mi vida.

¿Hay algunas personalidades o desarrolladores dentro de este ambiente que destacas en particular? 

Es difícil destacar solo a algunos de los referentes que sigo de cerca, pero si tuviera que elegir 5, la lista quedaría (en este orden) como:

Andrej Karpathy: combina la destreza técnica de un investigador de frontera con la capacidad pedagógica de un divulgador nato; sus hilos sobre "reasoning-first engineering" y sus aportes a GPT muestran cómo traducir avances académicos en productos que impactan a millones.

Yann LeCun: es el principal abanderado del paradigma abierto, defiende que la soberanía tecnológica para por liberar pesos y código, y cuestiona la dependencia exclusiva de los LLM actuales, impulsando nuevas arquitecturas que combinen representación, memoria y razonamiento simbólico.

Thomas Wolf: convirtió a Hugging Face en la plaza pública de lA IA; bajo su dirección, el hub superó el millón de modelos compartidos, lo cual es muy interesante porque democratiza la experimentación y acelera la ciencia reproducible en lenguaje, visión y audio. En mi opinión personal, el futuro se construye con (y por mediol de) open source.

Igor Babuschkin: lidera el núcleo técnico de Grok y ejemplifica la ética de "ship fast, show your work".

George Hotz: demuestra que la eficiencia radical también innova: con tinygrad y tinybox explora cómo destilar grandes ideas en marcos de código mínimo y hardware asequible, recordándonos que la investigación abierta puede —y debe— ser ligera y accesible.

¿Cuáles son los proximos pasos en los que te gustaria avanzar?

¿En tecnología? Me gustaría impulsar procesos de investigación propios e individuales. No me molesta el ambiente colaborativo, pero me gustaría alcanzar un mayor nivel de preparación personal. Lo que tienen en común todas la grandes personalidades en el ámbito de tecnología es justamente eso, la curiosidad y la necesidad de responder incógnitas, y si bien es algo que comparto, no es algo que habitualmente ejercito. Y hay algo que es casi un compromiso ético:  comprender el impacto de la IA en nuestra generación.