No olvides aprender: un sistema para aprender con IA sin empezar de cero

¿Qué pasa cuando la tecnología avanza tan rápido que no te da tiempo a seguirle el ritmo? Los artículos sobre IA resuenan en todos los foros y redes sociales. Rapidez. Productividad. «Nuestra empresa ya no escribe código». Pero nadie habla de lo importante: ¿qué pasa con el aprendizaje? Aprender con IA parece la salida natural —si escribe código por ti, también debería poder enseñarte—, pero casi nadie cuenta cómo hacerlo de forma sostenida.

El ámbito tecnológico siempre ha sido sinónimo de actualización continua. Nuevos frameworks, librerías, tecnologías, etc. Sin embargo, la inteligencia artificial ha hecho que gran parte de los perfiles técnicos se encuentren perdidos sin saber qué estudiar. Ni los propios mentores lo tienen claro.

Además, es complicado mantener una disciplina y consistencia. Los proyectos de cliente siguen acaparando gran parte de la jornada. Y, cuando encuentras ese hueco para el estudio, el cambio de contexto no permite aprovechar al máximo las sesiones cortas (20-30 minutos).

Aprender con IA: del chat genérico al mentor que sí te recuerda

Usar cualquiera de los modelos genéricos como «mentor en el bolsillo» es una idea atractiva. La promesa es seductora: tienes al alcance de un prompt algo que responde dudas a cualquier hora, explica un concepto de cinco formas distintas y nunca se cansa de que le pregunten lo mismo. Y para resolver una duda puntual, funciona.

El problema aparece cuando lo que quieres no es resolver una duda suelta, sino aprender de forma sostenida: el chat no recuerda nada sobre ti.

Ni a qué nivel ajustarse, ni qué hiciste la última vez que estudiaste, ni qué se te atragantó la semana pasada. Cada conversación empieza en blanco. Eso convierte aprender con IA en un bucle de poner contexto: cada sesión arranca explicándole quién eres, qué sabes y qué quieres, y para cuando termina de calibrar ya se te ha ido medio rato. Un buen mentor humano no funciona así. Te conoce, recuerda dónde lo dejasteis y ajusta la siguiente sesión a partir de ahí.

Entonces tuve una idea. ¿Y si en vez de usar la IA como un simple chat al que le tengo que dar contexto cada vez creo un sistema de aprendizaje? La intuición de fondo era simple: la IA rinde mucho mejor cuando deja de adivinar el contexto y lo lee de un sitio fijo. Si conseguía guardar mi contexto de aprendizaje fuera del chat, dejaría de empezar de cero cada día.

Así nacieron las skills de learning: piezas que la IA carga sola según lo que le pido, y que apoyan el contexto en ficheros que no se pierden al cerrar la ventana.

La memoria no está en el chat, está en ficheros

El problema de fondo lo planteé arriba: el chat no recuerda nada sobre ti. Así que la primera decisión fue la más importante de todo el sistema: la memoria no vive dentro de la IA, vive en una carpeta de ficheros de texto que yo controlo.

Todo cuelga de ~/.claude/learning/: un profile.md con quién soy y qué quiero mejorar, un backlog.md con lo que quiero aprender, las lecciones activas y archivadas, los logs de cada sesión y los informes. Markdown plano. Nada de base de datos, nada de servidor, nada de aplicación.

Valoré montar una pequeña base de datos o una app con su interfaz, pero lo descarté por tres razones:

1. Los ficheros de texto los lee y los escribe la propia IA de forma nativa, sin capa intermedia que mantener.
2. Puedo abrirlos, editarlos a mano y versionarlos con git como cualquier otro código.
3. El conocimiento sobre mi aprendizaje es mío —y esta fue la razón de más peso—, y quiero poder leerlo sin pedirle permiso a ninguna herramienta.

El coste de esta decisión es que no hay un panel bonito con gráficas: si quiero ver mi progreso, lo veo en texto plano. Para mí es un intercambio que sale a cuenta.

El diagrama de abajo es, literalmente, el mapa de esa carpeta: cada caja gris es un fichero .md, y cada flecha, una skill que lo lee o lo escribe.

Seis skills pequeñas, cada una con un solo trabajo

Mirando el diagrama se ve el patrón antes de leer una sola explicación: no hay una skill de «learning» que lo haga todo, sino varias pequeñas, y cada una solo toca los ficheros que le competen. Esa fue una decisión consciente. Una skill que lo hace todo es una skill que no hace nada bien: es larga, impredecible y, cuando algo falla, no sabes dónde mirar. Partiéndola, cada pieza es corta y fácil de corregir.

Y hay un detalle que me gusta especialmente: nunca «ejecuto una skill». No escribo comandos. Le digo a la IA «quiero aprender» y arranca la sesión; le digo «termino por hoy» y se cierra. Cada skill se activa por lo que pido en lenguaje natural, así que el sistema desaparece y solo queda la conversación.

Lo que el diagrama no cuenta es por qué cada una existe, y ahí es donde están las decisiones interesantes:

• init-learning crea el perfil. Es la única que escribe quién soy, qué quiero mejorar y —el dato que más se usa después— cuánto tiempo tengo por sesión.
• new-learning consulta ese perfil y rellena el backlog. Resuelve el «no sé qué estudiar»: cruza mis carencias con lo que quedó flojo antes y propone ideas ya troceadas.
• learn es el centro de gravedad. Consulta el backlog, el estado actual (current.md) y la capa de inteligencia (insights.md) antes de empezar, y con eso monta la sesión a mi medida. Puede enseñar de tres formas según el día: guiada (me lleva paso a paso), por reto (me da el problema y los criterios de éxito, y me dejo las manos en el código) o por lectura (me cura artículos y me hace preguntas, ideal para el móvil).
• end-learn es la única que escribe el rastro de la sesión: el log, el estado actualizado y los insights. Y no lo hace en silencio: primero me enseña un resumen y espera mi confirmación.

Fíjate en una cosa del diagrama: casi todas las flechas que escriben salen de end-learn, y casi todas las que se consultan entran en learn. Esa asimetría es el sistema entero. learn lee el pasado para preparar el presente; end-learn convierte el presente en pasado para la próxima vez. Lo que viaja entre las dos por debajo —insights.md— es lo que hace que el sistema no empiece de cero cada día.

El truco está en cómo paso de una sesión a la siguiente

Lo que convierte esto en un sistema y no en una colección de comandos son dos detalles que solventan directamente el problema de la continuidad:

El primero: observación silenciosa y debrief

Durante la sesión, la IA va anotando en silencio dónde pedí una pista, qué me costó, qué saqué a la primera y qué pregunta dejé en el aire. No me enseña esas notas mientras trabajo —me distraerían—. Al cerrar, las sintetiza en un resumen que reviso y corrijo. Podría haberle pedido al usuario que rellenara él ese resumen, pero no lo hice a propósito: nadie se autoevalúa bien, y menos al final de una sesión cuando lo único que quieres es cerrar. El sistema observa mientras trabajas y tú solo validas.

El segundo: una capa que aprende cómo aprendes

Cuando termino una sesión, la capa de inteligencia actualiza insights.md con los temas que se repiten como dificultad, los que ya puedo dar por dominados y la tendencia de nivel en cada carencia. Y cuando arranco la siguiente, esa misma capa lee el historial antes de empezar y le pasa el contexto a la sesión nueva. El efecto concreto: si «manejo de errores asíncronos» me costó en dos lecciones distintas, la próxima vez el sistema me lo saca al principio —»esto quedó flojo, ¿le dedicamos cinco minutos o entramos directos?»—. Y si llevo tres sesiones bordando un tema, sube el nivel solo y se salta el andamiaje de principiante.

Esto es lo que el chat genérico no puede hacer. No es que «recuerde» la conversación anterior: es que destila un modelo de cómo aprendo y lo usa para ajustar la siguiente sesión.

El problema de los 30 minutos

Vuelvo al dolor del principio: las sesiones cortas que el cambio de contexto se merienda. La respuesta del sistema es doble. El perfil guarda mi duración real de sesión —en mi caso, 30 minutos—, y learn trocea cada lección en hitos que caben en ese hueco, en vez de proponerme un proyecto de tres horas que nunca voy a empezar. Y como solo existe una lección activa cada vez, retomar no implica recordar dónde lo dejé: el fichero current.md ya lo sabe. Abro, me dice «ibas por el hito 2 de 4, la última sesión fue el martes» y sigo. El cambio de contexto deja de ser un peaje.

También asumí desde el principio que no todo se termina, y que eso está bien. Una lección puede quedar in_progress, darse por completed, aparcarse como postponed o abandonarse del todo (abandoned). Modelar el abandono como un estado de primera clase, y no como un fallo, evita el cementerio de cursos a medias que todos arrastramos: si algo dejó de interesarme, lo cierro con su motivo y el sistema deja de proponérmelo.

Y no, esto no me hace aprender más rápido

En este punto, conviene recalcar algo: este sistema no me hace aprender más rápido ni me ahorra el esfuerzo de entender las cosas. No es un atajo. Lo que hace es quitar de en medio la fricción que me impedía empezar: el «no sé qué estudiar», el «no me acuerdo de dónde lo dejé» y el «se me va media sesión recolocando el contexto».

Tampoco es un producto. Es una herramienta personal, construida alrededor de cómo aprendo yo, y se apoya en que la observación de la IA sea razonablemente acertada —por eso el paso de confirmación del debrief no es opcional, es la red de seguridad—. Pero el cambio de fondo es el que perseguía desde la primera línea de este artículo: convertir la IA de un chat que se olvida de ti en algo que acumula. Y, con eso, dejar de tener la excusa de siempre.

No olvides aprender.

Aunque las construí para mí, estas skills están disponibles para todo el que quiera probarlas: vienen dentro del plugin de orbitant-os. Si las usas, ajústalas a cómo aprendes tú: ese es justo el punto.