Título original: What Karpathy Joining Anthropic Actually Means For Claude
Autor original: @nateherk
Traducción: Peggy, BlockBeats

Prólogo: La incorporación de Andrej Karpathy a Anthropic no es solo una noticia de recursos humanos sobre un gran experto en IA uniéndose a un laboratorio líder. Lo que realmente merece atención es el cambio en la dirección del producto que esta movida implica.

En el último año, la competencia en la industria de la IA ha seguido centrada en los modelos en sí: quién tiene el benchmark más alto, quién tiene mayor capacidad de razonamiento, quién lidera en las listas. Pero a medida que productos como Claude Code, Skills, MCP, memoria de proyectos, flujos de trabajo de agentes, etc., se perfeccionan, aparece una tendencia más clara: el modelo en sí es solo una capa del producto; lo que realmente determina la eficiencia del usuario en la producción es el contexto, la memoria, los flujos de trabajo, las habilidades, los conectores, la estructura de archivos, las guías de estilo y los ciclos de objetivos que envuelven al modelo.

La «ingeniería de contexto» que Karpathy ha enfatizado repetidamente en los últimos meses corresponde exactamente a este cambio. Lo que realmente decide si la IA puede generar valor estable no es solo la prompt que el usuario escribe, sino si el modelo puede entender tus documentos, flujos de trabajo, estándares de estilo, objetivos comerciales y sistemas de juicio. En otras palabras, la próxima fase de competencia en IA puede que ya no sea solo «quién tiene el modelo más potente», sino quién logra integrar mejor el modelo en escenarios laborales reales.

Desde LLM Wiki hasta AutoResearch, pasando por ciclos de objetivos como /goal, la dirección que Karpathy ha explorado públicamente siempre ha girado en torno a una misma cuestión: ¿cómo transformar la IA de una «ventana de chat para responder preguntas» en un sistema de trabajo capaz de entender el contexto, ejecutar tareas de forma continua y iterar en torno a un objetivo? La reciente estrategia de Anthropic en Claude Code, servicios empresariales, conectores ecológicos y capacidades de flujo de trabajo también sigue esta misma línea.

Por tanto, la incorporación de Karpathy a Anthropic no es solo un movimiento de talento, sino que funciona como una anotación a la hoja de ruta de los productos de Anthropic: las herramientas de IA del futuro no solo residirán en los parámetros del modelo, sino también en los datos acumulados por los usuarios, los flujos de trabajo, los sistemas de memoria y el conocimiento sectorial. Quien logre organizar estos contextos, podrá realmente impulsar a la IA desde una «herramienta» hacia una «infraestructura».

Aquí el texto original:

Hace unas horas, Andrej Karpathy publicó en su cuenta que se unirá a Anthropic.

La versión más simple de esta historia es: un gran experto en IA se une a un laboratorio de IA de primer nivel.

Pero lo que realmente importa es: ¿por qué Anthropic? ¿Y por qué ahora?

Porque si revisas lo que Karpathy ha estado construyendo públicamente en los últimos meses, y comparas con las funciones que Claude Code ha lanzado recientemente, verás que ambos parecen estar alineados en la misma dirección de producto.

Contexto

Karpathy es una de las figuras más influyentes en el campo de la IA moderna.

Fue uno de los fundadores de OpenAI en 2015, trabajó cinco años en Tesla en el área de IA; en 2023 volvió a OpenAI y al año siguiente se fue; luego fundó su propia empresa de educación en IA, Eureka Labs. También lanzó LLM 101, un curso gratuito que enseña a los usuarios cómo construir un modelo de lenguaje desde cero.

Es también el creador del concepto de «vibe coding»: describir en inglés lo que quieres, dejar que la IA escriba el código, y luego sentir, guiar y iterar continuamente. Además, propuso el concepto de «ingeniería de contexto», que será clave en la discusión posterior.

Por eso, esto no es solo una contratación más. Significa que una de las voces más influyentes en IA se une a uno de los laboratorios con mayor impulso actualmente.

Claude Code ya es la herramienta preferida para muchos constructores que crean agentes, programan o manejan conocimientos reales. Hace aproximadamente una semana, Ramp publicó su índice de IA. Según esos datos, Anthropic superó por primera vez a OpenAI en adopción empresarial: 34.4% frente a 32.3%.

Por supuesto, esto solo refleja los datos de los clientes de Ramp. OpenAI sigue teniendo una marca fuerte en consumo y muchos contratos empresariales que no están en esa muestra. No quiero exagerar, pero la señal es difícil de ignorar.

A principios de este mes, Anthropic anunció la creación de una nueva empresa de servicios de IA para empresas. Es una joint venture entre Anthropic, Blackstone, Hellman & Friedman y Goldman Sachs, con el objetivo de integrar Claude en los procesos centrales de medianas empresas.

Observa otra vez esta jugada: están desarrollando modelos, pero también productos de entrada como Claude Code, Skills, MCP; están construyendo una red de socios; y ahora añaden una capa de servicios para facilitar la implementación en empresas.

Ya no es solo «te doy un modelo y tú te las arreglas».

El wrapper es el producto

Hoy en día, muchas discusiones sobre IA todavía consideran el modelo en sí como un producto completo: qué modelo gana en qué benchmark, Opus 4.7, GPT-5.5, Gemini, quién lidera en las listas.

Por supuesto, los modelos son importantes; no digo que no. Pero cuanto más usas estas herramientas, más se nota: el modelo es solo una capa del producto. Lo que realmente cambia tu productividad diaria es la capa exterior del wrapper.

Por eso, dos personas usando el mismo modelo pueden obtener resultados completamente diferentes.

El wrapper es todo lo que decide cómo se usa el modelo.

→ Claude Code, Codex, Skills, Subagents, Hooks, conectores MCP.

→ Tu CLAUDE.md, tu memoria, tus documentos, tus casos de uso.

→ Tu estructura de archivos, tus guías de estilo, y tu definición real de un «buen resultado».

Este es el entorno en el que opera el modelo.

Si abres una ventana de chat nueva, sin contexto previo, y le pides que te ayude con un problema de negocio, no sabe nada de ti y solo puede adivinar. Tendrás que explicar en la conversación muchas veces el contexto que ya diste varias veces antes.

Pero si le proporcionas tus archivos, casos, flujos de trabajo, guías de estilo y criterios de éxito, el mismo modelo puede dar resultados muy diferentes.

Aquí es donde encaja la propuesta de Karpathy y Anthropic. La idea de «ingeniería de contexto» (context engineering) en lugar de solo prompt engineering, porque lo que importa no es solo escribir un prompt perfecto, sino crear un entorno correcto para que el modelo funcione y pueda recordar y usar el contexto entre sesiones.

Anthropic ha estado construyendo silenciosamente ese entorno. Karpathy ha estado enseñando públicamente esa metodología. Ahora, ambas ideas convergen en una misma compañía.

Entendiendo esto, lo que Karpathy ha estado haciendo en los últimos meses deja de parecer proyectos aleatorios y se convierte en una hoja de ruta.

LLM Wiki y tu barrera de conocimiento

En abril, Karpathy lanzó LLM Wiki. Este proyecto rápidamente se hizo popular en X.

Su estructura es muy sencilla. Si quieres entender, también hice un tutorial completo en YouTube.

→ Una carpeta raw/ con muchos archivos markdown: notas, fuentes, transcripciones, cualquier material.
→ Una carpeta wiki/ donde un agente organiza todo, conecta la información y genera mapas mentales.
→ Un documento schema, similar a CLAUDE.md o AGENTS.md, que indica cómo funciona el sistema y cómo incorporar nuevos materiales.

No es solo que la IA busque en los archivos originales, ni que haga consultas vectoriales puntuales, sino que construye una base de conocimientos viva y en constante evolución. Lee, comprende las relaciones y las conexiones entre los datos. Muchos ya la usan para crear su «segundo cerebro».

Esto es más importante de lo que parece. Cuando alguien dice «los datos son la barrera de entrada», piensa en una base de datos gigante. Pero para un constructor común, la verdadera barrera es más pequeña y concreta.

Puede ser tus notas de reuniones, SOP internos, registros de llamadas con clientes, transcripciones, tus normas de nomenclatura, o los marcos de trabajo que realmente usas.

Si Claude puede convertir todo eso en contexto visible y usable para el modelo, cada semana será más inteligente y útil para ti.

Esa es la fuerza del efecto de bloqueo. No es que no puedas cambiar de modelo, claro que sí. Pero si construyes continuamente contexto, flujos y memoria en una herramienta, cuanto más tiempo pase, más difícil será dejarla.

LLM Wiki no es solo un proyecto secundario; es una pista. No me sorprendería que en el futuro Claude Code o la memoria de los proyectos de Claude tengan funciones similares en su forma más nativa. Ya se ven indicios en la función auto-dream.

Por supuesto, no tienes que esperar. Este fin de semana puedes empezar tú mismo: hacer que Claude Code lea tus documentos importantes y construir así tu wiki.

Si quieres ser una persona AI-first, tus datos solo serán valiosos si el agente sabe cómo encontrarlos y usarlos correctamente.

AutoResearch y el ciclo /goal

En marzo, Karpathy lanzó un proyecto llamado AutoResearch. Es un ciclo de investigación automatizado. Si has usado Ralph Loop, notarás que comparten ideas similares.

Su patrón general es:

1. Obtener un script de entrenamiento.

2. Proponer una modificación.

3. Ejecutar una breve tarea de entrenamiento.

4. Revisar los resultados con métricas objetivas: éxito o fracaso.

5. Repetir hasta alcanzar el objetivo.

Sinceramente, AutoResearch no es una función que use frecuentemente. No entreno modelos ni construyo aplicaciones que requieran ese ciclo. Pero su forma es muy relevante.

Definir un objetivo. Hacer que el agente trabaje. Volver y revisar.

Mirando qué están lanzando en el ecosistema: Codex tiene /goal, Hermes tiene /goal, Claude Code también tiene su propio /goal nativo.

No digo que Karpathy inventara esta función. No lo sé. Pero, en el fondo, AutoResearch y /goal comparten un patrón claro.

Ambos nos sacan del modo «un prompt, una respuesta».

Nos empujan hacia otra interacción: definir un resultado, dejar que el agente decida cómo lograrlo, y volver cuando esté listo.

Es una versión mejorada de vibe coding: definir «qué quieres», no «cómo hacerlo», y esperar a que termine.

Al combinar este patrón con la idea de LLM Wiki, la interacción deja de parecer solo un chat. Empieza a parecer un empleado real: entiende tu negocio y trabaja en torno a un objetivo hasta cumplirlo.

La línea de educación

En el anuncio de incorporación, hay una frase que vale la pena destacar: «Sigo teniendo una profunda pasión por la educación.»

Eureka Labs, su anterior empresa, en esencia era un proyecto educativo. No buscaba solo que la gente «haga clic en botones y conecte nodos», sino que realmente entienda cómo funciona la IA.

Karpathy tiene una cualidad poco común: puede explicar conceptos muy técnicos de forma que parezcan comprensibles y accesibles. Entender algo es una habilidad. Enseñarlo de modo que otros puedan usarlo, otra completamente distinta.

Esto es crucial para Anthropic. Si la próxima competencia se centra en contexto, flujos, Skills, memoria y ciclos, los obstáculos no solo son tecnológicos, sino también educativos.

Un estudio reciente de IBM sobre adopción y gestión del cambio en IA muestra claramente la gran brecha entre «poder usar IA» y «usar bien IA». La mayoría de las empresas están atrapadas en ese punto.

Que un experto en educación en IA entre en la organización para reducir esa brecha no es un movimiento menor.

Tres predicciones sobre Claude Code

Solo son predicciones. No tengo información privilegiada ni el roadmap de Anthropic. Pero, basándome en los productos recientes y en lo que Karpathy ha compartido públicamente, la dirección parece clara.

Anthropic construirá una «tienda de aplicaciones de contexto»

Ya están en ello. Los plugins oficiales, Skills, y componentes de mercado están en desarrollo.

Pero no me refiero al mercado de prompts.

Hablo de componentes: Skills, flujos, memoria de proyectos, contextos verticales, ciclos de evaluación, conectores a datos reales. También ejemplos que enseñen a los modelos qué significa «bueno» en un puesto específico.

Al integrar estos componentes en tu dominio, podrás obtener mayor valor del modelo, incluso si ya es muy inteligente.

Porque para el usuario común, el modelo en sí ya no es la única diferencia. La verdadera cuestión es quién puede construir la infraestructura correcta de datos y wrappers para que el modelo genere resultados que realmente aporten ROI a la empresa.

LLM Wiki es un método para transformar información dispersa en memoria útil. /Goal es un método para convertir objetivos en ciclos automáticos. La labor educativa de Karpathy es un método para hacer conceptos complejos accesibles.

Lo que realmente está empaquetando es una forma de actuar. Si Anthropic logra convertir esa forma en un ecosistema completo, Claude Code dejará de ser solo una herramienta de programación y se convertirá en un mercado.

Más comandos estilo /goal aparecerán en los productos

Es probable que /goal sea solo la primera versión, no la forma final.

Se pueden imaginar muchas versiones específicas: ciclos de investigación, ciclos de depuración, ciclos de cierre. También comandos optimizados para sectores específicos, en los que el agente ya sepa qué significa «completo».

No importa mucho cómo se llamen al final. Lo importante es que la interfaz cambiará. Ya no solo dirás «haz esto», sino «en este escenario vertical, sigue hasta que se cumpla esta condición».

Anthropic lanzará un sistema educativo para ayudar a los usuarios a construir sus propios flujos de trabajo

Esta es la predicción más audaz y, en realidad, la más interesante.

Si Anthropic quiere crear un verdadero mercado de contexto, las personas comunes también deben poder contribuir, no solo los desarrolladores o investigadores.

Es decir, expertos en sus campos, como:

→ Contadores que entienden a fondo los procesos de cierre mensual.

→ Operadores inmobiliarios familiarizados con cada paso del ingreso de propiedades.

→ YouTubers que saben qué es un buen empaquetado y pueden hacer lluvias de ideas desde cero.

Estos conocimientos son muy valiosos. Pero ahora, están atrapados en las mentes, en documentos dispersos, hilos de Slack o canales de ClickUp.

Ya se ven indicios en la práctica. Muchos entrenadores están creando sus propios avatares IA y chatbots, y cobrando por ello, permitiendo a los usuarios dialogar con estas IA. Es una versión manual. La gente quiere extraer y aplicar conocimientos especializados en su negocio.

Si yo quisiera crear un agente para publicidad, me quedaría atascado por no tener ese conocimiento experto. Pero si existiera un mercado donde pudiera suscribirme a contextos de alta calidad en un sector, sería cliente inmediato.

Eso es lo que seguiré explorando en la siguiente capa.

Epílogo

La verdadera historia es el propio patrón.

El modelo es solo una capa. La capa exterior del wrapper se está convirtiendo en un producto real. Tus datos y flujos de trabajo están generando un efecto de bloqueo genuino. Lo que Karpathy ha enseñado en estos meses y lo que Anthropic ha estado haciendo en los últimos también apuntan a esto.

Por eso, esta incorporación no es solo un titular, sino una hoja de ruta. En el video completo desgloso toda la lógica, con enlaces en la primera respuesta.

[Enlace al original]

Haz clic para conocer las vacantes en BlockBeats

Únete a la comunidad oficial de律动 BlockBeats：

Grupo de Telegram: https://t.me/theblockbeats

Chat de Telegram: https://t.me/BlockBeats_App

Cuenta oficial de Twitter: https://twitter.com/BlockBeatsAsia