El panorama del desarrollo de software está experimentando una transformación fundamental。Andrej Karpathy，el renombrado investigador de IA y ex Director de IA en Tesla，recientemente presentó su visión de”Software 3.0”en YC AI Startup School 2025，esbozando cómo la inteligencia artificial está remodelando la naturaleza misma de la programación y la arquitectura de software。
La Evolución：De 1.0 a 3.0
El marco de Karpathy se basa en su concepto anterior de Software 2.0，donde las redes neuronales y modelos de aprendizaje automático comenzaron a reemplazar algoritmos tradicionales codificados a mano。Ahora，Software 3.0 representa el próximo salto evolutivo donde los prompts se convierten en programas y el lenguaje natural sirve como la interfaz de programación principal。
La evolución puede entenderse como：
- Software 1.0：Programación tradicional con instrucciones explícitas
- Software 2.0：Redes neuronales y modelos de aprendizaje automático
- Software 3.0：Desarrollo impulsado por LLM donde el inglés se convierte en el lenguaje de programación más caliente
Lo particularmente striking de esta transición es que Software 3.0 no está reemplazando completamente a sus predecesores。En cambio，estamos viendo una coexistencia de parcheado donde”Software 3.0 está comiendo 1.0/2.0”，conduciendo a una reescritura fundamental de cómo abordamos el desarrollo de software。
Comprendiendo los LLMs como Infraestructura
Karpathy ofrece varias analogías convincentes sobre cómo debemos pensar en los Modelos de Lenguaje Grandes en nuestro stack de software：
LLMs como Utilities
Así como no pensamos dos veces en la infraestructura de electricidad o agua，los LLMs se están convirtiendo en la base invisible que impulsa aplicaciones modernas。Están transitando de herramientas experimentales a utilities esenciales en las que podemos depender de manera confiable。
LLMs como Fábricas（Fabs）
Similar a la fabricación de semiconductores，los LLMs representan inversiones masivas de infraestructura que habilitan innumerables aplicaciones descendentes。La complejidad y costo de construir estas”fabs”significa que solo unos pocos actores pueden crearlas，pero muchos pueden beneficiarse de su output。
LLMs como Sistemas Operativos
Quizás más intrigante，los LLMs están comenzando a funcionar como un nuevo tipo de sistema operativo——gestionando recursos，proporcionando APIs，y sirviendo como la interfaz entre intención humana y ejecución computacional。
La Paradoja del Tiempo Compartido
Mientras que los LLMs inicialmente se asemejaban a costosos mainframes de tiempo compartido，están exhibiendo una reversión inusual de patrones típicos de adopción de tecnología。En lugar de gotear desde empresa a consumidor，las capacidades de IA se están volviendo cada vez más accesibles a individuos，sugiriendo un futuro de”Computación Personal v2”。
La Psicología de la Inteligencia Artificial
Una de las contribuciones más perspicaces de Karpathy es su caracterización de los LLMs como”espíritus de personas”——simulaciones estocásticas de cognición humana que exhiben propiedades psicológicas emergentes。Sin embargo，esta simulación viene con dos limitaciones significativas：
Inteligencia Escalonada
Los LLMs actuales display una forma peculiar de inteligencia que no es ni uniformemente capaz ni predeciblemente limitada。Pueden resolver problemas matemáticos complejos mientras fallan en tareas aparentemente simples como comparar 9.11 y 9.9。Esta”inteligencia escalonada”crea modos de falla impredecibles que los desarrolladores deben navegar cuidadosamente。
El desafío no es solo técnico——se trata de developing intuition for when and how the LLMs will succeed or fail。A diferencia de la inteligencia humana，que tiende a estar más uniformemente distribuida a través de tareas relacionadas，los LLMs muestran variaciones dramáticas de rendimiento que no siguen patrones intuitivos。
Amnesia anterógrada
Los LLMs sufren de una forma de amnesia digital donde no pueden consolidar aprendizaje a largo plazo más allá de su fase de entrenamiento。Como el protagonista de”Memento”，tienen recall perfecto de sus datos de entrenamiento pero no pueden construir conocimiento persistente o relaciones a través de interacciones en curso。
Esta limitación apunta hacia un paradigma faltante en el desarrollo de IA——lo que Karpathy llama”System Prompt Learning。“En lugar de hornear todo el conocimiento en los pesos del modelo，necesitamos mecanismos para que los LLMs mantengan y actualicen sus propias estrategias de resolución de problemas，essentially allowing them to”write books for themselves”acerca de cómo abordar diferentes desafíos。
Diseñando para Autonomía Parcial
El camino hacia adelante no se trata de lograr full artificial general intelligence (AGI) antes de 2027，sino de thoughtfully implementing partial autonomy。Karpathy usa el traje de Iron Man como metáfora——el sistema de IA ideal debería proporcionar tanto augmentación (mejorando capacidades humanas) como autonomía selectiva (tomando acciones independientes cuando sea apropiado)。
El Concepto de Deslizador de Autonomía
Los productos de IA exitosos implementan lo que Karpathy llama”sliders de autonomía”——mecanismos que permiten a los usuarios elegir el nivel apropiado de independencia de IA para su contexto：
- Cursor：Tab → Cmd+K → Cmd+L → Cmd+I (modo agente)
- Perplexity：Search → Research → Deep Research
- Tesla Autopilot：Nivel 1 a Nivel 4 de autonomía
Este enfoque gradual reconoce que diferentes tareas y usuarios requieren diferentes balances de control humano y autonomía de IA。
El Bucle Generación-Verificación
En el corazón de la colaboración humano-IA efectiva está un bucle generación-verificación rápido。Cuanto más rápido opera este bucle，más efectiva se vuelve la asociación：
- Mejorar verificación：Hacer que sea fácil y rápido para los humanosvalidar la salida de IA
- Mejorar generación：Mantener los sistemas de IA en un”tight leash”para asegurar calidad y alineación
Cerrando la Brecha Demo-Producto
Una de las ideas más sobrias de la charla de Karpathy es la brecha persistente entre impresionantes demos de IA y productos confiables。Él ilustra esto con su experiencia montando en un prototipo de Waymo en 2014——a pesar de zero interventions durante la demo，tomó años desarrollar un vehículo autónomo verdaderamente confiable。
La idea clave：“Demo is works.any(), product is works.all()“——los demos necesitan trabajar a veces, los productos necesitan trabajar siempre。
La Realidad del Desarrollo Asistido por IA
La experiencia de Karpathy con”vibe coding”——usar IA para aplicaciones de prototipado rápido——revela tanto la promesa como las limitaciones de las herramientas actuales de desarrollo de IA。Aunque la IA puede dramatically accelerate initial development，cuando se trata con el complejo entramado de dependencias de software modernas y requisitos de despliegue，las ganancias de productividad a menudo desaparecen。
La realidad actual del desarrollo web en 2025 es”un desajunto desordenado de servicios”diseñado para desarrolladores expertos en lugar de agentes de IA。Esto crea una oportunidad crítica para fabricantes de herramientas para rediseñar sus ofertas para una nueva categoría de consumidores digitales：
- Humans (GUIs)
- Computers (APIs)
- Agents (computers que se comportan como humanos)
Compañías como Vercel ya están adaptando su documentación y APIs para ser más agent-friendly，mientras que otras se quedan atrás en esta transición。
Construyendo para el Futuro
Las implicaciones de Software 3.0 se extienden mucho más allá de mejoras individuales de productividad。Estamos siendo testigos de un cambio fundamental en cómo el software es concebido, developed, and maintained。Las organizaciones y desarrolladores que reconocen este cambio temprano tendrán ventajas significativas en el futuro impulsado por IA。
Principios clave para construir en la era de Software 3.0：
Diseñar para Agentes：Reconocer que los agentes de IA representan una nueva categoría de usuario que requiere diferentes interfaces y patrones de interacción que usuarios humanos tradicionales o APIs programáticas。
Implementar Deslizadores de Autonomía：Proporcionar a los usuarios control granular sobre los niveles de autonomía de IA，permitiéndoles elegir el balance apropiado para su contexto específico y nivel de comodidad。
Optimizar el Bucle Generación-Verificación：Enfocarse en hacer que la salida de IA sea fácil de verificar y validar rápidamente，habilitando rápida iteración y mejora.
Construir Autonomía Parcial，no AGI Completo：En lugar de perseguir complete artificial general intelligence，enfocarse en dominios específicos donde la IA puede proporcionar augmentación significativa y autonomía selectiva。
Prepararse para la Reescritura de Software：Reconocer que”a huge amount of software será reescrito”a medida que los principios de Software 3.0 se adopten más ampliamente。
Conclusión
Software 3.0 representa más que solo un nuevo conjunto de herramientas——es un reimagining fundamental de la relación entre intención humana y ejecución computacional。A medida que los prompts se convierten en programas y el lenguaje natural se convierte en código，estamos entrando en una era donde la barrera entre creatividad humana e implementación de software continúa disolviéndose。
El futuro pertenece a aquellos que puedan navegar las peculiaridades psicológicas de los LLMs，diseñar patrones efectivos de colaboración humano-IA y construir sistemas que manejen gracefulmente la transición desde demos impresionantes a productos confiables。En lugar de esperar AGI perfecta，la oportunidad radica en implementing thoughtfully partial autonomy que augmenta human capability mientras mantiene supervisión humana apropiada。
La era de Software 3.0 no está coming——it’s already here。La pregunta es si seremos pasajeros o pilotos en esta transformación。