Todos los gestores de carteras conocen la frontera eficiente: el conjunto de carteras óptimas que ofrecen los máximos rendimientos para determinados niveles de riesgo. ¿Qué pasaría si las indicaciones de IA tuvieran su propia frontera eficiente? A medida que todos comencemos a usar IA, la optimización rápida será un desafío constante. GEPA, GEnerative PAreto, es una técnica para descubrir la frontera eficiente equivalente para la IA. Al leer el artículo, noté que los resultados iniciales eran prometedores, con una mejora de 10 puntos en ciertos puntos de referencia y una longitud de aviso 9.2 veces más corta. Menor longitud de las indicaciones, y todos sabemos que las indicaciones de entrada son el mayor impulsor del costo (ver El modelo de IA hambriento, hambriento). Entonces, implementé GEPA en EvoBlog. Para usar GEPA, debemos identificar los ejes de puntuación que usa un LLM para calificar una publicación. Aquí están los míos: (primera imagen) Ahora que tenemos este marco, podemos ingresar un mensaje para generar una publicación de blog y hacer que el sistema EvoBlog itere a través de diferentes avisos para cumplir con la frontera eficiente para cada dimensión, ponderada en todas las variables, no solo en una. Aquí están los puntajes de dos publicaciones de blog hipotéticas. Puede ver que uno aumenta más en el estilo, mientras que el otro se enfoca en el uso de datos. Usando GEPA, podemos determinar cuál es la mejor publicación general. En este caso, es la publicación centrada en los datos. Todo esto para decir, querido lector, que solo he publicado una publicación de blog completamente generada por IA. Mi objetivo con estos sistemas automatizados es aprender cómo funcionan, cómo ajustarlos y generar borradores iniciales que se aproximen a mi primer y segundo borrador. Siempre estaré completando los borradores tres y cuatro. La frontera eficiente no es un sustituto para la perspicacia y una voz auténtica.

¿Cuánto tiempo y qué tan rápido puede componerse un negocio? Esta es una pregunta que todo inversor se hace a todas las empresas, públicas o privadas. En la década de 2010, Slack y Atlassian se convirtieron en titanes. El día que Salesforce anunció su intención de adquirir Slack, era igualmente valioso para Atlassian en ~ $ 27 mil millones. Las curvas de ingresos se ven similares en los próximos años, tasas de crecimiento similares. Atlassian continúa componiéndose a gran escala. Pero el tiempo para lograr $ 1 mil millones desde la fecha de fundación difiere en una década: 17 frente a 7 años. Para crear valor, una startup debe crecer rápidamente y crecer a escala; o crecer de manera constante durante un largo período de tiempo. Las empresas de IA de hoy están creciendo muy rápidamente. Las empresas T3D2 pueden crecer a un ritmo más lento durante un período de tiempo más largo para lograr la misma capitalización de mercado. Compara el crecimiento del 400% de OpenAI con ingresos de 1.000 millones de dólares con el 30% de Atlassian. O Snowflake al 124%. Snowflake tiene una capitalización de mercado de $ 75 mil millones hoy, Atlassian $ 42 mil millones. La ventaja de una cabeza de vapor es clara.