Introducción: Cuando la IA comienza a consumir a las personas
Creo que muchos de los que recién están ajustando la IA, tienen una sensación similar. La primera cosa que haces al despertar no es revisar las noticias ni los mercados, sino chequear si la IA ha tenido algún error. Poco a poco te das cuenta de que, en lugar de ser la IA la que sirve a la gente, parece que cada vez más la gente sirve a la IA.
Porque ahora hay muchos trabajos, como: escribir investigaciones, hacer PPT, editar videos, generar páginas web, organizar datos, escribir scripts... Teóricamente, la llegada de la IA debería hacer que el trabajo sea cada vez más fácil.
Pero después de usarla con frecuencia, me doy cuenta de que: ¡Cuanto más poderosa es la IA, más difícil se vuelve para la gente común!
La razón es bastante simple, no importa cuán fuerte sea la capacidad del modelo, no puede entender tu verdadera necesidad de una vez. Así que una gran cantidad de tiempo comienza a consumirse en ajustar el Prompt, cambiar de modelo, modificar flujos de trabajo, arreglar Bugs, regenerar. ¡Al final, el trabajo realmente se dejó a la IA, pero mi tiempo de trabajo se alargó!
Incluso muchas personas que no saben usar IA han comenzado a sentir cierta ansiedad: "Si otros pueden usar IA y yo no, ¿seré reemplazado?"
Uno, la industria de la IA está comenzando a mostrar una nueva "división de habilidades".
Ahora en la industria de la IA, ya ha comenzado a aparecer una clara división de habilidades. El primer nivel es para quienes saben escribir Prompt. Saben cómo describir necesidades, proporcionar contexto y evitar que la IA produzca resultados erróneos.
El segundo nivel es para quienes saben usar herramientas como Codex y Claude Code. Ya no solo están "preguntando a la IA", sino que están comenzando a hacer que la IA participe en el desarrollo. Saben cómo dividir tareas, gestionar Agents y construir procesos automatizados.
El tercer nivel es para quienes saben escribir Skill y SOP. Ya no solo están "usando la IA", sino que están entrenando a la IA sobre cómo trabajar, comenzando a construir su propio sistema de trabajo de IA.
Y el problema más realista es que cada vez que se publica un nuevo modelo, se crea una nueva barrera de aprendizaje. Hoy estudias Prompt Engineering, mañana estudias MCP, pasado estudias Agent Routing.
La capacidad de la IA está evolucionando, pero el costo de aprendizaje para las personas comunes también está aumentando. Así que toda la industria ha comenzado a experimentar un cambio sutil: lo que realmente marca la diferencia entre las personas ya no es el esfuerzo, sino quién entiende mejor cómo "gestionar la IA".
Dos, lo que realmente consume a las personas a menudo no es el trabajo en sí, sino el Debug.
He caído en muchas trampas. Una vez, quise hacer un contenido de video completo, así que mi solicitud a la IA fue muy simple: "Ayúdame a generar un video de producto de 1 minuto para Xiaohongshu".
Como resultado, las siguientes horas estuve casi todo el tiempo en Debug. La cámara no estaba bien, el ritmo no era correcto, los subtítulos estaban corruptos, la voz en off se atoraba... Luego empecé a cambiar locamente de modelo, de flujo de trabajo, de Skill, a modificar el Prompt, y al final el video salió, pero en ese momento, no sentí ninguna "mejora de eficiencia".
Porque de repente me di cuenta de que lo que realmente consume tiempo no es "el trabajo en sí", sino el costo de Debug para hacer que la IA funcione correctamente.
Muchas veces, no estás usando la IA, sino que estás actuando como gerente de producto, tester e incluso como administrador para la IA. En el pasado, la lógica central de los humanos al usar herramientas era "las herramientas reducen costos"; pero ahora muchos productos de IA, en cambio, han transferido gran parte de los costos de aprendizaje y Debug, que antes no existían, de nuevo al usuario.
Tres, los flujos de trabajo de IA están convirtiéndose en una nueva "trabajo invisible".
Ahora muchos flujos de trabajo de IA son, en esencia, como un nuevo "trabajo físico digital". Necesitas saber qué modelo es adecuado para qué tarea, qué Skills se pueden combinar, cómo escribir el Prompt, cómo configurar el MCP, cómo gestionar el Agent, cómo enlazar el Workflow y por qué fallan los resultados.
El problema es que la IA no es como las herramientas tradicionales, no es solo hacer clic en un botón y obtener resultados estables. Muchas veces, debes explicar la lógica lo suficientemente clara para que sepa qué hacer.
Esta es también la razón por la que muchas personas se dan cuenta de que lo que realmente escasea ahora no son "las personas que hacen cosas", sino "las personas que saben hacer preguntas".
Porque la esencia de la IA no es sustituir el pensamiento, sino amplificar la capacidad de pensar. Si una persona no puede expresar con precisión sus necesidades, entonces los resultados que la IA ofrece, probablemente solo se volverán más confusos. Así que muchas personas piensan que están aprendiendo IA, y al final descubren que en realidad están aprendiendo a adaptarse a la IA.
Cuatro, la mayoría de los productos de IA terminan convirtiéndose en "herramientas avanzadas".
Frente a la complejidad de la IA, ahora hay aproximadamente tres enfoques principales en la industria. El primero es buscar Skill por su cuenta. Pero el problema es que el Skill con una alta calificación suele ser más general.
Una vez que realmente se aplica a tu propio escenario de negocio, muchas veces no es fácil de usar. Al final, aún tienes que probar, modificar y Debug, en esencia, sigues haciendo el trabajo de "gestor de IA".
El segundo enfoque es contratar directamente a personas que sepan usar IA. Pero esto no es realista para muchos equipos pequeños y medianos. Las personas que realmente entienden los flujos de trabajo de IA no son baratas, y la carga de trabajo de muchos equipos puede no ser suficiente para sostener a un "especialista en IA" a largo plazo. Más realista es que, a veces, el costo de comunicar tus necesidades a un empleado puede no ser menor que comunicarte directamente con la IA.
El tercer grupo es el que aprende por su cuenta. Así que muchas personas comienzan a aprender Claude Code, Agent, Skill, Vibe Coding... pero el problema es que muchas personas ni siquiera pueden "expresar con precisión sus necesidades", y mucho menos estructurar esas necesidades en un flujo de trabajo que la IA pueda ejecutar de manera estable. Al final, muchas personas terminan sintiéndose muy fatigadas: no están usando la IA, sino que se están adaptando constantemente a la IA.
Cinco, lo que xBubble quiere resolver es, en realidad, "cómo las personas normales pueden usar realmente la IA".
Luego empecé a investigar xBubble, lo que realmente me atrajo no fue la capacidad del modelo, sino que intenta resolver un problema más fundamental: ¿cómo pueden las personas normales realmente usar la productividad de la IA?
Porque ahora la gran mayoría de los productos de IA, en esencia, simplemente te dan un cuadro de entrada, y el resto de las cosas dependen completamente de que el usuario las complete. Pero la lógica de xBubble es diferente. Tiene dos sistemas centrales: Bubble Engine y Bubble Pilot.
La lógica central de Bubble Engine es "hacer que la IA aprenda de la IA". Estudiará qué modelo es más adecuado para qué tarea, qué cadena de herramientas es más estable, qué flujo de trabajo tiene una mayor tasa de éxito y qué salida se ajusta mejor a las necesidades del usuario, y luego consolidará estos caminos óptimos en un SOP.
La lógica central de Bubble Pilot es "hacer que la IA llame a la IA para los usuarios". El usuario solo necesita una frase: "Ayúdame a hacer un video de producto de 1 minuto". El sistema automáticamente identificará el tipo de tarea, emparejará el SOP correspondiente, llamará al modelo adecuado, distribuirá la ruta de ejecución y, al final, producirá el resultado. El usuario ya no necesita investigar sobre Prompt, Skill, MCP, Workflow, Agent Routing.
Mucha gente entiende el SOP como Skill, pero en realidad son completamente diferentes. Skill es más como una herramienta, mientras que SOP es como un conjunto completo de flujo de trabajo de IA que ya ha sido validado. No solo incluye Skill, selección de modelos, Runtime, API, MCP, lógica de ejecución, mecanismos de prueba, rutas de retroceso, incluso incluye "cómo completar esta tarea de manera estable".
Y esto, precisamente, es lo que ahora le falta a muchos productos de IA. Porque lo realmente difícil no es "puede la IA hacer esto", sino "puede la IA hacerlo de manera estable, continua y a bajo costo".
Resumen y perspectivas
En los últimos años, toda la industria de la IA ha estado compitiendo en parámetros de modelo. Quien tenga más grande, más rápido o un contexto más largo. Pero cada vez siento más que la segunda mitad de la IA se trata de quién es más fácil de usar, ¡quién tiene un umbral más bajo!
Porque la gran mayoría de las personas comunes en realidad no se preocupan por la arquitectura del modelo, Agent, MCP, Vibe Coding, Prompt Engineering.
Comparado con los productos de IA actuales que solo te dan un cuadro de entrada, y lo demás depende de ti, lo crucial es si la IA puede ayudarme a hacer bien el trabajo que solicito.
Y esto, tal vez, sea la verdadera IA popularizada! #Aİ #内容挖矿 #AI