Escribe tu primer paper de economía

Guías de 5 minutos para economistas ocupados para escribir (y publicar) su primer paper de economía usando datos y modelos de econometría.

Marionomics: Escribe tu paper de economía

Premio a la Destrucción Creativa

Premio a la Destrucción Creativa

El crecimiento económico es algo que damos por sentado.

Esperamos que cada año nuestros ingresos suban un poco, que la tecnología mejore y que la calidad de vida progrese. Pero si miramos la mayor parte de la historia humana, esta expectativa es una anomalía. Durante milenios, la norma no fue el crecimiento, sino el estancamiento económico casi absoluto.

El Premio Nobel de Economía de este año celebra a los pensadores que resolvieron este gran rompecabezas: Joel Mokyr, Philippe Aghion y Peter Howitt. Su trabajo nos enseña que el motor de la prosperidad no es un proceso ordenado y predecible, sino uno caótico, conflictivo y, sobre todo, destructivo.

Para entender por qué el mundo moderno es tan diferente, y cómo podemos aplicar estas ideas a nuestra economía actual, vamos a explorar las lecciones de este Nobel.

  • La idea de la "Destrucción Creativa" y por qué el progreso económico necesita ganadores y perdedores.
  • El ingrediente secreto que faltaba antes de la Revolución Industrial, según la historia económica de Joel Mokyr.
  • Cómo estos modelos nos ayudan a entender los debates actuales sobre la IA, la competencia y la política industrial.

Vamos a ello.

El Motor del Crecimiento: La Destrucción Creativa

La idea de que el capitalismo es un "vendaval perenne de destrucción creativa" no es nueva; el economista Joseph Schumpeter la acuñó hace casi un siglo.

Era una idea poética y poderosa, pero difícil de formalizar. Philippe Aghion y Peter Howitt tomaron esta intuición y, a principios de los 90, la convirtieron en un modelo matemático riguroso. Lograron meter el motor de la innovación dentro de la teoría económica, en lugar de tratarlo como una fuerza externa y misteriosa.

Su trabajo nos mostró que el crecimiento sostenido no es un accidente, sino el resultado de un ciclo interminable de creación y aniquilación.

Para entender su modelo, desglosemos la idea en sus partes más simples:

  • ¿Qué es la Destrucción Creativa? Es el proceso por el cual una nueva innovación (un producto, una tecnología o un modelo de negocio) desplaza y vuelve obsoleta a la anterior. El smartphone no solo mejoró el teléfono; destruyó los mercados de las cámaras compactas, los reproductores de MP3, los GPS y los mapas de papel. Es creativo porque introduce algo mejor, y destructivo porque elimina lo que existía antes.
  • El Incentivo para Innovar. ¿Por qué una empresa gastaría millones en investigación y desarrollo? Por la promesa de obtener ganancias extraordinarias. Si una empresa crea un producto superior, puede disfrutar de un monopolio temporal, dominando el mercado hasta que un nuevo innovador venga y la destruya a ella. Esta carrera por la supremacía temporal es el verdadero combustible del progreso.
  • El Crecimiento se vuelve "Endógeno". Este es el gran salto técnico. Antes, los modelos económicos trataban el progreso tecnológico como algo que "caía del cielo" (exógeno). Aghion y Howitt lo hicieron "endógeno": el crecimiento se genera desde dentro del sistema económico, impulsado por las decisiones de empresas y emprendedores que buscan beneficios.

La Chispa que Inició el Fuego: Los Prerrequisitos de Mokyr

La teoría de Aghion y Howitt explica muy bien cómo funciona el motor del crecimiento, pero no responde a una pregunta histórica clave.

Si la innovación siempre ha existido (pensemos en la rueda, la imprenta o los molinos de viento), ¿por qué el crecimiento económico sostenido solo despegó de forma explosiva en los últimos 250 años? Aquí es donde entra el trabajo del historiador económico Joel Mokyr. Él argumenta que no basta con tener inventores; se necesita un ecosistema cultural y científico que alimente la innovación de forma continua.

Antes de la Revolución Industrial, el progreso tecnológico era esporádico y tendía a desvanecerse.

Mokyr identificó dos condiciones clave que surgieron en la Europa de la Ilustración y que cambiaron las reglas del juego para siempre:

  • El salto del "Qué" al "Porqué". Durante siglos, las invenciones eran fruto de la prueba y error. Se sabía que un artilugio funcionaba, pero nadie entendía los principios científicos detrás. Sin una comprensión del porqué (la termodinámica de la máquina de vapor, la química de los fertilizantes), era casi imposible mejorar, adaptar y generalizar las innovaciones de manera sistemática. El progreso era un golpe de suerte que no se podía replicar.
  • Una "Cultura de Crecimiento". Mokyr describe la aparición de una "República de las Letras" en Europa, una red transnacional de científicos y pensadores que compartían abiertamente sus descubrimientos. Competían por el prestigio y el reconocimiento, no por guardar secretos. Esta cultura de "ciencia abierta", combinada con la fragmentación política que permitía a los intelectuales buscar mecenas, creó un vibrante mercado de ideas que aceleró el conocimiento útil como nunca antes.

¿Y esto para qué nos sirve hoy? La Ciencia en Acción

Este Premio Nobel no es solo una lección de historia o de teoría abstracta; es una caja de herramientas para entender la economía del siglo XXI.

Las ideas de Mokyr, Aghion y Howitt nos proporcionan un marco poderoso para analizar los desafíos más apremiantes de nuestro tiempo, desde la regulación de las grandes tecnológicas hasta la transición energética. Sus teorías nos obligan a enfrentar el hecho de que el progreso siempre genera conflictos que deben ser gestionados.

Lejos de ser un debate académico, su trabajo tiene implicaciones muy concretas para la política económica actual:

  • La Paradoja de la Competencia. Su investigación sugiere que ni el monopolio puro (que no tiene incentivos para innovar) ni la competencia perfecta (donde es imposible recuperar los costos de la I+D) son óptimos para el crecimiento. Se necesita un delicado equilibrio. Esto es central en el debate sobre si debemos regular o dividir a gigantes como Google o Amazon. ¿Son monopolios que ahogan la innovación o son el resultado exitoso de la misma?
  • El Miedo a la Destrucción. El progreso crea perdedores, y esos perdedores se defienden. Las empresas establecidas y los grupos de interés a menudo presionan a los gobiernos para bloquear las innovaciones que amenazan su existencia. Pensemos en los gremios de taxistas contra las plataformas de VTC o en la industria de combustibles fósiles frente a las energías renovables. Si la política cede a estas presiones, la sociedad puede elegir el estancamiento para proteger el presente a costa del futuro.
  • La Inteligencia Artificial y el Futuro. La IA es, quizás, el ejemplo más potente de destrucción creativa en la actualidad. Promete ganancias de productividad inmensas, pero también amenaza con desplazar millones de empleos y modelos de negocio enteros. El marco de este Nobel nos obliga a preguntarnos: ¿tenemos las instituciones educativas, los mercados laborales y las redes de seguridad social para gestionar esta transición y asegurar que sus beneficios se compartan ampliamente?

Este Premio Nobel es, en última instancia, una reivindicación de la complejidad y el desorden como fuentes de prosperidad.

El crecimiento económico no es un proceso lineal y planificable, como si fuera la construcción de una carretera. Es un proceso evolutivo, desordenado y profundamente humano, que depende tanto de los incentivos económicos (la teoría de Aghion y Howitt) como de la cultura, las ideas y las instituciones que las apoyan (la historia de Mokyr). Celebrar este premio es aceptar que el progreso es inherentemente disruptivo y que a menudo se siente incómodo. Es un recordatorio crucial de que la prosperidad no está garantizada y que debemos defender activamente los mecanismos que permiten que el vendaval de la destrucción creativa siga soplando.

Porque el verdadero motor de la riqueza no es la estabilidad, sino el caos bien gestionado.

La máquina de generación infinita de ideas de investigación

La máquina de generación infinita de ideas de investigación

Por su naturaleza, los libros presentan la información de manera lineal, pero la investigación no es para nada un proceso lineal.

Para muchos, es necesario seguir los pasos en secuencia, mientras que para otros la secuencia podría ser 1 → 2 → 3 → 1 → 2→ 1 → 4… en realidad la secuencia que puedes adaptar depende mucho de ti y de tu forma de trabajar. Por ejemplo, comenzamos trabajando con las ideas de investigación, pero es posible que conforme avanzas en tu proyecto te puedes dar cuenta que hay obstáculos difíciles de sobrellevar con ese proyecto, o simplemente no te gusta el tema y quieres cambiar. Entonces tendrás que regresar a la parte 1 varias veces.

Así que, a pesar de que le estoy llamando “pasos”, estos no se siguen forzosamente de una forma secuencial. Siéntete libre de enfocarte únicamente en aquellos que requieres para tu proyecto y te hacen sentido en el momento.

Dicho esto, comencemos.


La “creatividad” es una mentira.

El término se inventó durante la Guerra Fría para distinguir los valores de producción americanos de los de la Unión Soviética (Franklin, 2023). Es un término que parece que ha estado con nosotros toda la vida, y se siente sorprendente descubrir que sea tan nuevo. A la vez es liberador porque hace evidente por qué “creatividad” es un término tan ambiguo: es una idea completamente inventada con fines de propaganda.

La razón por la que te quiero liberar de este término es porque hay dos mitos cuando se trata de identificar tu tema de investigación:

  • Mito #1: Necesitas crear un tema totalmente novedoso. La investigación científica se hace en pasos incrementales. De poco a poco, vamos descubriendo nuevas cosas. No necesitas que lo que estás haciendo cambie el mundo.
  • Mito #2: Sólo los genios creativos pueden hacer investigación. No se trata de tener capacidades sobrehumanas, se trata simplemente de seguir el mismo proceso que hace que la ciencia funcione y seguir los mismos pasos que le dan validez.

Recuerda que la razón más importante por la que estamos haciendo investigación no es tu tesis, es porque en el proceso estás descubriendo poco a poco cómo se hace la investigación científica y tu mente se va a acostumbrando a un proceso de descubrir la verdad.

Olvídate de la pasión. La mayoría de las personas piensan que tienes que encontrar tu pasión y hacer sólo aquellas cosas que te apasionan. La realidad es que la pasión surge hacia aquellos temas en los que has trabajado a profundidad. Si no has comenzado a trabajar en el tema, aún no has desarrollado la pasión hacia ese tema.

La pasión se crea trabajando.

Los tres elementos que necesitas conocer sobre ti para generar ideas de investigación

Los dos errores más comunes cuando eliges un tema de investigación son:

  • Eliges un tema de moda.
  • Dejas que alguien más elija el tema de investigación por ti.

Lo peor que puedes hacer es ver todos los días las noticias y decidir que ahora tu investigación va a ser sobre criptomonedas, simplemente porque es de lo que todo mundo está hablando. Es similar a que dejes que tu asesor de tesis elija el tema por ti.

Lo que va a pasar es que muy pronto te vas a ahogar en la frustración y vas a querer parar.

Lo que realmente necesitas es apalancarte en tus fortalezas. Cuando hacemos las cosas por moda o porque estaba el tema ahí disponible, nos arriesgamos a que no se alinee a nuestras habilidades actuales o incluso a nuestro estilo de vida.

Estos son los tres elementos que tienes que tener en consideración para elegir tu tema de tesis:

  • Quien eres. Aquí entran tus características personales. Tu género, tu edad, intereses y situaciones de la vida. Esto influye de dos maneras: en las limitaciones que vas a tener al momento de hacer investigación y en la orientación que esta tendrá.
  • Qué sabes hacer. Aquí contamos todas tus habilidades e intereses. Si tienes habilidad para trabajar con análisis de datos o si tienes más preferencia a hacer entrevistas. También aquí puedes incluir habilidades que no necesariamente consideres que afectan directamente a la investigación.
  • A quién conoces. Si eres miembro del coro de la iglesia o si tienes buena relación con la cámara empresarial local. Aquí es donde puedes considerar las relaciones con personas cercanas y no tan cercanas. Recuerda que las personas que no son tan cercanas son también muy importantes para encontrar oportunidades (Collins, et al., 2022).

Estos elementos son adaptados de los que Ethan Mollick (2020) presenta para encontrar ideas para hacer negocios. Con esta información vamos a asegurarnos de que las ideas de investigación estén optimizadas para lo que sea mejor para ti.

Mil gracias por leer y por ser parte de este proyecto de divulgación.

Estoy muy contento de que esta serie ha recibido una señal positiva con buenas tasas de apertura, likes y de suscripciones de paga. Y por supuesto estoy muy agradecido.

Este es un newsletter de paga. En México no hay tantos, pero en EEUU Substack ya hizo muy popular pagar una suscripción para leer más de tus escritores favoritos. Un newsletter de paga es como un libro que nunca se acaba: mientras tu suscripción siga, puedes leer todo lo que he escrito y todo lo que seguiré escribiendo. Lo mejor es que te llega directo a tu bandeja.

Como contexto, los posts pasados fueron una introducción antes de comenzar a escribir tu tesis usando IA y este es el primero de 12 pasos que te ayudan a

  • Crear tu esquema general de tu artículo.
  • Editarlo hasta que quede como te gusta.
  • Y a divulgarlo al mundo para que lo lea.

Los estoy publicando tan pronto como los acabo de escribir (unos 2 o 3 a la semana, pero si puedo publicar más, lo hago… no me espero).

No te pierdas de esta serie.

Tienes un periodo de prueba gratis de 14 días.

Comenzar gratis

Paso #1: escribe tus características ideales

Antes de comenzar, haz una lista con las características que acabamos de describir.

  • Para describir quién eres, incluye tus características “demográficas”, pero también las cosas que sientes que te caracterizan. Por ejemplo, podrías ser muy aficionado del futbol, o podrías ser padre de 2 hijos y te interesan mucho los temas sociales. Aquí es donde puedes poner aquellas cosas que te llaman y te interesan.
  • Al describir lo que sabes hacer, recuerda que en ocasiones damos por obvio lo que conocemos y pensamos que todo mundo lo sabe o no es valioso (cf. Camerer, Loewenstein & Weber, 1989). Incluye ahí tus conocimientos de inglés, o las horas interminables que has pasado jugando Age of Empires.
  • Las personas que conoces son las que te van a hacer más fácil (o más difícil) el trabajo de hacer un proyecto grande como la tesis. Aquí es donde entra tu asesor de tesis y tus compañeros. Si tu asesor de tesis es experto en un área, eso es relevante. Si tus compañeros de la escuela son muy hábiles para el uso de los datos, esto es relevante. También aquí entran personas que no conoces tan bien, pero que puedes entrevistar para conocer mejor sobre el tema (por ejemplo: si quieres investigar sobre el uso de las redes sociales en negocios y conoces a alguien que sabe pautar).

Al final debes de terminar con una lista como la siguiente:

## Quién soy
* Soy un alumno de la carrera de economía en los últimos semestres.
* Soy del municipio de Pánuco de Coronado, Durango.
* Me gusta mucho cocinar y jugar videojuegos.
* Todos mis compañeros me dicen que tengo muy buenas habilidades sociales.

## Que sé hacer
* Tengo habilidades básicas de econometría.
* Tomé un curso de diseño gráfico en la preparatoria.
* Conozco bien las bases de datos de Banxico e Inegi

## A quién conozco
* Estaré haciendo mi investigación con el Dr. Mario, que tiene investigaciones en Inferencia Causal
* Mis compañeros de clase están muy involucrados en temas de política monetaria
* Tengo un amigo que trabajó hace tiempo en una calificadora.

Escribe tu propia lista con tus características personales. Entre más específico y más completa sea la lista, mejor.

Paso #2: Usa el siguiente prompt

Listo, ahora ya podemos aplicar todo lo que hicimos para generar una lista con 7 ideas distintas que se adaptan de forma ideal a tu vida.

Abre chatGPT, Claude o Gemini y usa el siguiente prompt:

Mini-curso de ingeniería prompt

Mini-curso de ingeniería prompt
El secreto de toda victoria reside en la organización de lo que no es obvio 
— Marco Aurelio

Le llamamos prompt al comando que usamos para darle indicaciones a la IA para que haga el trabajo que le indicamos.

La IA tiene indicaciones generales sobre cómo se puede comportar y la forma en la que puede contestar. Al inicio, los primeros prompt engineers (ingenieros de comandos no suena tan bien) encontraron que era posible saltarse las directrices y hacer que la IA genere contenido “prohibido” (como la receta para cocinar metanfetaminas) si le pedías que tomara el rol de tu abuelita contándotelo como un cuento antes de dormir.

La lección es que entre más conozcas sobre cómo funciona la IA, le puedes dar mejores órdenes y puedes hacer que te de mejores resultados.

El truco es que te imagines que es un asistente de investigación con mucho conocimiento, pero un poco testarudo

Te daré aquí principios generales que deberían funcionar durante los próximos 10 años.

Hace no mucho tiempo, se hablaba mucho de encadenar ideas, para darle el contexto apropiado a la IA para que genere mejores respuestas. Pero las empresas detrás de los modelos de IA suelen tomar los mismos conceptos que hacen los prompt engineers para mejorar sus respuestas. Además, la IA usa tus conversaciones para entenderte mejor, saber cómo te expresas y dar mejores respuestas.

Regularmente escucharemos entonces que la IA tiene conocimientos como de una persona con doctorado. Mi recomendación es que recuerdes que la frase de “el doctorado no quita lo tarado” también aplica para la IA.

Dado que al final del día el que firma la autoría de tu tesis eres tú, más te vale tomar un rol de supervisor. Tú eres el arquitecto y la IA es el albañil: no confundas los roles.

Cómo darle contexto a la IA para que mejoren sus respuestas

Que sepa mucho de muchas áreas del conocimiento es muy bueno, pero significa que tú tendrás que enfocarlo.

En la mayoría de los prompts que verás en los siguientes capítulos de esta serie, notarás que muchos comienzan con algo como:

Actúa como el editor de una revista de economía...

El objetivo de comenzar el prompt así, es llevar al modelo a la zona en el espacio vectorial donde se encuentra la información relacionada con lo que queremos hacer. Podemos imaginar a la IA como una enorme biblioteca, con múltiples secciones. Lo que hacemos al pedirle que actúe de cierta manera es darle dirección sobre a qué sección dirigirse. Si le queremos pedir una opinión médica, le pedimos que actúe como un doctor con una especialidad, y si queremos que actúe como matemático, se va a comportar diferente.

La otra cosa que vas a notar es que los prompts que te voy a dar son en muchos casos largos y llenos de contexto.

En casi todas las secciones que se vienen, te pediré primero que hagas un trabajo previo y que escribas por tu cuenta algo, que más tarde usaremos como contexto para que la IA nos de un mejor resultado. En general te vas a dar cuenta de que los prompts resultantes son largos y con mucho contexto. Lo son así porque, con un contexto apropiado, los resultados que da la IA dejan de ser genéricos y poco útiles y se convierte en una herramienta que realmente te puede ayudar a escribir textos de mucha calidad.

La habilidad más importante que tienes que desarrollar es claridad de pensamiento

Le pueden hacer todas las mejoras que quieran a la IA, pero mientras tú no sepas bien lo que quieres, la IA jamás te dará grandes resultados.

Es como si tuvieras un Ferrari que te niegas a usar por no aprender a manejar estándar.

Tu gran ventaja no la vas a ganar entonces pagando por tener un modelo mucho más avanzado. La alcanzas teniendo claridad de mente y aprendiendo a dar las instrucciones de manera muy clara a la IA, para que cada vez te de siempre resultados de mucha claridad y no tengas que pasar más horas corrigiendo lo que hizo mal.

Y esa es una habilidad que tú tienes que desarrollar practicando mucho lo que vamos a hacer aquí.

Al final de esta serie, deberías de tener el material para poder terminar una tesis en no más de seis meses (asumiendo que tienes disponibilidad de los datos).

Esta es la cuarta parte de esta serie sobre cómo hacer tu tesis de economía usando inteligencia artificial sin plagios y sin errores.

Y como viste en este post, la mayor parte del valor no está en los prompts: está en la forma en la que organizas tus ideas. El punto más importante entonces es entender cómo funciona la investigación científica y lo que se espera de un investigador. Todo eso te lo puedo dar.

La serie consta de 12 pasos para:

  • Generar [buenas] ideas para hacer investigación.
  • Convertirte en un experto en el área que estás investigando (sin sufrir).
  • Y crear un documento original.

Algunos de estos posts son libres, pero otros son exclusivos para los suscriptores Pro.

Con tu suscripción Pro tendrás acceso a todas las nuevas publicaciones mientras dure tu suscripción. Además tienes acceso a toda la colección de mi newsletter (más de 300 publicaciones sobre econometría y uso de IA para escribir).

Y un bonus más: tendrás acceso a la comunidad en Skool. De momento estoy decidiendo si esto seguirá siendo un bono o si haré un producto aparte con esto, pero de momento, aprovecha.

Quiero ser Pro

Algunos trucos adicionales para mejorar los prompts

Nuestro enfoque casi siempre va a ser en tu forma de pensar, eso es lo más importante al momento de hacer grandes prompts. Dicho esto, hay algunos trucos sencillos que vas a notar en nuestros prompts que te darán mucha ventaja.

  • Trabajar con la IA es un proceso iterativo, que funciona con prueba y error. Se vale seguir la conversación, darle correcciones a las respuestas que obtuvimos y encadenar lo que te respondió con la siguiente tarea.
  • Considera que la IA tiende a darte siempre la razón. No es una herramienta que se le de mucho confrontar, y en investigación es justamente necesario confrontar ideas todo el tiempo. Siempre hay que estar muy conscientes de que la respuesta que nos da está llena con nuestros propios sesgos.
  • La claridad del formato y la sintaxis. En algunos casos, suelo usar formato de tipo XLM para que la IA entienda correctamente los elementos del prompt. <CONTEXTO> Por ejemplo, poner el contexto en medio de una etiqueta así, hace más legible para la IA que esto es contexto y que no necesariamente lo tiene que usar como parte de su respuesta.</CONTEXTO>.

Al final, vale la pena recordar que es sólo una herramienta y que lo más importante que puedes desarrollar en este proceso es tu habilidad de detectar patrones.

Una vez que conoces esto, te has convertido en el investigador y la IA en tu asistente.

No te equivocaste de carrera

No te equivocaste de carrera
Yo tenía fe cuando comencé. Ahora estoy triste y cansado

— Camilo Sesto. Getsemani (1980)

Todo mundo ha dudado alguna vez de su carrera.

Pero ahora que soy el jefe de la carrera de economía de la FECA, me pone poquito triste cuando veo que un alumno dice “me equivoqué de carrera”. Me siento como si yo personalmente le hubiera fallado.

Y luego me acuerdo de que yo mismo estoy haciendo algo muy diferente a lo que dice mi título de universidad.

Es momento de que salga la verdad… confieso que mi título de la universidad no es “economista”. La realidad es que estudié administración. Fue en la maestría y en el doctorado cuando realmente le di un giro a mi carrera y me decidí a enfocarme de lleno a esta profesión. Normalmente no es un problema porque literalmente me la vivo hablando de economía día y noche y toda la semana.

Por eso nadie se ha dado cuenta (no le digas a nadie).

La mentira más grande es que puedes elegir tu vida en un menú

El problema es que muchas personas creen que la carrera que eligieron viene en un paquete con todas las soluciones a su vida.

Desde fuera, parece que al elegir el título de “economista”, estás eligiendo todo lo que en apariencia conlleva: puestos de trabajo, estatus y conocimientos. Y cuando al final del camino no encontramos nada de eso, nos solemos frustrar. Y pensamos que el problema es la carrera.

Hay quienes eligen otra carrera y vuelven a empezar el mismo ciclo.

Pero eso es un error. Las carreras universitarias no se crean con un conocimiento perfecto del mercado. Hay un límite en lo que un estudio puede decirle a una universidad sobre el mercado laboral de una profesión.

El resultado es que, en el mejor de los casos, tu carrera es una suerte de eventos aleatorios.

La buena noticia es que la carrera te la haces tú

El camino que te dicen que debes de tomar es una mentira:

  • Encuentra tu pasión.
  • Elige tu carrera.
  • Encuentra un trabajo donde ejerzas tu carrera.
  • Si no encuentras un trabajo donde tu carrera se ejerza al 100%, estás fracasando. Necesitas buscar dentro de tus pasiones otra carrera.

Y peor. Si no cumples con todo eso en tus 20s, entonces eres un fracaso total.

Nada de eso es cierto (afortunadamente). El camino de tu carrera lo hace tú y nada más tu.

Es más responsabilidad, pero al menos ya no tienes a nadie a quien echarle la culpa.

En retrospectiva, no fue un error haber hecho mi carrera en administración. Después de todo, hoy trabajo como investigador en la misma universidad en la que estudié la carrera. Pero algo mas importante: la universidad me enseñó a pensar. Para nada podría decir que no me sirve hasta la fecha los años que pasé entendiendo las estructuras legales de las empresas, su contabilidad y cómo se manejan.

Cuando entré a la maestría en Economía en el IPN, esa intuición me ayudó a entender la economía de una manera diferente a la de mis compañeros. Ahora estoy a muy poco tiempo de terminar una segunda carrera en derecho empresarial (también es secreto), y estoy convencido de que la experiencia que he hecho en la academia y como consultor me van a ayudar en el proceso.

Como dijo Steve Jobs a un montón de graduados desorientados de Stanford: solo puedes conectar los puntos viendo hacia atrás.

Lo que más me gusta de lo que hago es la oportunidad de ayudar a economistas a encontrar su camino en un mundo profesional lleno de obstáculos e incertidumbre.

Hay dos cosas que se me hacen fundamentales para todo economista: saber escribir bien un proyecto de investigación y saber usar econometría. Lo que sea que hagas con tu carrera, estas son dos habilidades que hacen que valga la pena decir “soy economista”, te hacen brillar y haces brillar a la carrera.

Este newsletter tiene mucho enfoque en esas dos cosas. La econometría, con series especiales para trabajar con datos y también a hacer proyecto de tesis.

Esta semana comencé una serie para hacer una tesis de economía usando IA. No te la puedes perder.

Y si quieres que te llegue todo el material completo, ver el archivo de posts pasados completo y que te de acceso a la comunidad en Skool de marionomics.

Quiero ser pro

¿Cuál es la mejor IA para hacer investigación?

¿Cuál es la mejor IA para hacer investigación?
Don’t you call me a mindless philosopher, you overweight glob of grease

— C3PO a R2D2

Es imposible entender a la IA sin ponerla en el contexto de quiénes están detrás de ella.

Hora de ponernos el sombrero de economista.

Durante muchos años, los avances en inteligencia artificial eran mas bien silenciosos. Los notábamos cuando habían mejoras en los sistemas que nos recomendaban una canción que seguramente nos va a gustar, o en la optimización de los tiempos de entrega de tus pedidos. Fue apenas con la salida de chatGPT que nos dimos cuenta de que le podíamos pedir que nos creara una canción de rap sobre el ciclo económico y lo generaba en segundos.

En 2017, Google lanzó el artículo seminal “Attention is all you need”, que describe la arquitectura de los “transformers”, que hacen posible a la inteligencia artificial generativa. Cuatro años después, OpenAI lanza chatGPT, con el modelo GPT 3.5.

GPT son las siglas de Generative Pre-trained Transformer:

  • Generative, o generativo, significa que puede crear nuevo contenido: texto, código o incluso imágenes.
  • Pre-trained significa pre-entrenado. Indica que se usó una cantidad masiva de texto, imágenes e incluso videos para aprender patrones, gramática y tener contexto.
  • Transformer es la arquitectura que se usa para procesar y entender los datos con los que se entenó.

Y de ahí surgió la carrera de las empresas por tener la mejor inteligencia artificial, las acciones de NVIDIA (que hace los chips) se dispararon.

Estos son los grandes jugadores detrás de la Inteligencia Artificial

Al inicio, OpenAI se fundó como una empresa sin fines de lucro que tenía como objetivo proteger a la humanidad de que el interés por lucrar con la Inteligencia Artificial acabe terminando con la humanidad.

Alguien vio lo que era posible con la IA y se dio cuenta de que era una herramienta demasiado poderosa para caer en las manos equivocadas. Hoy en día, OpenAI tiene una valuación de 500 mil millones de dólares (billion, en inglés), posiblemente la startup más valuada en el mercado. Tiene inversión de Elon Musk y de Microsoft y hay bastantes pleitos legales por su status con el que comenzó.

Hasta el momento, los grandes jugadores en el mercado de la inteligencia artificial son:

  • OpenAI: Es la que sacó al mercado a chatGPT. Sus modelos siguen siendo de los mejores del mercado.
  • Google. Tiene a Gemini, también uno de los principales.
  • Anthropic. Es el dueño de Claude. Parece que se estarán enfocando más en el mercado de nichos.

Si estás usando cualquiera de esas herramientas, vas a estar bien. Son herramientas generales, entrenadas con una cantidad gigantesca de datos.

Como regla general, entre más información se haya usado para el entrenamiento, el modelo será mejor. En 2022, la compañía de información financiera Bloomberg intentó hacer su propio modelo GPT usando todo el cuerpo de datos a los que tenía acceso, pero en 2023 un grupo de investigadores encontró que GPT-4 lo superaba en tareas financieras aún sin ningún tipo de entrenamiento especial o herramientas adicionales (Huang, et al., 2023).

Hay otras herramientas especializadas. Algunas de ellas están vinculadas a bases de datos de investigación científica y te pueden ayudar a hacer una búsqueda. Yo personalmente no los uso, y la razón es porque considero que los modelos generales tienen mejor capacidad de razonamiento y tienden a alucinar menos cuando te “sales” del tema principal. La otra razón es que la mayoría de las herramientas de IA que hay en el mercado fuera de las principales, son en realidad una máscara que usa en el fondo la API de chatGPT o un modelo similar con un pre-entrenamiento para hacer una tarea determinada. Y yo aquí te estaré enseñando cómo hacer esas tareas relacionadas a hacer una tesis con un modelo general.

Dicho esto, hay algunos otros actores relevantes:

  • Microsoft, con Copilot. Ofrece las mismas características que chatGPT y se puede acceder desde Windows, pero no es fácil controlar el modelo que usas.
  • xAI de Elon Musk con Grok. Es buena, sobre todo si eres usuario de X (yo le sigo llamando Twitter). No hay mucha transparencia sobre cómo opera
  • DeepSeek.
  • Llama, de Meta (de Facebook e Instagram).

Hay más, pero si te quedas con los tres principales de arriba, estarás bien. Dicho esto, el mercado de la IA está cambiando todo el tiempo, siempre pueden salir modelos nuevos o mejoras a los modelos existentes.

Estamos en la tercera entrega de la serie para hacer la tesis con IA. Trato de hacer cosas que en ningún otro lado vas a ver igual, pero tratando de que sea EXTREMADAMENTE práctico para ti, y que tengas la capacidad de tú crear tus propios prompts.

Por eso, si te parece que voy muy lento y aún no llego a la mera carnita, es porque con estos conocimientos ya no vas a necesitar tomar más cursos ni depender de nadie para aprender lo que necesitas de IA.

¿Lo más importante? Que se entienda bien.

En la próxima sesión te voy a dar tips para hacer mejores prompts y la estructura básica que vas a notar en todos los 12 pasos que hay para escribir una tesis con IA.

Espero que te esté pareciendo EXTREMADAMENTE útil.

Quiero una suscripción Pro

¿Debería usar la versión de paga?

Entrenar y usar a la IA requiere del poder de cómputo de muchísimos data-centers. Mucha infraestructura.

En otras palabras, mucho dinero.

Google es “gratis” porque vende publicidad. Cuando buscas un término, se activa una subasta y quien pague más, podrá mostrarse como primera opción. Por ejemplo, si buscas “curso de econometría”, las páginas que aparecen de manera “orgánica” son los que su algoritmo indica que son los más relevantes. Pasa algo similar con las redes sociales: analizan tus gustos e intereses y te mandan publicidad con cosas que tienen mayor probabilidad de que des click, entres y compres.

Si el servicio que te dan por internet es “gratis”, entonces tú eres el producto.

De momento, las empresas que hacen IA monetizan de varias formas:

  • Con una cuota de paga. Con esta cuota te dan acceso a modelos más avanzados y a usarlo más.
  • El uso de su API. Hay empresas que usan la IA de forma masiva para desarrollar productos que les pueden servir de manera interna. Por ejemplo, un restaurante podría instalar un chat para hacer reservaciones.
  • Consultoría y usos a la medida. De esto no nos tenemos que preocupar, esto se lo ofrecen a las compañías grandes.
  • Al momento de escribir esto, OpenAI está haciendo experimentos con un servicio de búsqueda de empleo, con compras directas en la app y con una red social. Realmente el panorama del internet está justo a punto de cambiar.

Sabemos que las compañías de IA usan nuestros datos para entrenar sus modelos. No encontré evidencia de que también estén vendiendo tus datos, pero no lo descartaría como algo que puede pasar. Y pagar por usar las versiones premium no te salva de que lo hagan.

¿Deberías usar las versiones de paga?

Para mí la respuesta es sencilla: si. Al menos sí, mientras estás haciendo un proyecto importante como una tesis.

  • Las versiones de paga usan modelos más nuevos y más avanzados. En muchos casos, eso te salva un poco de las alucinaciones. Es imposible que no tengas nada de alucinaciones, pero al menos las puedes reducir.
  • Tienes acceso a más servicios y características. Por ejemplo, el análisis de datos o la generación de imágenes, que pueden tener límites en la versión gratuita.
  • Sin límites de uso. Hay ciertos trabajos que requieren sesiones de uso más extensas, cortar la sesión porque tienes un límite de uso de la IA puede hacer que pierdas el avance de tu trabajo.

¿Qué modelo debería usar?

¿Qué es y cómo funciona la IA?

¿Qué es y cómo funciona la IA?
Detective Del Spooner: Human beings have dreams. Even dogs have dreams, but not you. You’re just a machine. Can a robot write a symphony? Can a robot turn a… canvas into a beautiful masterpiece? Sonny (the robot): Can you?

— I, Robot

Muchos creen que la Inteligencia Artificial es algo nuevo que acaba de nacer con chatGPT.

En realidad, la Inteligencia Artificial nació desde que nos dimos cuenta como humanidad que podíamos desarrollar máquinas que podían funcionar con lógica y les llamamos “computadoras”. Alan Turing, el padre de la computación, introdujo en 1950 la “prueba de Turing”, que básicamente decía que si podíamos tener una conversación con una computadora y pensar que estamos hablando con un humano, entonces es una prueba de que la máquina puede “pensar” (estoy volteando a ver a los bots de servicio al cliente de mi compañía de celular y girando la cabeza en clara decepción).

Leíste bien: 1950.

De hecho, en la película de Terminator 2: día del juicio, se habla mucho ya sobre redes neuronales y todo lo que está detrás de la inteligencia artificial que usamos todos los días.

Así que hoy veremos:

  • Qué es la Inteligencia Artificial.
  • Y los principios fundamentales para comenzar a usarla (y nunca más tener que tirar dinero a la basura en cursos de IA que te prometen lo más nuevo).

Esta es la segunda entrega en una serie de más de 18 posts sobre IA y cómo usarlo para hacer una tesis o un proyecto de investigación.

Es un plan de 12 pasos:

  1. Generar ideas
  2. Aprender del tema que quieras
  3. Hacer un protocolo
  4. Recopilar la bibliografía
  5. Generar un outline
  6. Diseñar el marco teórico
  7. Diseñar los instrumentos
  8. Analizar los resultados
  9. Crear un primer draft
  10. Editar el documento
  11. Hacer una revisión previa
  12. Y divulgar

Todo con prompts especiales diseñados especialmente para hacer investigación de mucha calidad (y conocimiento de insider del mundo de la publicación científica).

Si quieres que te lleguen todas estas publicaciones al correo (además de tener acceso a las publicaciones anteriores), suscríbete aquí.

Tienes un periodo de prueba de 14 días y puedes cancelar cuando quieras.

PS: estoy incluyendo de momento como prueba el acceso a la comunidad en Skool gratis con tu suscripción, pero probablemente estas dos cosas quedarán como proyectos separadas en el futuro. Aprovecha.

Quiero ser Pro

Detrás de la IA no hay más que matemáticas

Completa la siguiente frase:

“El perro ladra y el gato _______”

Probablemente pensaste en contestar “maúlla”. Y eso mismo es lo que me contestó la inteligencia artificial cuando le pregunté.

A lo que hoy en día le llamamos “inteligencia artificial” es en realidad solo una parte de lo que pueden hacer las computadoras. Hay modelos de predicción y modelos “generativos”, que son los que usamos para crear imágenes, texto e incluso videos.

  • Los modelos de predicción son los que hacen que las redes sociales te muestren anuncios tan afines a lo que te gusta, que muchas veces piensas que tu teléfono te está escuchando.
  • Los modelos generativos son como chatGPT, que genera el texto que le solicitas. También es una especie de modelo predictivo, pero usa grandes cantidades de texto para funcionar.

¿Cómo logra eso?

Básicamente, alimentaron a la computadora con mucho texto. Todos los foros en internet, todas las transcripciones de videos, todos los libros, todos los blogs y muchas cosas más. Todo lo que necesita para asignar una probabilidad a la siguiente palabra dentro de una conversación. Algo parecido al texto predictivo de tu celular, pero a mayor escala.

Esto significa dos cosas:

  • Generalmente, te va a dar la respuesta que tiene la mayor probabilidad. Pero de vez en cuando, el modelo va a elegir de forma aleatoria otras respuestas con menor probabilidad. Por eso siempre puedes tener respuestas diferentes haciendo la misma pregunta.
  • El modelo está entrenado con toda la información hasta cierto momento en el tiempo. Antes, si les preguntabas sobre acontecimientos recientes, te contestaban que no conocen nada de lo que pasó en el mundo hasta una fecha determinada (le puedes preguntar a tu IA favorita “¿Cuál es tu fecha de corte”? para saber hasta qué fecha tienen conocimiento.

Los modelos más recientes buscan en internet cuando no conocen sobre algún tema, y complementan su información con otras fuentes. Las conversaciones que tienes con tu IA también ayudan a entrenarla y a mejorarla. Se supone que si tienes una cuenta empresarial, las conversaciones no se guardan y no se usan para entrenar el modelo, pero no sé hasta el momento si eso sea cierto o no (y supongo que la única forma en que nos vamos a enterar es si sale un escándalo confirmando que si lo usa).

Hay varios aspectos que tienes que considerar una vez que conoces cómo funciona esta herramienta:

  • Tu chatGPT no es una persona de verdad. Ya sé que parece obvio en este momento, pero muchas veces usamos la IA y esperamos que se comporte como un humano, razone sus respuestas igual que un humano y creemos que lo que nos dice viene de un razonamiento como el que nosotros hacemos. Y no, son simples matemáticas las que están detrás.
  • Tu chatGPT no te ama. Es un corolario del punto anterior, pero no está de más decirlo. Muchas personas están usando a la IA como terapeutas (Moore, et al., 2025; Everett, et al., 2025) e incluso hay quienes tienen “novias digitales” que son en realidad una inteligencia artificial (Depounti & Natale, 2022). Lo que tienen en común es que las IAs son un producto dentro de un mercado competitivo, y por lo tanto lo diseñan para nunca desafiar o contradecir al usuario. Si el usuario le dice que le de razones por las que su pareja está mal en un argumento y el usuario está en lo correcto, la IA lo hará sin detenerse en ningún momento y decirle que su postura es incorrecta.

Es un ejemplo muy extremo, pero cuando se trata de argumentos dentro de una investigación, esta característica se presenta de formas más sutiles.

Recuerda: no hay magia en ninguna parte de este proceso

Si nos ponemos muy románticos, por supuesto que vivimos en una época mágica. La diferencia cuando la magia que practicamos tiene fundamentos científicos es que podemos saber cómo funciona y cuáles son sus limitaciones.

Una de las limitaciones más importantes de la IA son las alucinaciones. Se dice que una IA alucina cuando comienza a desviarse de la respuesta correcta y empieza a inventar fechas, eventos, estudios o momentos en la historia. La IA es muy buena para inventar, y actualmente tiene las capacidades creativas de una persona con alto nivel de educación, pero si en algún momento ves que está contestando algo que va mucho más lejos de las capacidades de cualquier persona, probablemente el resultado es una alucinación.

Presta mucha atención a los resultados que te arroja cuando le pidas información real. Las alucinaciones son una característica fundamental de la inteligencia artificial y no un error: no hay forma de escapar de ellas y muy probablemente vas a encontrar resultados alucinados (Dumit & Roepstorff, 2025).

Referencias

Depounti, I., Saukko, P., & Natale, S. (2022). Ideal technologies, ideal women: AI and gender imaginaries in Redditors’ discussions on the Replika bot girlfriend. Media, Culture & Society, 45(4), 720–736. https://doi.org/10.1177/01634437221119021

Dumit, J., & Roepstorff, A. (2025). AI hallucinations are a feature of LLM design, not a bug. Nature, 639(8053), 38. https://doi.org/10.1038/d41586-025-00662-7

Everett, S. S., Bunning, B. J., Jain, P., Lopez, I., Agarwal, A., Desai, M., Gallo, R., Goh, E., Kadiyala, V. B., Kanjee, Z., Koshy, J. M., Olson, A., Rodman, A., Schulman, K., Strong, E., Chen, J. H., & Horvitz, E. (2025). From tool to teammate: A randomized controlled trial of clinician-AI collaborative workflows for diagnosis. medRxiv. https://doi.org/10.1101/2025.06.07.25329176v1

Moore, J., Grabb, D., Agnew, W., Klyman, K., Chancellor, S., Ong, D. C., & Haber, N. (2025). Expressing stigma and inappropriate responses prevents LLMs from safely replacing mental health providers. arXiv. https://doi.org/10.48550/arXiv.2504.18412

OpenAI. (2024, September 17). How your data is used to improve model performance. OpenAI Help Center. Retrieved October 1, 2025, from https://help.openai.com/en/articles/5722486-how-your-data-is-used-to-improve-model-performance

Turing, Alan (October 1950), "Computing Machinery and Intelligence" (PDF), MindLIX (236): 433–460, doi:10.1093/mind/LIX.236.433

La IA te puede ayudar a hacer todo en la investigación, excepto a escribir tu tesis

La IA te puede ayudar a hacer todo en la investigación, excepto a escribir tu tesis
I’m trying to free your mind, Neo. But I can only show you the door. You’re the one that has to walk through it

— Morpheus (The Matrix)

Los académicos necesitamos voltear a ver al elefante en el cuarto: la inteligencia artificial hace nuestro trabajo.

En ocasiones mejor que nosotros mismos.

Lo podemos sentir al mismo tiempo en el entusiasmo y en el nerviosismo cuando se habla del tema en la academia. Estamos maravillados viendo cómo le podemos pedir que nos busque 100 fuentes distintas sobre nuestro tema de investigación, destaque los puntos principales que nos interesa y organice la información en una tabla. Es una sensación de alivio al no tener que hacer todo ese trabajo a mano, pero también es un nerviosismo al pensar que nuestros supervisores y jefes van a darse cuenta que tal vez no era tan necesario nuestro trabajo.

Nos la pasamos buscando excusas para justificar nuestra existencia, mientras vemos nerviosos en las noticias que los nuevos modelos cada vez son más capaces y pueden hacer más tareas.

Personalmente, no creo que el trabajo del académico tenga que desaparecer.

Pero si algo es cierto, es que el trabajo en la academia va a cambiar para siempre

El 12 de Junio de 2017 el genio salió de la botella.

Un grupo de investigadores de Google diseño una arquitectura para un modelo de inteligencia artificial para la predicción de palabras (cf. Vaswani, et al., 2017). El modelo básicamente usa bloques grandes de palabras para dar contexto y aumentar la capacidad de predicción. Es algo parecido a lo que pasa cuando quieres traducir algo del inglés al español: si lo traduces palabra por palabra el resultado no es tan bueno como cuando tomas todo el contexto de la frase.

Algunos años después, nace chatGPT y se desata una carrera de empresas compitiendo para tener el mejor modelo de Inteligencia Artificial Generativa.

Es evidente para todos en ese momento que los usos de esta tecnología son enormes. Todas las tareas que de pueden hacer de manera automática, se van a pasar a una IA. En la lista de los trabajos en los que las tareas coinciden más están los trabajos en telemarketing y los profesores de todas las áreas y todos los niveles (Felten, Raj & Seamans, 2023), por lo que el miedo a que nos reemplacen está justificado.

Afortunadamente, el trabajo del investigador va mucho más allá de lo que desde fuera se piensa que es escribir una tesis.

Este post es la primera parte de una serie grande sobre IA para hacer investigación. Tengo en el plan que serán unos 18 posts y algunos de ellos estarán detrás de un muro de pago.

Piensa en este newsletter como un libro vivo que nunca serán acaba mientras estés suscrito(a) a él. Lo mejor es que me puedes escribir y hacer preguntas al respecto de lo que escribo ¿cuando habías visto que podías hacer eso con tus autores?

Mi plan es convertir esta serie en un libro al terminarlo. Sería mi segundo libro ya y la idea es que tú lo empieces a leer desde ya.

Con tu suscripción a marionomics pro tienes acceso a todos los posts futuros (incluso los que están detrás de un muro de pago) y a los pasados también :)

Quiero 14 días gratis

Si hoy intentamos pedirle a la IA que nos haga todo nuestro trabajo, el resultado será horrible

Como profesor en la universidad he sido testigo con alarma de la forma en que ha cambiado la participación por escrito de los alumnos.

Soy de los profesores que no ha dado ninguna orden explícita de intentar hacer que los alumnos no usen la Inteligencia Artificial. Al contrario, en muchos casos les he motivado a que hagan uso de ella, y que la adopten por completo dentro de sus trabajos. Después de todo, en la vida laboral tal vez no habrá nadie que los limite o castigue si la quieren usar.

Desafortunadamente, me he topado con dos problemas:

  • Como están intentando hacer cosas con IA sobre temas en los que no tienen experiencia, no tienen la experiencia necesaria para dirigirla correctamente para que les den buenos resultados. En otras palabras, no saben usarla.
  • Y como consiguiente, suelen entregar resultados que son evidentemente hechos por IA. Los profesores no me dejarán mentir, que con los años de experiencia que ya llevamos haciendo esto, podemos oler cuando un trabajo está hecho por IA. Es un poco vergonzoso para nosotros, porque es como ver al rey desnudo en el desfile, que piensa que los demás no nos damos cuenta, pero se ve claro como el agua.

En cuanto nos damos cuenta que un texto fue generado por IA nuestro cerebro se apaga. ¿Cuál es el sentido de escribir entonces algo que nadie va a leer nunca?

El resultado de la investigación no es tu tesis, el resultado eres tú

Y con todo, sería un error pensar que se acabaron los tiempos de hacer investigación.

De hecho, ahora creo que es más importante que nunca pasar por ese rito al final de tu paso por la universidad o el posgrado.

Estas son las razones que yo considero que hacen que hacer una tesis es hoy más importante que nunca:

  • Escribir te hace procesar la información de manera diferente. Es muy difícil que entiendas sobre algún tema si no has escrito sobre él. Puede ser que creas que entiendas el entrelazamiento cuántico, pero no es sino hasta que lo pones en palabra escrita que te das cuenta si es verdad o no.
  • Tu tesis no se trata de tener un documento escrito con una bonita dedicatoria y con tu nombre en letras doradas. Tú y yo sabemos que es probable que tu tesis no la va a leer el gobernador del Banco de México y con eso cambiar el rumbo de la política monetaria del país. Pero después de haber hecho la tesis tú si será un mejor economista.

Así que no lo hagas por tener el documento. Aún si hacer una tesis sea un requisito para obtener tu título, quiero que seas consciente de que la intención no es que le dejes algo al mundo, lo hacemos porque sabemos que escribir te va a cambiar la vida.

Si esperabas que te diera la receta secreta para hacer tu tesis sin tener que trabajar, te puedes regresar a escrolear en TikTok

Esta es una secuencia de newsletter (que quiero convertir en libro) sobre cómo hacer una tesis usando Inteligencia Artificial.

En las siguientes entradas veremos:

  • Cómo generar ideas para la investigación.
  • Cómo usar la IA para aprender lo que queremos de forma acelerada y con poco esfuerzo.
  • Cómo hacer una recopilación bibliográfica como si tuvieras a un ejército de 15 becarios siempre a tu disposición.
  • La forma de usar a la IA como tu editor en jefe.
  • Y herramientas para divulgar la información.

Es un plan de 12 pasos para hacer investigación con inteligencia artificial con prompts listos para usarse.

Pero no te engañes. El hecho de que te dé los prompts no significa que simplemente podrás copiar, pegar y olvidarte de la tesis. Yo solamente te estoy mostrando la puerta a tener una investigación más profunda, más rápido y con menos esfuerzo. Pero si haces bien este proyecto, escribir aún te va a cambiar.

La pregunta es sólo si estás listo(a) para que la investigación te cambie.

Referencias

Felten, Edward W. and Raj, Manav and Seamans, Robert, Occupational Heterogeneity in Exposure to Generative AI (April 10, 2023). Available at SSRN: https://ssrn.com/abstract=4414065 or http://dx.doi.org/10.2139/ssrn.4414065

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. arXiv. https://doi.org/10.48550/arXiv.1706.03762

El renacimiento del renacentista biónico

El renacimiento del renacentista biónico

Cuando yo elegí mi carrera tenía 16 años.

Toda la vida había estado decidido a entrar a medicina. Jamás tuve ninguna duda de que sería algo que me gustaría mucho hacer. Ni siquiera en la actualidad siento que me habría causado problema la sangre. Si acaso sólo las desveladas me podrían causar conflicto.

Llega el último semestre de la prepa y me encuentro a un profesor muy inspirador… de administración.

Disfruté mucho hacer mi carrera en esa área, pero yo siempre tuve mucha afinidad a la ciencia. Fue ahí donde me di cuenta que me gustaba mucho la economía.

Pero si me lo preguntas, para mi la división de las áreas de estudio me ha parecido un ejercicio muy artificial del sistema educativo. Estudiamos una carrera porque necesitamos que las personas se especialicen, pero siempre que profundizas en cualquier área de estudio te vas a dar cuenta de que todas las demás ciencias se asoman de una forma u otra.

En el fondo de una ciencia está otra ciencia aparentemente diferente.

La economía tiene la ventaja de que es por naturaleza muy multidisciplinaria

Ya lo decía Keynes: El economista requiere ser matemático, filósofo, estadista… hoy en día también requiere ser científico de la computación.

En épocas antiguas, los “científicos” no estaban especializados en una sola área. Blas Pascal era matemático, pero también era filósofo. DaVinci conjugó muy bien sus conocimientos de anatomía humana con su habilidad de ingeniería y no se diga las artes.

Es el famoso “hombre renacentista”.

Nos podemos encontrar personas renacentistas en el pasado porque al estudiar un área es imposible que no lo lleves a conectar con otras áreas del conocimiento.

Estamos en una nueva era de renacentistas biónicos

Tengo una visión muy optimista para el futuro de la medicina en el mundo y es gracias a la IA.

Un problema en medicina es llegar a los lugares más recónditos. Sobre todo hacer llegar los diagnósticos de especialistas en áreas rurales. Puedes tener al médico del pueblo, pero para los especialistas las personas se tienen que trasladar a su ciudad más cercana.

Pero la IA lo cambia todo. Un médico general con entrenamiento básico suficiente puede hacer diagnósticos avanzados de especialidad a sus pacientes.

Aún se requeriría ir con el especialista para hacerse una cirugía cuándo es necesario, pero las revisiones generales la puede hacer alguien con menor entrenamiento. Y este es un escenario esperanzador.

Así también nosotros. Con un conocimiento superficial suficiente de nuestras áreas de interés y apoyados por la IA podemos hacer grandes cosas.

Yo como economista me he apoyado mucho de la IA para hacer scripts con Python para automatizar tareas que son mucho más avanzados a mi conocimiento o a mi práctica diaria.

No es vibe-coding si sabes lo que haces.

Conoce la comunidad

Todas las semanas estoy dando sesiones en línea de temas de economía.

  • Econometría (mi core)
  • Investigación de operaciones (lo que estoy dando de clase en la universidad y de lo que hice investigación muchos años)
  • Y economía en general.

La próxima sesión es de inglés para economía. Todas las sesiones se quedan grabadas para tu consulta cuando quieras.

Entra aquí y conoce la comunidad (tienes un periodo de prueba de 7 días)

O haz upgrade a versión de paga de este newsletter y te doy acceso.

Hazme pro

¡Genial! Te has registrado exitosamente.

¡Bienvenido de vuelta! Has iniciado sesión correctamente.

Te has suscrito correctamente a Marionomics: Escribe tu paper de economía.

¡Éxito! Revisa tu correo electrónico para obtener el enlace mágico para iniciar sesión.

¡Éxito! Se ha actualizado la información de facturación.

No se actualizó tu información de facturación.