Cómo Construir IA que OpenAI No Puede Copiar | Variant

Hoy entrevisté a Daniel Bulhosa, cofundador y CTO de Variant, que él describe como el Pinterest del diseño generativo.

Daniel es físico del MIT, hizo machine learning en Square y construyó software para los autos autónomos de Cruise. También es artista plástico y creció en una familia de músicos clásicos.

Su tesis central es que todavía se puede construir IA que ni OpenAI ni Anthropic pueden copiar, porque los modelos frontera son spiky: son muy buenos donde hay datos y muy limitados donde no los hay, y además pierden en un área cuando ganan en otra.

Estructura y Highlights Clave

De una Casa de Músicos Clásicos al MIT

• Su broma: intentó ser músico y descubrió que la física era más fácil
• Su conexión entre ambos mundos: la música clásica tiene mucha teoría y un elemento matemático de estructura
• Lo que le dio crecer entre artistas: ver la cima del perfeccionismo, gente que domina completamente lo que hace
• Su padre giró el mundo con la Orquesta Sinfónica Simón Bolívar, y creció asistiendo a conciertos en Oberlin
• El segundo efecto de esa crianza: aprendió a reconocer el genio en otros, que es como vio a su cofundador Ben
• Qué le vio: no una optimización incremental, sino una visión años por delante, y la capacidad de justificarla desde primeros principios

Lo que Aprendió en MIT

• El contraste: venía de un instituto de 300 personas en un pueblo de Ohio, donde terminaba todo a mediodía y le sobraba tiempo para pintar
• El golpe: conocer a alguien de 16 años que llevaba cuatro haciendo investigación en física teórica y publicando con los más famosos del mundo
• Lo que reconoce no haber aprendido allí: cómo llegar a ese nivel. Eso lo aprendió después
• Lo que sí se llevó: la humildad de saber cuánto hay que trabajar y la disciplina para sostenerlo
• Su medida actual: lo único con lo que puede comparar cuánto trabaja hoy es cuánto trabajó en MIT

El Profesional en Forma de e

• El consejo clásico era ser en forma de T: mucha amplitud y una sola profundidad
• La versión que él defiende: profundidad en varias áreas, aunque menos profunda que la del especialista
• Por qué funciona ahora: si conoces el 30 o 40%, el modelo completa el resto
• Su ejemplo: nunca fue proficiente en Lua, y hoy puede escribirla eficientemente
• Su observación sobre los artistas: son muy curiosos y no se ponen etiquetas sobre en qué son buenos
• El patrón que Enzo señala en varios invitados latinos: ingenieros que también son artistas, y que se juzgan menos

Qué Pasó en Square y en Cruise

• Su diagnóstico de Square: el fundador es muy bueno de cero a diez, pero delegó en un perfil ejecutivo
• La distinción que usa, del libro The Hard Thing About Hard Things: era una CEO de tiempos de paz cuando hacía falta otra cosa
• El fondo del problema: Square no se dio cuenta de que seguía siendo una startup, incluso con miles de personas
• Por qué se fue: intentaba desarrollar en 2019 o 2020 el producto que construye hoy, y prefirieron invertir en mejoras incrementales
• Su diagnóstico de Cruise: demasiada ambición y una desconexión con el cliente y el entorno
• Lo concreto: una relación adversarial con el gobierno municipal, que generó una cultura adversarial, y que a su juicio llevó a ocultar detalles del accidente
• Su valoración técnica: describe Cruise como una catedral de ingeniería de software, que iba por delante de Waymo

Por Qué los Equipos Pequeños Ganan

• La fricción de las organizaciones grandes: el contexto necesario vive repartido en muchas cabezas, y cada grupo tiene incentivos distintos
• En Variant son cinco personas, y todo el contexto está en su cabeza y la de su cofundador
• Lo que eso permite: priorizar bien, cambiar de dirección rápido y que todos entiendan por qué
• Por qué se amplifica con IA: si él conoce toda la base de código, se la puede comunicar al modelo
• Su predicción: pronto habrá un unicornio de cinco o diez personas

Refundar la Teoría de la Organización

• Su observación: las empresas tradicionales crean jerarquías y comités para combatir la pérdida de contexto, y eso cuesta experimentación
• Lo que ve en los laboratorios frontera: tratan la compañía como una incubadora
• Su ejemplo: Claude Code empezó como el proyecto de una persona que nadie frenó, que convenció internamente a otros de usarlo y demostró tracción
• Lo mismo dice haber escuchado de OpenAI: grupos que experimentan y, si hay potencial, la compañía se vuelve el vehículo
• El precedente pre-IA: Cash App empezó así dentro de Square

Su Agente de Code Review

• El problema: pasaba mucho tiempo haciendo code review y repetía lo mismo a sus ingenieros
• La solución: le dio al modelo todos sus reviews de los últimos tres meses, más sus mejores prácticas, y lo convirtió en un agente de review
• El resultado: su equipo lo usa, y él revisa menos porque es una copia de su criterio
• Lo que eso hace además: pone su contexto disponible bajo demanda para quien lo necesite
• Su observación sobre el nivel actual: en los últimos cuatro meses le costaba distinguir los PRs de Claude de los de sus ingenieros

Qué Es Variant

• Haces scroll y aparecen seis o doce diseños generados, y sigues navegando
• Lo que emula: el proceso de contratar una agencia de diseño, que te da opciones y tú vas descartando
• Por qué no es lineal como ChatGPT: el diseño es un proceso de búsqueda, donde hay varias respuestas correctas con distintos balances

Precisión contra Recall

• Su marco desde el machine learning clásico: recall es cuántas de las respuestas correctas encontraste, precisión es cuántas de las que diste son válidas
• El ejemplo de precisión: detección de fraude, donde cancelar la cuenta de alguien inocente es un desastre de experiencia
• El ejemplo de recall: medicina, donde equivocarte diciendo que alguien tiene cáncer cuesta poco, y no detectarlo es catastrófico
• Su aplicación: si optimizas para creatividad, optimizas para recall, porque equivocarte no tiene coste
• La complementariedad: una vez encuentras una buena opción, la metes en Claude Code y la optimizas

Diseñar Es Curar

• Lo que importa más que la habilidad técnica es el gusto
• Su matiz: el gusto no es solo lo estético, es entender la experiencia y qué es intuitivo, y eso lo tiene menos gente
• Su crítica a la habilidad de Figma: mover píxeles no tiene valor de diseño, es la herramienta para visualizar el concepto
• Lo que Variant elimina: la necesidad de esa habilidad técnica

El Canvas que Nadie Usó

• Empezaron con una versión parecida a la actual, y los diseñadores sintieron que no tenían suficiente control
• Entonces construyeron un canvas al estilo Figma, con controles de estilo y chat
• El resultado del beta cerrado: nadie usaba el canvas
• Las dos razones: el diseñador exige un nivel comparable a Figma, y competir ahí es ser marginalmente mejor y no diferente
• Y quien de verdad disfruta Variant no es diseñador, y se perdía en el canvas
• Lo que descubrieron en los vídeos: les gustaba la idea del canvas porque hacía sentir que la herramienta era de diseño, pero solo lo usaban para organizar

Sobre el AI Slop

• Su matiz técnico: generar más no aumenta la proporción de slop, que es constante en un sistema probabilístico
• La meta real: subir la proporción de diseños de alta calidad
• Lo que hace falta: gente que entienda qué es un output de buena calidad y sepa discriminar
• Lo que dice que falta en otras empresas del sector: tener claro cuál es el objetivo

Por Qué Sigue el Research

• Dos razones: entender cómo entrenar mejor hoy, y saber qué viene
• El ejemplo actual: del mid training casi no se hablaba y ahora aparece en papers de laboratorios grandes
• La dirección que le interesa: modelos de difusión de lenguaje, frente a los LLM autorregresivos
• Su argumento: escribir una web no es un proceso lineal de izquierda a derecha, y un modelo de difusión genera en paralelo
• Su hipótesis: un modelo de difusión entrenado específicamente para front-end reflejaría mejor la estructura de esos datos
• Lo que ellos hicieron durante YC: entrenó un modelo que era estado del arte para diseño gráfico
• Su conclusión: la gente subestima lo fácil que es ganarle a los modelos generales en una habilidad muy específica

Por Qué los Modelos Frontera no Pueden con Todo

• El ejemplo extremo que le dieron: quién hará el mejor modelo para diseñar partes de aviones no es OpenAI, es Boeing
• La razón: esos datos no existen en público y no vas a contratar a nadie que haga esquemáticas de aviones
• El término que usan los investigadores: los modelos son spiky
• El matiz comercial: al entrenar un modelo frontera hay que balancear capacidades, y a veces ganas en un área y pierdes en otra

El Problema del Reinforcement Learning

• Los modelos se entrenaron con preferencias de usuarios comunes
• Lo que quiere la persona común: no ser retada, algo simple, sentirse bien
• El resultado: modelos agradables que te dicen lo que quieres escuchar
• Lo que ellos hicieron al contrario: priorizar al experto
• El efecto que buscan: democratizar la experiencia del experto para quien no la tiene

Sobre si el Gusto Seguirá Siendo Ventaja

• La directora de diseño de Anthropic dijo que los diseñadores se aferran demasiado al gusto y que la IA los alcanzará
• Su respuesta: probablemente tiene razón
• Su desglose del buen diseño: una base de datos de inspiración y experiencias, más el razonamiento para combinarlas hacia un objetivo
• Lo que un sistema puede imitar: ese 80% de esfuerzo, la base de conocimiento y la ejecución técnica
• Lo que queda: el gusto del 1 o 10% superior

Cómo Reaccionan los Diseñadores

• La mitad pregunta por qué, si aman el diseño, quieren eliminarlo
• La otra mitad recuerda cuando hacía todo eso manualmente y lo vive como magia
• La persona que no es diseñadora reacciona bien, pero no aprecia lo difícil que era, y eso le parece bueno

El Futuro de la Profesión

• Las profesiones se están mezclando: product manager, ingeniero y diseñador cada vez son la misma persona
• Cuál de las tres cree que es la más importante: el diseño
• Su razonamiento: los agentes reemplazan primero la programación y la gestión de proyectos, tal como decía el reporte de Anthropic sobre el futuro del trabajo
• Su conclusión: el futuro es mejor para quien ama el diseño, el producto y la experiencia de usuario

Su Consejo para Alguien de 20 Años en Caracas o Lima

• Es el mejor momento, porque la IA democratiza el conocimiento y la delegación
• El efecto: alguien en un país con más recursos ya no tiene tanta ventaja
• Lo que sí pasa a diferenciar: la marca, la relación con el cliente y el problema que eliges resolver
• Su ejemplo: una empresa que llegó de 0 a 100 millones de ARR en ocho meses entendiendo el mercado asiático mejor que Lovable

A Quién Agradece

• A su abuela, que murió hace unos años
• Creció en un barrio pobre de Caracas, trece personas en una habitación, sin educación, y siendo afrolatinos en una época de racismo
• Lo que le decían a su bisabuela: que esos hijos iban a ser ladrones y prostitutas
• Lo que pasó: todos fueron a la universidad, algunos se hicieron abogados, un tío fue ministro de deportes, y su abuela llegó a la UNESCO y a Naciones Unidas
• Lo que eso le dejó: si ella llegó ahí desde el barrio, hasta dónde puede llegar él empezando desde un pueblo de Ohio

Glosario Silicon Valley

Personas, Empresas y Referencias

Personas Mencionadas

• Daniel Bulhosa: cofundador y CTO de Variant, físico del MIT
• Ben: su cofundador, diseñador, a quien le vio el genio
• Su abuela: del barrio de Caracas a la UNESCO
• Su padre: giró el mundo con la Orquesta Sinfónica Simón Bolívar
• Will Gaviria: de Coactive, amigo común en cuya cena se conocieron
• Jack Dorsey: fundador de Square
• Enzo Cavalie: host del podcast

Empresas y Organizaciones

• Variant: Pinterest para diseño generativo, cinco personas
• MIT: donde estudió física y matemáticas
• Square: donde hizo machine learning, y de donde salió por no poder construir este producto
• Cruise: los autos autónomos de General Motors, que describe como una catedral de software
• Anthropic y OpenAI: los laboratorios frontera, y su estructura de incubadora
• Figma: el competidor que decidieron no imitar
• Boeing y Airbus: el ejemplo de datos que ningún laboratorio tiene
• Lovable: la referencia del mercado que otra empresa entendió mejor en Asia
• Runway, Krea, ElevenLabs, Replit: los ejemplos de aplicar research nuevo primero