Convierte a ChatGPT/Gemini en investigador confiable: contexto, rol y criterios para pasar del “resumen bonito” a evidencia verificable.
Aprende ventanas de contexto, multimodalidad y razonamiento en cadena. David Uvalle explica cómo se entrenan los LLMs y Alberto aplica a casos reales (análisis local CDMX/BJ, elección de modelos y cuándo usar Perplexity/ LMArena.ai ).

Claves: prompts efectivos, sesgos y pros/contras con fuentes, evaluación de modelos.
Sigue el podcast y deja tu valoración

Capítulos con timestamps

• 00:00 – Intro: del “resumen bonito” a la evidencia

• 00:33 – Problema real: suena seguro… pero no dice nada nuevo

• 01:14 – Por qué tanta gente quiere “aprender a pedirle bien”

• 02:58 – Contexto y rol: de “explica X” a “asesor energético en México”

• 05:10 – ¿Buscan en internet o construyen con lo que saben?

• 06:13 – Evitar sesgos: pide pros y contras con fuentes

• 06:28 – Diseña agentes: rol, tono, fuentes y alcance (ej. finanzas BJ)

• 08:49 – ¿Qué pasa “por dentro” cuando le das un rol?

• 09:51 – Carga tus datos privados y examina al agente antes de usarlo

• 11:51 – ¿Por qué cada modelo “piensa” distinto? (datos, alineación, RLHF)

• 16:45 – Palabras → vectores: atención y predicción de la siguiente palabra

• 18:53 – ¿Por qué parece que entiende ideas? (atención + alineación)

• 23:15 – Ventana de contexto: por qué a veces “pierde el hilo”

• 25:05 – Multimodalidad: texto, imagen, audio, video; cómo se combinan

• 27:16 – Ejemplo CLIP: pedir por texto o por imagen

• 28:21 – Razonamiento en cadena: pídelo y revisa el proceso

• 30:10 – Ojo: muchos modelos “te dan la razón” (alineación)

• 31:30 – Tip pro: LLM Arena para elegir el modelo correcto

• 33:14 – Perplexity para investigación y orquestación de modelos

• 33:54 – Cierre: de usuario pasivo a investigador con IA