Joven sin Título fue Fichado por OpenAI, y Revela qué Aprendió IA Avanzada con ChatGPT como Tutor

Un chico que dejó el instituto en 2019 y se puso a programar por necesidad en una startup sueca es hoy investigador científico en OpenAI, dentro del equipo de Sora. Se llama Gabriel Petersson y asegura que llegó a un nivel de aprendizaje automático equivalente a un doctorado usando sobre todo ChatGPT. La parte curiosa es cómo lo hizo y qué dice eso de la educación clásica.

La historia la contó en el pódcast “Extraordinary”, donde detalla que ocupa un puesto en OpenAI que, hasta ahora, estaba reservado casi siempre a personas con doctorado en IA. Lo llamativo no es solo el salto desde el abandono del instituto hasta Sora, sino el método que siguió y la idea que repite una y otra vez: ya no necesitas una universidad para acceder al conocimiento fundamental de la IA.

Para entenderlo hay que volver a 2019, cuando dejó el instituto en Suecia para unirse a una pequeña startup. No se fue para “perder el tiempo”, se fue porque le ofrecieron trabajar y tuvo que aprender a programar a contrarreloj. En ese contexto, enfrentado a proyectos que había que entregar sí o sí, empezó a ver que la teoría por sí sola no le iba a sacar de los apuros diarios.

En esa empresa se encargó de hacer sistemas de recomendación de productos, scraping de datos y distintas integraciones técnicas con otros servicios web. Todo eran tareas muy concretas y con presión de tiempo, y ahí descubrió algo que repite ahora también sobre la IA: cuando tienes un problema real delante, tu cerebro no se distrae tanto, porque hay una cosa específica que tiene que funcionar.

De esa época le quedó una idea que luego trasladó a su forma de estudiar machine learning con ChatGPT: trabajar siempre desde el objetivo final hacia atrás. Defiende un enfoque “de arriba abajo” (top‑down), donde empiezas pensando en el producto o el resultado que quieres construir y vas deshaciendo el camino paso a paso hasta los conceptos básicos que necesitas dominar.

Cuando se planteó aprender IA a fondo, no empezó con manuales ni cursos masivos en vídeo. Según cuenta, su plan fue convertir ChatGPT en una especie de tutor técnico siempre disponible. Le pedía al modelo que le propusiera un proyecto de machine learning para construir, desde un sistema sencillo de clasificación hasta algo más complejo, y a partir de ahí se abría todo el proceso de aprendizaje.

La rutina era bastante directa: le pedía a ChatGPT que generase el código inicial del proyecto, lo ejecutaba y, en cuanto aparecían errores, volvía al chat. En lugar de frustrarse con el fallo, lo usaba como guía. Pegaba el error, preguntaba por qué ocurría y pedía una versión corregida. Así iba encadenando pruebas, correcciones y pequeñas mejoras sin perder de vista el producto final.

A partir de esos bugs y de las dudas que surgían, empezaba a profundizar en partes concretas del sistema: una función de pérdida que no entendía, una capa de una red neuronal, una técnica para evitar sobreajuste. Cada vez que algo le sonaba a “caja negra”, hacía una pregunta nueva al modelo y se quedaba en ese tema hasta que la idea le resultaba clara. Luego volvía al proyecto principal y seguía avanzando.

Petersson sostiene que, si repites ese ciclo suficiente tiempo, terminas cubriendo todo el conocimiento fundamental que normalmente te daría una carrera o un doctorado, pero sin pasar por el recorrido clásico “de abajo arriba”, donde empiezas por teoría abstracta y ejercicios muy alejados de un producto real. Reconoce entre líneas un límite: necesitas disciplina y criterio para no quedarte solo en copiar y pegar código.

Su tesis más provocadora es que las universidades ya no tienen el monopolio del conocimiento básico en IA. Asegura que se puede obtener cualquier conocimiento relevante de ChatGPT, siempre que sepas qué preguntar y mantengas un hilo conductor con proyectos reales. No habla de un truco mágico para saltarse todo esfuerzo, sino de una forma distinta de organizar el aprendizaje usando un modelo generativo como herramienta principal.

En paralelo, su visión sobre el trabajo es igual de directa. Repite que las personas deberían centrarse en los resultados y no en los títulos académicos cuando quieren demostrar su valía profesional. Según él, las empresas tienen un objetivo sencillo: ganar dinero. Si tú demuestras que sabes programar y que puedes generar valor económico de forma clara, el papel que tengas colgado en la pared importa bastante menos.

En ese sentido, su carrera ayuda a reforzar el mensaje: antes de llegar a OpenAI pasó por Midjourney, donde trabajó como ingeniero de software, y por Dataland. No venía “bendecido” por un doctorado, sino por proyectos concretos que funcionaban y por haber demostrado en contextos distintos que era capaz de sacar adelante sistemas complejos de software y de aprendizaje automático.

Esta historia personal se cruza con una tendencia más amplia dentro del sector tecnológico: los universitarios que abandonan la carrera se han convertido en estrellas emergentes gracias al auge de la inteligencia artificial. El propio CEO de OpenAI, Sam Altman, también dejó Stanford y ha dicho que siente cierta envidia por la generación actual de veinteañeros que abandonan los estudios porque las oportunidades para construir cosas nuevas ahora son enormes.

Altman argumenta que hoy la cantidad de proyectos que se pueden lanzar en el espacio de la IA es extraordinariamente amplia, desde pequeños servicios web hasta modelos fundacionales o herramientas para empresas. Lo que cambia el juego es que una sola persona con un portátil, acceso a la nube y un modelo como ChatGPT puede levantar productos que antes requerían equipos más grandes y mucho más capital.

La firma de capital riesgo Andreessen Horowitz apunta en la misma dirección. Sus socios explican que, con la inteligencia artificial, el terreno de juego se ha nivelado bastante para los fundadores jóvenes. Según su análisis, este es el mejor momento en una década para que dropouts y recién graduados monten una empresa, porque el coste de probar ideas ha bajado y el acceso al conocimiento técnico está mucho menos concentrado.

Algunos directores ejecutivos van incluso un paso más allá y cuestionan abiertamente el valor de la educación superior tradicional. El CEO de Palantir, Alex Karp, declaró en CNBC que casi todo lo que se enseña en escuelas y universidades sobre cómo funciona el mundo es intelectualmente incorrecto. Es una frase dura, pero conecta con la sensación de que los planes de estudio no están siguiendo el ritmo de la IA generativa.

Para reforzar esa visión, Palantir ha lanzado la Meritocracy Fellowship, una beca remunerada de cuatro meses dirigida a personas que solo tienen el bachillerato o su equivalente y que no están matriculadas en la universidad. La idea es darles un entorno real de trabajo, con proyectos concretos, para demostrar talento sin pasar por el filtro de los títulos. Es una apuesta por la “méritocracia” basada en resultados.

Usar ChatGPT para aprender machine learning con proyectos reales

Si conectas todos estos elementos, el caso de Gabriel Petersson plantea una pregunta muy práctica: cómo podrías tú usar ChatGPT para aprender machine learning de forma parecida, incluso si vienes de fuera de la universidad. Él defiende que la clave está en el enfoque top‑down, en empezar por algo que quieras construir y solo entonces pedir ayuda al modelo para descomponerlo.

Un esquema posible se parece bastante al suyo. Primero decides qué producto quieres crear, por ejemplo, un recomendador sencillo de películas. Después le pides a ChatGPT: “Sugiere un proyecto básico de machine learning que recomiende películas y escribe el código comentado”. Cuando el código falle, cambias de chip: ya no buscas solo que funcione, buscas entender qué parte falló y por qué.

En cada error le planteas al modelo preguntas más específicas: qué significa exactamente ese mensaje, qué parte de la biblioteca de IA está implicada, qué concepto te falta. El truco está en no aceptar la corrección sin más, sino pedir también explicaciones con ejemplos claros y contraejemplos. Así conviertes cada tropiezo del código en una pequeña clase teórica pegada al problema real.

La propia experiencia de Petersson funciona como una validación parcial de esta estrategia. Sus pasos se pueden reconstruir con las fechas de su LinkedIn y con las entrevistas públicas que ha dado, cruzando trabajos previos en Midjourney y Dataland con su incorporación al equipo de Sora en diciembre. Como él mismo se resume en una frase que condensa todo el enfoque: “Empiezas con algo útil y vas bajando de nivel hasta que entiendes lo que pasa por debajo”.

Qué puede ofrecerte ChatGPT que no te da una clase tradicional de IA

La gran diferencia respecto a una clase tradicional es el tipo de interacción. En una clase sigues un temario que alguien decidió antes y las dudas suelen esperar a la hora de tutoría. Con ChatGPT, el temario se mueve contigo. Cada vez que tocas una pieza nueva de machine learning, puedes pedir ejemplos, analogías, alternativas en otros lenguajes de programación y referencias para leer más despacio cuando tengas tiempo.

Hay trampas que conviene tener presentes. Un modelo generativo puede alucinar, mezclar conceptos o dar por válidas prácticas que ya están desfasadas. Por eso, si vas a seguir un camino parecido al de Petersson, necesitas cruzar la información con documentación oficial, repositorios abiertos y libros de referencia. El propio funcionamiento de ChatGPT está pensado para ayudarte a entender y a producir código, no para certificarlo.

Con todo, la combinación que él describe encaja bien con el momento actual de la IA: problemas reales, proyectos concretos y una herramienta de lenguaje que te resuelve dudas al vuelo. Las empresas tecnológicas miran cada vez más ese tipo de resultado tangible. Ten presente que tu falta de titulación pesa menos que tu capacidad para generar valor en el mundo real.