Hoy entrevisté a Adolfo Valdivieso, cofundador y CTO de Turbo AI, una fábrica de software AI native que trabaja con startups y pymes en Estados Unidos.
Adolfo es físico, hace machine learning desde 2008 y durante su maestría en Stanford terminó siendo el CTO as a service de sus compañeros de clase. De ahí nació Turbo.
Su lectura del mercado es contraria a la que se escucha en Silicon Valley. Las acciones de Globant y Accenture cayeron más de 50%, y para él eso no significa que el outsourcing muera, sino que un modelo de negocio expiró: el cliente pagaba siete salarios y cinco ya no se justifican.
Su apuesta descansa en una paradoja que dice vivir empíricamente: conforme los agentes mejoran, necesitas humanos más sofisticados, no menos.
Estructura y Highlights Clave
El Inventor
- Le regalaron un Nintendo y lo desarmó en vez de jugarlo. No le compraron otro
- Peor todavía: a los cuatro o cinco años, un microscopio de Navidad terminó con los dedos cortados por querer ver su propia sangre, y con las plantas de la abuela cortadas
- Lo que lo enganchó al abrir el Super Nintendo buscando dónde estaba Mario: que por dentro era igual a una computadora
Por Qué Stanford
- Estudió física en la UNI y tenía claro desde antes de graduarse que quería llegar a Silicon Valley
- Lo que buscaba: densidad de gente capaz y, sobre todo, gente motivada para construir
- En Lima hacia 2010 y 2011 el objetivo predominante era entrar a un banco o a una minera, y crear algo propio no era una opción
- Fue primero a Singularity University como primera puerta de entrada
- Eligió el MBA y no un programa técnico, porque quería conocer gente distinta a él con habilidades complementarias
- Ya había llevado clases técnicas por su cuenta, incluido el curso original de machine learning de Andrew Ng en Coursera en 2011
Cómo Nació Turbo
- Llegaron a Stanford en septiembre de 2022 y ChatGPT salió en noviembre. Se define como parte de la promoción más afortunada
- Sus compañeros conocían industrias y problemas que él no, pero se quedaban parados en decisiones técnicas
- Lo que le pareció alucinante: en el corazón de Silicon Valley, con inteligencia, red y habilidades, las ideas se morían antes de ver el mercado
- En la clase Startup Garage construían coding agents, cuando el concepto todavía no existía como categoría
- El descubrimiento que abrió el espacio: generar código se había vuelto barato para el no técnico, pero la barrera de entrada seguía siendo enorme
La Intuición de 2014
- Un amigo en común, Andrés Benavides, recuerda que ya en 2014 hablaba de programadores que no programarían
- Venía de usar machine learning desde 2008 como un toolkit para problemas que no sabía cómo programar
- Lo que lo impresionaba: no tener idea de por qué funcionaba, y que funcionara
- Hizo generación de poesía con predicción de siguiente carácter, aprendiendo puntuación letra por letra
- Su conclusión de entonces: la idea importa más que el código, y el modelo te llevará hasta ella
Dónde se Ubica Turbo en el Mapa
- Distingue las herramientas que amplifican a un individuo, como Cursor o Claude Code, de lo que él construye
- Su tesis: el cambio intrínseco es cómo se colabora cuando parte del trabajo lo ejecutan agentes
- Tres cosas que dice construir: algo que asuma responsabilidad por las decisiones y sus consecuencias, algo que entienda de verdad la intención humana, y el sistema que permite operar ese tipo de organización
- Sobre la intención: los humanos comunicamos mal lo que queremos, y si el agente no puede interpretarlo, llena los huecos con ruido
- Por qué paga un cliente: no por la herramienta sino por el trabajo hecho, con la confianza de progreso constante
La Paradoja y los Dos Estudios que la Sostienen
- Conforme los agentes mejoran, hacen falta humanos mejores para detectar y arreglar lo que generan
- Si todos tienen las mismas herramientas, el campo se aplana y el recurso escaso pasa a ser el top 1% de personas
- El estudio de METR mide la duración de las tareas que un agente completa con 50% de éxito: 12 a 16 horas
- El dato clave: al exigir 80% de éxito, esa duración cae a 2 o 3 horas
- El estudio de Princeton sobre confiabilidad de agentes muestra una curva plana en dos años, de 0.7 a 0.8, mientras el resto de benchmarks se saturan
- Su conclusión: queda un 20% de margen donde el agente puede hacer algo peligroso, y de nada sirve completar un feature si borró la base de datos
- Su explicación del estancamiento: el post-training premia el resultado final y no el proceso, y el mercado compite por el número más alto en benchmarks artificiales
- Su versión del bueno, bonito y barato: en agentes eliges dos entre propósito general, autonomía y mission critical
Qué Está Comprando el Cliente
- Sobre la factura: dice que el 100% es por la responsabilidad, no por el código
- El paralelo: no contratas a un ingeniero para que haga 100 commits al día
- Sobre las objeciones tipo “esto lo hago con Claude Code”: lo que cambia todo el tiempo son las expectativas
- Hace seis meses un prototipo era increíble, y hoy completar un feature en un día parece normal
- Su trabajo personal es anticipar cuál es la próxima barrera antes de que la expectativa se mueva
Por Qué el Mercado Castiga a Globant y Accenture
- El modelo viejo asignaba un equipo de siete: uno o dos seniors más frontend, backend, QA, mobile y devops
- El cliente pagaba siete salarios, y hoy cinco no se justifican
- El problema de esas empresas: pasar de cobrar 7x a entregar 10x por el 20 o 30% de los ingresos, siendo organizaciones grandes y lentas cuyos procesos sostienen empleos
- Pero el mercado crece: 650.000 millones de dólares hoy, con proyección de superar el billón para 2030
- La razón: muchas más cosas se están volviendo software
El Cliente Nuevo: El Vibe Coder Graduado
- Pymes que antes compraban SaaS especializado y pagaban cientos de miles en licencias
- El razonamiento del cliente: pago por algo donde uso el 5% de los features y me obliga a ajustarme a su proceso
- Lo que cambió: entran a Claude Code o Lovable, hacen un prototipo y se convencen de que pueden construirlo
- El giro estratégico: el SaaS los estandarizaba con su mercado, y el software propio lo ven como forma de ganarle a su competencia
- Estas pymes nunca antes habrían contratado una consultora o una fábrica de software
Latinoamérica y el Outsourcing
- Su tesis de ventaja regional: cuando la ejecución baja de costo, lo crítico pasa a ser la coordinación y el alignment
- Ahí el huso horario y el estilo de trabajo se vuelven fundamentales
- El día se dedica a coordinar y durante la noche se ejecuta, frente a tener una o dos horas de solape
- No cree en una ola de desempleo sino en una transformación hacia un mercado más competitivo
- Ya está pasando con los proveedores de datos de entrenamiento que se mueven a esos países
Cómo Funciona un Proyecto
- Los clientes llegan buscando contratar un ingeniero o un PM, normalmente con un proyecto atrasado un mes o dos
- Empiezan tomando el máximo contexto del codebase y detectando los gaps
- El equipo son tres: un senior engineer, un senior PM y GIO, un agente disponible en el canal de Slack compartido para status, brainstorming y prototipos
- No hay diseñador: tienen una herramienta interna que genera los prototipos
- Los agentes hacen implementación, testing y QA, y ellos van decidiendo dónde poner los human decision gates
- Los siete roles del modelo viejo colapsaron en dos: el ingeniero decide calidad técnica y verifica, el PM traduce negocio a especificaciones
Cómo se Industrializa el Criterio
- Su secuencia: primero improvisación, luego estandarización, luego automatización
- La capa de agentes se vuelve la forma de compartir conocimiento entre proyectos
- Los agentes aprenden de decisiones pasadas, incluidas las propuestas que fracasaron
- La diferencia frente a implementar Claude Code dentro de una empresa: sus agentes son públicos por defecto y comparten contexto entre sí
Modelos y Costos
- Pasaron por buscar el modelo perfecto por proceso, y por fine-tunear, que abandonaron porque toma meses y queda obsoleto
- Luego optimizaron por calidad pura, y Opus fue el pico de esa decisión
- Ahora, con agentes corriendo todo el día y agentes personales para cada empleado, están reevaluando por costo
- Exploran orquestación con subagentes en distintos tiers y modelos
- Hay modelos comparables a Opus al 15 o 20% del costo
- Lo llama una paradoja de Jevons: al abaratarse haces más, y vuelve a encarecerse
Contratar al Top 1%
- Lo que busca no cambió: curiosidad genuina, pasión y entender las cosas a profundidad
- Su pregunta de entrevista: qué has aprendido en los últimos 6 meses que yo debería aprender. Si sale sabiendo dos o tres cosas nuevas, contrata
- La señal de un equipo que usa AI de verdad: se ponen metas ridículamente ambiciosas y las consiguen
- El contraste: antes contratar a la persona correcta tomaba dos o tres meses más onboarding, un timeline de seis meses. Ahora un fin de semana puede generar valor
- Muchos de sus ingenieros trabajaron con él hace diez años y hoy no escriben una línea de código, pero su comportamiento es el mismo
Qué Haría Diferente a los 22
- Venir a Silicon Valley antes, sin la barrera mental de tener que entrar por Stanford o Singularity
- Su padre le decía que le compraban el pasaje y ya
- Por qué le parece un lugar especial: te resetea los estándares
- Le tomó tiempo convencerse de que era bueno a escala global y no solo comparado con Perú o la región
- La charla de Paul Graham que cita: eres el pez grande del estanque pequeño y nunca sabrás qué tan grande eres si no vas
Glosario Silicon Valley
| Término | Qué significa | Contexto en el episodio |
|---|---|---|
| AI native | Empresa construida desde cero asumiendo agentes en el flujo de trabajo | Cómo define a Turbo frente a una fábrica de software tradicional |
| Coding agent | Agente que planifica y escribe código de forma autónoma | Los construían en Stanford en 2023, antes de que existiera el término |
| Software 2.0 | Término de Andrej Karpathy: crear datos para que el modelo produzca lo que no sabemos programar | La visión que ya tenía desde 2014, y que hoy considera pasado |
| Mission critical | Procesos donde un error tiene consecuencias graves | Por qué un 50% de éxito no es opción para una empresa |
| Human decision gate | Punto del proceso donde un humano decide antes de continuar | Lo que Turbo va reubicando según el proyecto |
| Alignment | Consenso claro sobre qué hay que lograr | Lo que él considera la parte más cara y difícil del trabajo |
| SOP | Procedimiento operativo estandarizado | El paso intermedio entre improvisar y automatizar |
| Post-training | Entrenamiento posterior que ajusta la conducta del modelo | Su explicación de por qué la confiabilidad no mejora |
| Forward deployed engineer | Ingeniero embebido en el cliente para capturar su contexto | La señal de que Silicon Valley cambió de perspectiva sobre el rol humano |
| Paradoja de Jevons | Abaratar un recurso aumenta su consumo total | Cómo describe su ciclo de costos con los modelos |
| Innovator’s dilemma | Cuando el modelo que te hizo grande te impide adaptarte | Su lectura de por qué las grandes consultoras se moverán lento |
| Elasticidad del output | Poder multiplicar el trabajo entregado sin renegociar el equipo | El diferencial de su modelo de cobro |
Personas, Empresas y Referencias
Personas Mencionadas
- Adolfo Valdivieso: cofundador y CTO de Turbo AI, físico de la UNI
- Su esposa: CEO y emprendedora en tecnología, a quien se refiere como la persona que más admira
- Su tío de Cajamarca: el ingeniero de la familia, quien le enseñó a programar y le regaló el microscopio
- Andrés Benavides: amigo en común que recuerda sus ideas sobre IA desde 2014
- Andrew Ng: su curso de Coursera de 2011
- Andrej Karpathy: por el concepto de Software 2.0
- Paul Graham: por la charla sobre el pez grande y el estanque pequeño
- Dario Amodei: citado como el mayor doomer hace dos años
- Enzo Cavalie: host del podcast
Empresas y Organizaciones
- Turbo AI: fábrica de software AI native para startups y pymes en Estados Unidos
- Stanford: donde hizo el MBA y donde nació la idea
- Singularity University: su primera puerta de entrada a Silicon Valley
- UNI: donde estudió física en Lima
- Globant y Accenture: las acciones que cayeron más de 50%
- Cursor, Claude Code, Codex: herramientas que amplifican al individuo
- Devin, Factory: los que se posicionan como el desarrollador mismo
- Lovable: por donde entran los clientes que luego necesitan software real
- Scale AI: mencionada al hablar de especialización
- GIO: el agente de Turbo que vive en el Slack compartido con el cliente
Estudios y Datos
- METR: la gráfica de duración de tareas completadas por agentes, y el salto al exigir 80% de éxito
- Princeton: el framework de confiabilidad de agentes, plano de 0.7 a 0.8 en dos años
- 650.000 millones de dólares: tamaño del mercado de software outsourcing, con proyección de superar el billón para 2030
- 7 salarios: el equipo que se contrataba antes, de los que 5 ya no se justifican