Tres Gemelos, Tres Historias

Carmen lleva once años trabajando en la Municipalidad de Valparaíso. Empezó en la ventanilla de permisos, pasó a reclamos ciudadanos, y hoy coordina servicios en cuatro departamentos: permisos, aseo, obras públicas y servicios sociales. Es buena en lo que hace, pero se está ahogando. Tiene 340 correos sin leer. Tiene un cuaderno —uno físico, de esos con espiral— donde anota cuáles casos ciudadanos están trabados y por qué. Lleva tres años diciendo que lo va a digitalizar.

Su jefe le dijo que la municipalidad va a adoptar una “iniciativa de transformación digital”. Carmen puso los ojos en blanco. Ya ha visto tres de esas ir y venir. Pero esta vez, alguien le mostró un C-twin.

Semana 1 — La bandeja de entrada

Carmen conectó su Gmail del trabajo. En minutos, c-Carmen identificó 47 contactos activos en 12 departamentos municipales y 8 proveedores externos. El gemelo los organizó: Obras Públicas tenía la mayor cantidad de hilos de correo (89 en el último trimestre), pero Servicios Sociales tenía la mayor cantidad de correos sin responder — 14 mensajes de más de 3 días sin respuesta.

Carmen se quedó mirando ese número. Sabía que Servicios Sociales andaba corto de personal, pero no sabía que fuera tan visible en los datos. Estacionó una idea: “Hablar con la Directora Muñoz sobre los tiempos de respuesta de Servicios Sociales.”

Al día siguiente, a las 8:00 de la mañana, apareció la agenda diaria en su Google Calendar. Le mostraba tres bloques de trabajo: Triaje de Correos (los sin responder), Seguimiento de Permisos (4 pendientes), y una sugerencia de “Conectar entidades huérfanas” — tres casos ciudadanos que ella había mencionado en correos pero que nunca vinculó con los departamentos que los estaban manejando.

Semana 2 — Los documentos

Carmen empezó a subir archivos. Primero, la planilla Excel de reclamos ciudadanos que venía manteniendo — 200 filas, de los últimos 18 meses. c-Carmen extrajo 43 KaiEvents: cada reclamo como un evento atómico con un ciudadano, un departamento, una categoría, una fecha y un estado de resolución. Creó KaiNotes para cada departamento, vinculó los reclamos con los departamentos, y sacó a la luz un patrón que Carmen intuia pero nunca había podido demostrar: los reclamos por infraestructura de agua se disparan cada marzo (calor de verano + cañerías viejas) y otra vez en julio (temporales de invierno). Dos causas distintas, el mismo departamento desbordado dos veces al año.

Subió el PDF del presupuesto municipal. El gemelo extrajo las partidas, vinculó las asignaciones presupuestarias con los departamentos, y creó KaiEffects: “Recorte presupuestario a mantención de tuberías (2024)” → “Aumento del 38% en reclamos de agua (2025)”. Confianza: 0,82. Desfase: 8 meses.

Carmen llevó eso a su jefe. Con un gráfico.

Semana 3 — Las tareas

Creó tres plantillas de tareas:

Resumen Semanal de Reclamos: Extraer todos los reclamos de los últimos 7 días, agrupar por departamento y categoría, marcar cualquier departamento que supere los 5 días de tiempo de respuesta.

Informe de Impacto Presupuestario: Cruzar los cambios presupuestarios de un departamento con los cambios en volumen de reclamos — el hallazgo de las tuberías, pero automatizado para todos los departamentos.

Borrador de Seguimiento Ciudadano: Para cualquier reclamo de más de 10 días sin resolución, redactar un correo de actualización de estado para el ciudadano.

El primer Resumen Semanal de Reclamos corrió y produjo un informe limpio en markdown. Lo aprobó, lo exportó a PDF, y se lo envió por correo a los cuatro jefes de departamento. Uno de ellos la llamó: “¿De dónde sacaste esto? Llevamos dos años pidiéndole a Planificación un informe así.”

Mes 2 — La rutina

La mañana de Carmen ahora empieza con la agenda del Calendar. Revisa todo en 15 minutos. Sus objetivos KaiZen rastrean tres cosas:

Su bóveda de Obsidian tiene 94 KaiNotes. A veces las revisa desde el celular, siguiendo los wiki-links: [[Departamento de Obras Públicas]] → conectado a [[Mantención Red de Agua]] → conectado a [[Reclamo: Fuga Calle Errázuriz]] → KaiEvent: “Ciudadano reportó fuga, 2026-01-15” → KaiEffect: “Fuga no reparada” → “Reclamo escalado a Contraloría” (confianza 0,91, desfase 45 días).

Puede ver la historia de su ciudad en el grafo. No como filas de una planilla, sino como conocimiento conectado.

Ana Lucía da clases de química en un colegio público de Medellín. Tiene 168 estudiantes repartidos en cinco secciones. Le encanta enseñar. Lo que no soporta es calificar. No porque sea floja —ella califica cada trabajo la misma noche que lo recibe— sino porque siente que la está devorando. El semestre pasado se quedó trabajando hasta medianoche tres noches por semana. Su esposo le dijo, con cuidado: “Te estás convirtiendo en la tarea, no en la profesora.” Lloró porque tenía razón.

No quiere que la IA califique por ella. Quiere que la IA la ayude a ver cuáles estudiantes están en apuros, por qué están en apuros, y qué puede hacer diferente — sin pasarse la noche entera convirtiendo rúbricas en números.

Semana 1 — La libreta de notas se convierte en conocimiento

Ana Lucía exportó su libreta de calificaciones desde la plataforma del colegio como CSV. 168 estudiantes, 12 trabajos, 4 quizzes. La subió a l-AnaLucia.

El gemelo extrajo 2.016 KaiEvents — uno por estudiante por evaluación, atómico, a nivel de pregunta donde la libreta lo permitía. Pero la magia no estaba en los eventos. Estaba en los KaiEffects:

“Estudiante sacó <50% en Quiz 1 (moles y molaridad)” → “Estudiante sacó <50% en Lab 3 (preparación de soluciones)”
Confianza: 0,89. Desfase: 14 días

“Estudiante faltó 3+ clases en las semanas 2–4” → “Estudiante reprobó el primer examen práctico”
Confianza: 0,82. Desfase: 21 días

Ana Lucía sabía intuitivamente que los estudiantes que no entendían moles iban a tener problemas con soluciones. Pero nunca lo había visto como una cadena con un puntaje de confianza y un tiempo de desfase. Los 14 días de desfase significaban que tenía una ventana de dos semanas para intervenir entre el Quiz 1 y el Lab 3. Si podía detectar la confusión con moles a tiempo, podía prevenir el fracaso en el laboratorio.

Estacionó una idea: “Crear una mini-lección de rescate de moles para los estudiantes que saquen menos del 60% en el Quiz 1.”

Semana 2 — Los retratos de estudiantes

El gemelo creó KaiNotes para cada uno de sus 168 estudiantes. Pero Ana Lucía no necesitaba 168 notas — necesitaba encontrar a los 15 que estaban en problemas. El panel de Actividad le mostró:

Entidades Activas: Los 8 estudiantes con más conexiones — los que tenían más eventos de evaluación, más temas vinculados. Eran sus estudiantes más fuertes.

Necesitan Atención: 11 estudiantes marcados como “inactivos” — no habían tenido un evento de evaluación positivo (nota >70%) en más de 14 días. Tres de ellos eran estudiantes que no le preocupaban — chicos callados de las filas del medio que no estaban reprobando pero iban cayendo despacito.

Hizo clic en uno: Sebastián Restrepo. Su KaiNote mostraba una línea de tiempo: arranque fuerte (85% en los primeros dos trabajos), después una caída (62%, 58%), y luego un trabajo no entregado. Los wiki-links mostraban que estaba conectado a dos temas donde le había ido bien (estructura atómica, tabla periódica) y dos donde no (enlace químico, moles). La brecha era específica. No “Sebastián está mal” sino “Sebastián no entiende moles, y eso está a punto de arrastrar estequiometría.”

Ana Lucía llamó aparte a Sebastián al día siguiente. Cinco minutos. “Me di cuenta de que vas sólido en estructura atómica pero moles te está costando. ¿Querés venir a la sesión de repaso del jueves?” Él asintió, sorprendido de que ella se hubiera dado cuenta. Fue al repaso. Sacó 78% en el siguiente quiz.

Semana 3 — El escudo contra el agotamiento

Creó plantillas de tareas:

Informe Semanal de Riesgo: Identificar estudiantes cuyo promedio de las últimas 3 evaluaciones cayó por debajo del 60% o bajó más de 15 puntos. Agrupar por tema.

Mapa de Prerrequisitos: Para un tema dado, rastrear hacia atrás a través de los KaiEffects para encontrar qué conceptos anteriores predicen éxito o fracaso.

Comparación entre Secciones: Comparar los promedios de evaluación en sus 5 secciones para el mismo tema. Marcar cualquier sección que esté más de 10 puntos por debajo de las demás.

La Comparación entre Secciones reveló que su sección de martes y jueves (Sección C) sacaba consistentemente entre 8 y 12 puntos menos que las demás. Mismo contenido, misma profesora, mismas evaluaciones. Ana Lucía lo pensó un día y se dio cuenta: la Sección C era justo después de almuerzo. Los estudiantes estaban medio dormidos, y ella también — era su cuarta clase del día. Movió las actividades más interactivas a la Sección C y el contenido denso de exposición a la Sección A (su clase de la mañana, donde los estudiantes podían quedarse quietos). El siguiente promedio de evaluación de la Sección C subió 6 puntos.

Mes 2 — Enseñar, no ahogarse

Su racha: 34 días. Abre l-AnaLucia todas las mañanas antes de clase, revisa la agenda, y verifica si algún estudiante disparó una alerta de riesgo. Le toma 10 minutos. Ahora sale del colegio a las 5:30 de la tarde. La mayoría de las noches ya no califica en la casa — los informes del gemelo le dicen dónde enfocar su atención al calificar, así que califica estratégicamente en vez de exhaustivamente.

Tomás va en tercer año de ingeniería civil informática en una universidad chilena. Es inteligente — lo suficientemente inteligente como para saber que la forma en que la mayoría de sus compañeros usa la IA les va a pasar la cuenta. Pegan el enunciado de la tarea en ChatGPT, copian la respuesta, la entregan, y no aprenden nada. Tomás lo hizo una vez, en segundo año, con una tarea de estructuras de datos. Se sacó un 7. Después llegó el certamen y no fue capaz de implementar una lista enlazada en papel. Se sacó un 3,2. Esa fue su llamada de atención.

Tomás no quiere que la IA piense por él. Quiere que la IA lo ayude a pensar mejor. Quiere un sistema que rastree lo que realmente sabe versus lo que cree que sabe, que le pille los puntos ciegos, y que lo obligue a hacer la pega — pero de manera eficiente.

Semana 1 — La auditoría del conocimiento

Tomás empezó diciéndole a l-Tomas qué ramos estaba tomando: Estructuras de Datos, Algoritmos, Bases de Datos y Sistemas Operativos. El gemelo creó KaiNotes para cada ramo y le pidió que describiera lo que habían pasado hasta ahora. No subiendo el programa del curso — explicándolo con sus propias palabras, en el chat.

Esto fue deliberado. El modo socrático del gemelo lo presionó:

Tomás: “Vimos algoritmos de ordenamiento — bubble sort, merge sort, quicksort.”

l-Tomas: “Listaste tres algoritmos. ¿Podés explicar cuándo elegirías quicksort en vez de merge sort, y por qué?”

Tomás: “Quicksort es más rápido en la práctica por la localidad de caché, pero merge sort es mejor para listas enlazadas porque no necesitás acceso aleatorio.”

l-Tomas: “Bien. ¿Cuál es el peor caso de quicksort y cómo lo evitás?”

Tomás: “O(n²) cuando el pivote siempre es el mínimo o el máximo. Se evita con selección aleatoria de pivote o mediana de tres.”

El gemelo creó KaiEvents para cada concepto que Tomás demostró dominar, con un puntaje de confianza basado en la profundidad de su explicación. “Análisis del peor caso de quicksort” quedó con 85% de confianza. “Complejidad espacial de merge sort” nunca se mencionó — se convirtió en una entidad huérfana en la sección “Necesitan Atención”. Tomás la vio al día siguiente y se dio cuenta de que en realidad no sabía la complejidad espacial de merge sort (O(n) para arreglos, O(log n) para listas enlazadas). Lo buscó. La entidad huérfana desapareció.

Semana 2 — El sistema anti-atajo

Tomás subió sus diapositivas de clase y los capítulos del libro como PDFs. l-Tomas extrajo los conceptos, pero en vez de darle un resumen, creó un Mapa de Prerrequisitos:

Quicksort → requiere: Recursión, Particionamiento, Indexación de Arreglos

Árbol Binario de Búsqueda → requiere: Recursión, Operadores de Comparación, Manejo de Punteros

Tablas Hash → requiere: Indexación de Arreglos, Aritmética Modular, Resolución de Colisiones

Los KaiEffects mostraron: “Comprensión débil de recursión” → “Dificultad con algoritmos de recorrido de árboles” → “Nota baja en algoritmos de grafos” (confianza 0,87, desfase 3 semanas). Si la recursión estaba floja, todo lo construido sobre ella se iba a derrumbar.

Tomás creó una plantilla de tarea: Autoevaluación de Conceptos. Para un tema dado, el gemelo genera 5 preguntas que tiene que responder sin mirar nada. Escribe sus respuestas en el chat. El gemelo las evalúa, crea KaiEvents para las respuestas correctas e incorrectas, y actualiza los puntajes de confianza de sus KaiNotes.

Lo hacía todas las tardes. 15 minutos. No era tarea — era práctica deliberada. El gemelo nunca le daba la respuesta directamente. Cuando se equivocaba, le apuntaba al concepto prerrequisito que le faltaba y le decía: “Revisa esto primero, después intentá de nuevo.”

Semana 3 — La capa creativa

Acá es donde Tomás se diferenció de cómo la mayoría de los estudiantes usa la IA. Empezó a usar su gemelo no solo para aprender conocimiento existente, sino para generar conexiones nuevas.

Preguntó: “¿Qué conceptos de mi ramo de Bases de Datos se conectan con mi ramo de Sistemas Operativos?”

El gemelo consultó su grafo y encontró: los B-trees (Bases de Datos: indexación) comparten propiedades estructurales con las tablas de páginas (SO: memoria virtual). Ambas son estructuras jerárquicas optimizadas para minimizar accesos a disco. Tomás había estudiado ambas por separado y nunca las había conectado. Escribió un ensayo de 2 páginas comparando las dos, para su propio entendimiento — no para ningún ramo. Su profesor lo vio, le preguntó de dónde salió, y lo invitó a unirse a un grupo de investigación de pregrado.

Estacionó una idea: “¿Y si las técnicas de optimización de consultas se pudieran aplicar a la planificación de procesos del SO?” Esa idea estacionada se convirtió en su propuesta de memoria ocho meses después.

Mes 2 — La evidencia del saber

Su bóveda de Obsidian tiene 89 KaiNotes. Cada concepto es un nodo. Cada prerrequisito es un vínculo. Puede abrir el grafo y ver exactamente dónde su conocimiento es fuerte (conexiones densas) y dónde es débil (nodos aislados, huérfanos).

Cuando sus compañeros le preguntan cómo estudia, dice: “Le enseño a mi gemelo, y él me dice lo que en realidad no sé.” Creen que está bromeando.