Lo que Anthropic realmente hizo
El 7 de abril de 2026, Anthropic anunció Claude Mythos Preview junto con lo que, podría decirse, es la decisión más interesante: Project Glasswing. El modelo había identificado miles de vulnerabilidades de día cero en sistemas operativos, navegadores y grandes proyectos de código abierto. Algunas de ellas se encontraban en infraestructura crítica de la que depende todo internet. La divulgación pública de esos hallazgos, a escala, habría desatado una carrera de explotación que ningún defensor habría podido ganar a tiempo.
Así que Anthropic no hizo una difusión pública. Construyó una red.
Glasswing reunió a Microsoft, Apple, Google y otros proveedores importantes dentro de un marco de divulgación coordinada. Los hallazgos llegaron a las partes que podían actuar realmente sobre ellos, con un calendario calibrado para corregir en lugar de para acaparar titulares. El modelo no cambió. La capacidad no cambió. Lo que cambió fue la arquitectura de distribución: de la difusión pública a una red curada de confianza.
El resultado, según la cobertura de InfoQ, Dark Reading y CETaS en el Alan Turing Institute, es una cadencia de divulgación que ya está produciendo sistemas parcheados en lugar de exploits convertidos en armas. Las vulnerabilidades son reales. Se están corrigiendo. Y el público todavía no tiene acceso directo al propio Mythos.
Lo interesante es que este patrón (capacidad más curaduría de confianza, en vez de capacidad más difusión abierta) no es exclusivo de la seguridad. Es el mismo patrón que silenciosamente impulsa la mayor parte del aprendizaje de alto impacto. El lanzamiento de Mythos simplemente hizo legible la lógica subyacente a escala industrial.
La era de la difusión está terminando
Durante aproximadamente veinte años, el modelo dominante de progreso intelectual en línea fue la difusión. Entradas de blog hacia un feed RSS público. Tuits hacia una línea de tiempo algorítmica. Videos de YouTube hacia El Algoritmo. Boletines de Substack hacia una lista. La forma siempre era la misma: una persona produce, el público consume, la atención ordena.
Este modelo asumía la escasez de información. Cuando la información era escasa, difundirla generaba mucho apalancamiento. La tarea del lector era encontrar buenas fuentes. La tarea del escritor era llegar a tantos lectores como fuera posible.
Ese modelo se está derrumbando por ambos lados, y Mythos forma parte de la razón.
En el lado de la producción, la IA ha aplanado el costo de producir texto verosímil. Cualquiera puede generar mil palabras sobre cualquier tema en segundos. El resultado es una inundación. El volumen total sube. La señal promedio por palabra baja. La vieja estrategia del lector (encontrar buenas fuentes y seguirlas) se vuelve más difícil, no más fácil, a medida que cada fuente enfrenta la presión de producir más volumen para conservar visibilidad algorítmica.
En el lado del consumo, la IA ahora puede resumir, sintetizar y explicar casi cualquier información pública bajo demanda. El valor marginal de haber leído un ensayo concreto cae, porque cualquiera puede pedirle a una IA que se lo resuma. El acceso a información en bruto se ha vuelto prácticamente gratuito.
Lo que no se ha vuelto gratuito, y lo que se vuelve más valioso a medida que todo lo demás se abarata, es que alguien en quien usted confía le diga qué frase específica merece su atención. Esa es la capa de curaduría. Y la curaduría, por su naturaleza, no escala mediante la difusión. Escala a través de redes.
Este es el cambio que Anthropic puso en marcha a nivel de seguridad con Glasswing. El mismo cambio está ocurriendo, de forma menos visible, en cómo los estudiantes serios están usando realmente su tiempo.
Por qué el aprendizaje en solitario llega a un techo
Existe la fantasía de que los estudiantes motivados pueden autodirigirse hasta la maestría sin necesitar a nadie más. Elija un tema, encuentre los mejores libros, lea en profundidad, tome notas, repita. Con suficiente disciplina, supera cualquier programa estructurado.
Esto funcionaba mejor de lo que parece cuando la información era escasa y encontrar los doce libros correctos sobre un tema era en sí mismo un filtro real. Los primeros doce libros sobre la mayoría de los temas en los años noventa eran genuinamente los mejores doce, porque la publicación imponía un impuesto de curaduría. Hoy, los primeros doce libros que devuelve una búsqueda sobre la mayoría de los temas son una mezcla de útiles, redundantes, generados por IA y francamente equivocados. Sin conocimiento previo de en quién confiar, no puede distinguir cuál es cuál hasta que ya ha perdido tiempo con los equivocados.
El aprendizaje en solitario tiene tres modos de fallo estructural que la IA no ha resuelto y, podría decirse, ha empeorado.
El problema de la curaduría. Elegir qué leer es ahora una habilidad más difícil que leer mismo. Una persona motivada puede absorber cualquier cosa que le entreguen. El cuello de botella está en que le entreguen lo correcto. La búsqueda y los resúmenes de IA no resuelven esto, porque ambos están optimizados para la popularidad o la fluidez, no para si la fuente realmente desplazó el pensamiento de alguien.
El problema de la retroalimentación muerta. Cuando estudia solo, sus interpretaciones quedan sin verificación. Puede terminar un libro convencido de haberlo entendido, cuando en realidad pasó por alto el argumento central. Sin personas que hayan leído la misma fuente y puedan desafiar su lectura, los errores se codifican y se acumulan.
El problema de la motivación. El aprendizaje autodirigido es heroico solo cuando funciona. La mayor parte del tiempo es un esfuerzo lento contra su propio presupuesto de atención, sin nadie que se dé cuenta si se detiene. Las redes de aprendizaje aportan una rendición de cuentas social de baja intensidad que el aprendizaje en solitario, por su estructura, no puede ofrecer.
Ninguno de estos problemas es letal para el aprendizaje en solitario, pero juntos limitan hasta dónde puede llegar. El techo es real. Y en la era de la IA, el techo está más bajo de lo que solía estar, no más alto, porque el problema de la curaduría ha empeorado.
Aprender en público aborda parte de esto desde el lado del productor. El patrón de red curada es el complemento del lado del lector: en vez de difundir su propio aprendizaje, usted se conecta a un pequeño grupo de productores de confianza y deja que su curaduría haga parte de su trabajo.
Redes curadas frente a difusiones frente a estudio en solitario
Ayuda comparar los tres patrones directamente, porque cada uno tiene su lugar y confundirlos produce malos resultados.
| Patrón | Optimiza para | Mejor en | Débil en | Cuándo brilla |
|---|---|---|---|---|
| Difusión pública | Alcance | Descubrimiento de gran amplitud, exploración inicial | Profundidad, señal, rendición de cuentas | Encontrar nuevos temas, construir una audiencia |
| Estudio en solitario | Independencia | Exploración profunda e idiosincrásica | Curaduría, retroalimentación, motivación | Aprendizaje prolongado sobre un único tema |
| Red curada | Señal | Recomendaciones confiables, profundidad con rapidez | Alcance, novedad | Cualquier cosa que dependa de la calidad del criterio |
Una difusión pública es útil cuando aún no sabe qué busca y necesita explorar a lo ancho. El estudio en solitario es útil una vez que ha identificado un problema profundo y quiere habitarlo. La red curada está en el medio y cada vez más realiza el trabajo de la fase intermedia que antes requería suerte o mentoría costosa.
Lo que Anthropic hizo con Glasswing es el patrón de red curada a nivel institucional. Lo que hace el feed comunitario de Glasp es el mismo patrón a nivel del estudiante individual. Distinta escala, misma lógica.
Vale la pena notar qué queda específicamente excluido en cada patrón. Una difusión pura no puede darle rendición de cuentas, porque no hay relación. Una práctica puramente en solitario no puede darle curaduría externa, porque no hay nadie fuera de la práctica. Una red curada le da ambas cosas, pero al costo de seleccionar con cuidado quién está dentro de la red. El costo de selección es el precio de la entrada.
La mecánica de una red de aprendizaje que funciona
Una red de aprendizaje curada no es solo "un grupo de amigos a los que les gustan los libros". El patrón de divulgación de Mythos es preciso acerca de lo que hace funcionar a la red, y esas propiedades se traducen limpiamente al aprendizaje.
Tres propiedades importan más.
Confianza por encima de volumen. Glasswing no incluyó a todos los que tuvieran experiencia en seguridad. Incluyó a un pequeño grupo de proveedores cuyo criterio Anthropic consideraba sólido. La calidad de la curaduría supera a la cantidad de contribuyentes. Para un estudiante, esto significa que una red de cinco personas en cuyo gusto realmente confía vale más que un feed de quinientas en las que no confía.
Especificidad por encima del ruido. Las salidas de Glasswing no eran "hallazgos interesantes, compártanlos ampliamente". Eran "este CVE específico, en este módulo específico, con esta gravedad y esta ventana de divulgación". Para un estudiante, el análogo es el highlight: una frase específica de una fuente específica, con el contexto que hizo que valiera la pena marcarla. El entusiasmo vago ("¡gran libro!") es para las redes de aprendizaje lo que los informes vagos son para la seguridad: ruido.
Flujo bidireccional. La red solo se sostiene si las personas dan tanto como reciben. En Glasswing, los grandes proveedores no solo recibían hallazgos, también comprometían tiempo de ingeniería para corregir y divulgar. En una red de aprendizaje, esto significa producir además de consumir. Sus highlights, sus notas, sus anotaciones son la forma en que usted permanece en la red de manera honesta. El consumo puro parece un feed; no se siente como una red y no acumula confianza.
Una red con las tres propiedades produce algo que ni la difusión ni el aprendizaje en solitario pueden igualar: un flujo constante de señal prefiltrada, atribuida y contextualizada, proveniente de personas cuyo criterio usted ya ha validado. El costo por idea útil es drásticamente menor que el de buscar en la web abierta.
Lo que más cambia cuando esto funciona es la textura de cómo aprende. Menos tiempo dedicado a buscar. Más tiempo dedicado a pensar sobre cosas que ya han sido prevalidadas como dignas de su pensamiento. Esto es similar a lo que la inteligencia colectiva discute a nivel de sistemas, pero operacionalizado a nivel del lector individual.
Cómo Glasp implementa el patrón Glasswing
Glasp es, en un sentido técnico específico, una red de aprendizaje curada con las propiedades de Glasswing integradas.
Confianza por encima de volumen: usted elige qué perfiles seguir. Cinco personas en cuyo gusto confía es todo el sistema. No hay un algoritmo inyectando contenido popular pero irrelevante. El feed lo da forma su propia selección.
Especificidad por encima del ruido: la unidad atómica es el highlight, no el post. Un highlight es por construcción una frase específica en una fuente específica con la marca de tiempo de cuando alguien la marcó. No hay forma de compartir algo de manera vaga. O señala una frase o no lo hace.
Flujo bidireccional: sus propios highlights son públicos por defecto. El sistema está diseñado en torno a la idea de que las personas de las que usted aprende también están aprendiendo de usted, eventualmente, aunque sea a ritmos diferentes. El acecho puro está permitido, pero el diseño recompensa la contribución. Su perfil se convierte en un legado digital de aquello que consideró digno de marcar.
Agregue YouTube Summary a la misma red y el conocimiento en video entra en igualdad de condiciones. Cuando alguien en quien confía resalta un momento de 30 segundos de una entrevista de 90 minutos, usted acaba de recibir la porción de mayor señal de un video largo sin tener que verlo entero. Esta es la misma compresión que Glasswing realiza sobre una base de código de 90.000 líneas.
Agregue el feed comunitario y podrá ver qué están marcando, casi en tiempo real, las personas que sigue a lo largo de la web abierta. El feed no es un flujo algorítmico optimizado para el engagement. Es un canal de red curada optimizado para la señal.
El producto fue construido en torno a este patrón mucho antes de que Mythos lo hiciera famoso. Lo nuevo es que el valor del patrón ahora es más evidente, porque la alternativa (el descubrimiento impulsado por difusión en un entorno informativo saturado de IA) se está degradando a la vista.
Construya su propio grafo de confianza
Si acepta que las redes curadas superan tanto a las difusiones como al estudio en solitario, la pregunta operativa es: ¿cómo construye la red?
Una secuencia práctica que funciona.
Empiece con cinco personas. No cincuenta. Cinco. Deben ser personas cuyo gusto por las ideas usted respete y que efectivamente marquen cosas, no solo consuman. El umbral de cinco personas importa: es lo bastante pequeño para que usted pueda prestarles atención de verdad, y lo bastante grande para que aún emerja diversidad de puntos de vista. Un feed de cincuenta personas se convierte en ruido de fondo en una semana.
Fíjese en lo que resaltan, no en lo que publican. Una entrada de blog está curada por el autor. Un highlight está curado por el lector. La distinción importa. Seguir a alguien por sus highlights es seguirlo por lo que lee, lo cual es un indicador mucho mejor de lo que a usted le resultará útil que lo que elige producir públicamente. Los perfiles de Glasp están construidos en torno a esta distinción.
Lea lo que ellos leen, pero marque sus propios highlights. No se limite a consumir sus selecciones. Páselas por su propia atención y observe cuáles de sus elecciones se iluminan para usted y cuáles no. Con el tiempo, esto calibra cuál es el gusto que realmente encaja con el suyo. Algunas de las cinco personas iniciales serán reemplazadas. Eso es saludable.
Aporte de vuelta. Sus propios highlights son la manera de ganarse su lugar en la red de otra persona. Esto no es una transacción, pero la dinámica es real: las personas de cuya curaduría usted más se beneficia también se benefician, indirectamente, de la suya.
Contraste con AI Chat sobre su propio corpus. Cuando encuentre un highlight de alguien en quien confía que contradiga algo en su propio corpus, esa es exactamente la clase de fricción que vale la pena investigar. AI Chat sobre sus highlights hace que la contradicción se vuelva consultable en lugar de teórica.
El grafo de confianza no es estático. Las personas cambian, sus intereses se desplazan, algunas de sus elecciones iniciales resultarán ser más entretenidas que esclarecedoras. Trátelo como un instrumento vivo. Reordene trimestralmente. Elimine personas que hayan dejado de marcar cosas interesantes. Agregue nuevas cuando aparezcan. La red que tendrá en 2028 se verá diferente de la que comience este mes, y ese es justamente el punto.
Del second brain al shared brain explora el mismo desplazamiento desde un ángulo de gestión del conocimiento. El curador humano en la era de la IA plantea un argumento paralelo sobre por qué la curaduría es la habilidad cuyo valor está subiendo. Ambos se conectan con el mismo argumento de fondo: la curaduría supera al acceso, y las redes superan a las difusiones, en una era en la que el acceso es gratis.
Qué significa esto para los estudiantes en 2026
Las implicaciones prácticas, destiladas.
No necesita más fuentes. Necesita menos curadores, mejores. Lo opuesto a estar bien informado no es estar desinformado. Es ahogarse en insumos que no puede procesar. Las redes curadas reducen el volumen de entradas a cambio de densidad de señal. Ese es el trato correcto en 2026.
No puede tercerizar la curaduría completamente a la IA. La IA es excelente resumiendo lo que ya es público. No es buena para notar lo que alguien en quien usted confía encontraría específicamente interesante dado todo lo que ha marcado a lo largo del tiempo. La curaduría humana, externalizada a través de los highlights, captura algo que la IA no tiene.
El aprendizaje en solitario sigue teniendo su lugar, pero es la etapa de aprendizaje profundo de un tema, no la etapa de descubrimiento. Use la red curada para encontrar el territorio que vale la pena explorar. Luego profundice solo una vez que esté en un camino.
Las difusiones públicas se tratan mejor como una superficie de descubrimiento, no como su canal principal de aprendizaje. Úselas para encontrar nuevas personas cuya curaduría pudiera valer la pena tomar prestada. No intente aprender de ellas a escala; eso fue lo que las volvió ruidosas en primer lugar.
El lanzamiento de Mythos sacó a la superficie, casi sin querer, el argumento de fondo: en cualquier campo donde la información sea abundante, la red en la que pueda confiar para filtrarla es lo de mayor apalancamiento que puede construir. Anthropic construyó una a escala industrial. La versión del estudiante individual es más pequeña, más personal y igual de útil.
Frequently Asked Questions
¿No corre esto el riesgo de crear una cámara de eco?
Sí, si no se tiene cuidado con quién está en la red. La defensa es la diversidad intelectual a nivel de gusto, no a nivel de contrarianismo de clickbait. Las cinco personas de su red deben ser personas en cuyo criterio usted confía, pero no todas deberían estar de acuerdo entre sí. Una red donde todos marcan las mismas frases es menos útil que una en la que personas en quienes confía discrepan de manera productiva. Reordene trimestralmente teniendo presente la diversidad.
¿En qué se diferencia esto de simplemente seguir a gente buena en Twitter o Substack?
Dos cosas. Primero, la unidad. Twitter y Substack comparten publicaciones; Glasp comparte highlights. Una publicación es lo que alguien quiso decir. Un highlight es lo que esa persona consideró digno de marcar del trabajo de otro. Lo segundo es una señal mucho mejor sobre el gusto. Segundo, el algoritmo. Twitter y Substack ordenan por engagement; el feed comunitario de Glasp está construido en torno a las personas que usted ha seleccionado explícitamente. La mecánica codifica prioridades distintas.
¿Y si no conozco a cinco personas en cuyo gusto confíe?
Empiece con una. Vea qué resalta. Note a quién cita, a quién hace referencia en sus notas, los highlights de quién parece valorar esa persona. La primera red suele crecer de forma orgánica una vez que se tiene un único punto de anclaje. Leer los perfiles de Glasp de escritores a quienes ya respeta es una manera rápida de descubrir gente nueva cuya curaduría pueda valer la pena seguir.
¿No traslada esto el problema a "¿cómo encuentro buenos curadores?"?
Sí, pero ese es un problema mucho más pequeño que "¿cómo encuentro buena información en un feed infinito?". Solo necesita evaluar al curador una vez. Después de eso, la curaduría hace trabajo continuo por usted. La economía es drásticamente mejor que evaluar usted mismo cada pieza individual de contenido.
¿No será la IA, eventualmente, lo bastante buena para actuar como el curador?
Para algunas cosas, sí, especialmente recomendaciones genéricas. Para curaduría con sabor a gusto, idiosincrásica, que se ajuste a sus prioridades intelectuales específicas, no, porque la IA no tiene un yo estable. Tiene lo que su entrenamiento actual y su prompt produzcan en el momento. Las personas tienen un gusto estable desarrollado a lo largo de años. La curaduría como servicio está cada vez más automatizada. La curaduría como gusto, no, y probablemente no lo estará pronto. Lea más sobre esto en el curador humano en la era de la IA.
¿Es Glasp una red social?
Es más exacto llamarla una red de conocimiento curada. Las redes sociales optimizan para el engagement y la conexión. Glasp optimiza para los highlights compartidos y el aprendizaje. Las conductas que parecen exitosas en Twitter (publicaciones provocadoras, tomas rápidas, hilos virales) no son las conductas que tienen éxito en Glasp. El patrón exitoso en Glasp es marcar frases con criterio y seguir a personas que hacen lo mismo. Ese es un juego distinto.
¿Y si mis intereses todavía no tienen una red?
Entonces usted llega temprano, lo cual es una buena posición. Empiece a marcar de forma pública. Otras personas con sus mismos intereses lo encontrarán más rápido de lo que esperaría, porque hay muy poca gente haciendo curaduría seria en cualquier nicho dado. Ser el primer marcador cuidadoso en un tema a menudo termina convirtiéndolo en un ancla para todos los demás que lleguen después.
Conclusión: elija cinco personas y empiece por ahí
Project Glasswing no es la parte más llamativa de la historia de Mythos. Es la más instructiva.
Anthropic tenía una capacidad que pudo haber producido divulgaciones abiertas espectaculares. Eligió operarla a través de una red curada de confianza, porque eso fue lo que produjo el resultado real que querían: sistemas corregidos en lugar de exploits convertidos en armas. La capacidad importó menos que la arquitectura de distribución. La red era el producto.
Para los estudiantes en 2026, se aplica la misma lógica, a escala reducida. Usted tiene acceso a más información de la que cualquier humano haya tenido jamás. La IA puede resumir cualquiera de ella en segundos. Lo que no tiene, por defecto, son personas en cuyo criterio usted confía diciéndole qué frases específicas merecen su atención. Esa es la red que vale la pena construir, y es pequeña, deliberada y humana.
Elija cinco personas. Mire sus highlights. Lea lo que leen. Marque lo que le importa. Aporte de vuelta. Reordene cuando deje de funcionar. Nada de eso es heroico. Todo eso compone.
El feed comunitario de Glasp y los perfiles de usuario están diseñados en torno a este patrón exacto. Los highlights como unidad, el grafo de seguidores como algoritmo, los perfiles públicos como legado digital. No está construyendo una audiencia. Está construyendo la red que filtra el resto de internet por usted.
La era de la difusión convirtió a todos en productores. La era de la red curada recompensa a cualquiera que construya un pequeño grafo digno de confianza. Anthropic mostró cómo se ve eso a escala industrial. La versión individual está justo frente a usted, y comienza con el próximo highlight que marque.