Empieza a aparecer una red de concepciones alternativas

Durante el curso 2025-26 hemos ido observando qué ocurre mientras nuestros-as estudiantes resuelven casos en clase, cuando intentan utilizar el Triple Diamante, para analizar problemas, identificar causas, priorizar alternativas o justificar una decisión. El resultado provisional es una red de 29 concepciones alternativas. Esta red parte únicamente de la observación no participante en vivo (nos falta aún analizar las reflexiones posteriores a la tarea que han realizado los-as estudiantes por escrito).

Muchas de esas concepciones son atajos que parecen funcionar en determinados contextos. Sin embargo, aunque no sean conscientes, la “calidad” de sus soluciones queda mermada por esas concepciones y, en otros contextos, acaban creando una trampa en la que las soluciones se ven  sesgadas y, en muchas ocasiones, resultan inadecuadas.

En esta primera agrupación , hemos creado un núcleo que tiene que ver con los datos y las evidencias. Aparecen concepciones como que no es necesario medir para decidir, que si no tenemos datos podemos decidir intuitivamente, que alguien debería proporcionarnos los datos que necesitamos (aunque podríamos estimarlos, no lo hacemos) o que expresiones como “es obvio” o “me di cuenta enseguida” son suficiente garantía de que una conclusión es correcta. Relacionada con esto está la dificultad para distinguir entre hechos, inferencias, opiniones y percepciones.

Un segundo núcleo tiene que ver con cerrar el proceso de decisión demasiado pronto. Si aparece rápidamente una solución plausible, ¿para qué seguir explorando? Si todo el grupo está de acuerdo, ¿para qué buscar otras perspectivas? Si el problema parece sencillo, ¿para qué utilizar herramientas estructuradas? En esta lógica, el Triple Diamante corre el riesgo de convertirse en una forma de documentar una decisión que ya estaba tomada, en lugar de ser una ayuda para construirla.

También aparece un tercer bloque relacionado con el proceso de toma de decisiones en grupo. Por ejemplo, asumir que la alternativa más votada es necesariamente la mejor o que votar equivale a deliberar. Pero hacer estadística con las preferencias del grupo no es lo mismo que compartir información, confrontar argumentos y permitir que las personas cambien su punto de vista.

Otra agrupación aparece alrededor del procedimiento de análisis: confundir la identificación de problemas, sus causas y las alternativas de solución; interpretar los 5 porqués como una cadena obligatoriamente lineal, o asumir que todas las causas identificadas tienen la misma fuerza o impacto.

Hemos creado un último grupo relacionado con procesos de comprensión, aprendizaje (cómo emerge el conocimiento implícito y como se transoforma en explícito para poder ser gestionado en el grupo): considerar que revisar superficialmente una respuesta generada por IA equivale a analizar personalmente un problema, que subrayar es suficiente para incorporar conocimiento, que localizar una palabra clave con la función de busqueda en un “PDF” sustituye a leer y comprender un documento o, sencillamente, que haber completado una tarea demuestra que se ha aprendido o se domina un proceso.

Una interpretación provisional es que, detrás de muchas de estas concepciones, emerge una tendencia a evitar hacer explícito nuestro razonamiento. Si algo parece evidente, si encontramos pronto una solución o si el grupo alcanza rápidamente un acuerdo, dejamos de medir, contrastar, explorar alternativas o explicar por qué hemos llegado a esa conclusión.

Si esta interpretación se confirma, enseñar pensamiento crítico no consistirá solo en explicar mejor las herramientas. Tendremos que diseñar situaciones que hagan visible el razonamiento implícito, pidiéndoles evidencias, que contrasten inferencias alternativas, que trabajen con datos incompletos, y que se pregunten ¿por qué? 

La idea es utilizar “thinking aloud” para descubrir qué está ocurriendo mientras se toma la decisión y comprobar si eso, además, les ayuda a tomar conciencia de sus concepciones y cambiarlas.

 

Visitas: 6

Desenredando todo (o parte) de lo que la lectura del Book of Why me ha dejado

Dudaba si titular esta entrada como “The Book of Why y la madre que lo parió”.
Empecé a leer el libro a mediados de julio de 2026 como una lectura curiosa que fue despertándome dudas, inquietudes, posibles propuestas de para qué me serviría el operador “do(X)”… Y poco a poco, la sensación de incomodidad, incultura y casi desesperación fue invadiéndome a medida que avanzaban las páginas.
He acabado de leer el libro, no he entendido casi nada, pero creo que me he reconciliado con la curiosidad y ahora tengo ante mí un arduo camino para intentar llegar a alguna comprensión a partir de esta lista de referencias, un montón de páginas que no se cuántos meses o años tardaré en digerir:
  • Dietz, J. (2026). Building actionable theories: The role of causal constructs. The Leadership Quarterly, 37(1), 101929. https://doi.org/10.1016/j.leaqua.2025.101929
  • Hernan, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. https://miguelhernan.org/whatifbook
  • Pearl, J. (2014a). Interpretation and identification of causal mediation. Psychological Methods, 19(4), 459–481. https://doi.org/10.1037/a0036434
  • Pearl, J. (2014b). Reply to commentary by Imai, Keele, Tingley, and Yamamoto concerning causal mediation analysis. Psychological Methods, 19(4), 488–492. https://doi.org/10.1037/met0000022
  • Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A primer (Reprinted with revisions). Wiley.
  • Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect (First trade paperback edition). Basic Books. (Bib UPV B 0-16/01514).
  • Tennant, P. W. G., Murray, E. J., Arnold, K. F., Berrie, L., Fox, M. P., Gadd, S. C., Harrison, W. J., Keeble, C., Ranker, L. R., Textor, J., Tomova, G. D., Gilthorpe, M. S., & Ellison, G. T. H. (2021). Use of directed acyclic graphs (DAGs) to identify confounders in applied health research: Review and recommendations. International Journal of Epidemiology, 50(2), 621–632. https://doi.org/10.1093/ije/dyaa213
  • Textor, J., van der Zander, B., Gilthorpe, M. S., Liśkiewicz, M., & Ellison, G. T. (2016). Robust causal inference using directed acyclic graphs: The R package ‘dagitty.’ International Journal of Epidemiology, 45(6), 1887–1894. https://doi.org/10.1093/ije/dyw341
  • VanderWeele, T. J. (2015). Explanation in causal inference: Methods for mediation and interaction. Oxford University Press.
  • VanderWeele, T. J. (2016). Explanation in causal inference: Developments in mediation and interaction. International Journal of Epidemiology, 45(6), 1904–1908. https://doi.org/10.1093/ije/dyw277
 

Visitas: 22

Por qué hace falta saber mucho para poder cuestionar bien

#IAgenerativa #PIME_DECIDE #docencia #evidenciasdeaprendizaje

Llevamos un año trabajando en el PIME_DECIDE (DECIDE – Design and Evaluation of Collaborative Intervention for Decision Enhancement | Blog de Juan A. Marin-Garcia) y este artículo me ha inspirado algunas ideas para poner en práctica.

Bini, G., & Quattrociocchi, W. (2026). Epistemia in the classroom: The problem of evidence of understanding in education in the age of generative AI. AI And Society. https://doi.org/10.1007/s00146-026-03227-y

Tenemos un listado provisional de 21 concepciones alternativas detectadas. Tres se conectan directamente con este artículo:

  1. Revisar superficialmente una respuesta generada por IA produce un aprendizaje equivalente al análisis personal
  2. Subrayar información es suficiente para incorporarla al conocimiento propio
  3. Tomar notas consiste principalmente en copiar o extraer fragmentos relevantes

Damos por hecho que alguien ha entendido cuando lo que dice suena bien. Eso pasaba mucho antes de que existiera la IA generativa (es un caso documentado por Erlwanger desde los años setenta). Se trata de una tendencia cognitiva anclada en mecanismos reforzados a lo largo de todo el proceso evolutivo de la especie humana.

Un fragmento que nos resulta muy útil es este:

“these interventions point towards a shift from the production of texts to their critical interrogation, understood as the ability to question claims, test arguments, compare frameworks, identify limits, confront outputs with independently grounded knowledge, and ultimately assume responsibility for what is asserted.” (Bini y Quattrociocchi, 2026, p. 9)

Este será el objetivo de la observación participante en directo en los grupos para poder capturar el proceso. 

Cuestionar algo solo es posible si ya tienes una base de conocimiento suficiente y familiaridad con las fuentes para reconocer referencias con sentido, formular preguntas y detectar lo que falta. Que es justo lo contrario de lo que se asume cuando se dice que con la IA ya no hace falta saber porque todo el conocimiento está accesible en los chats. Cuanto más parece que el sistema reduce la necesidad de producir conocimiento por tu cuenta, más se necesita ese conocimiento para ser usado críticamente. El saber no desaparece; se recoloca como recurso para cuestionar en vez de ser un fin en sí mismo (no es reproducción, es comprensión, pero para comprender necesitas tener una memoria a largo plazo densamente poblada). Esto me viene bien para reforzar los argumentos sobre qué es aprender, que llevo repitiendo en varios foros y charlas durante el último año.

El objetivo del PIME-DECIDE es fomentar el pensamiento experto basado en evidencia en las personas graduadas en Ingeniería de Organización. Medir eso es complicado y aún no contamos con un instrumento fiable. Mientras, usaremos soluciones provisionales para ir informando del progreso, con las limitaciones que eso implica y asumiendo que habrá que tirar a la basura alguna de esas soluciones en el futuro.

El artículo  es una contribución teórica, y sus autores lo dicen abiertamente. Una de las cosas que piden es precisamente comprobar si las intervenciones que hacen visible cómo se genera el producto y guían su cuestionamiento logran fomentar el aprendizaje. Eso es más o menos lo que vamos a intentar en el PIME-DECIDE el próximo curso 2026-27.

Visitas: 7

La IA en el analisis cualitativo, el significado no se mina

#IAgenerativa #análisiscualitativo

Analizar contenido cualitativo consiste en crear un árbol de códigos y temas, definirlos y organizarlos. Para ello hace falta tener criterio, y el criterio se construye codificando a mano un montón de material, equivocándote y volviendo atrás. ¿Qué le digo a alguien que  va a hacer su primer análisis cualitativo con un LLM al lado desde el minuto uno? La respuesta actual es “que primero aprenda a hacerlo sin”. Pero no sé si eso va a seguir siendo posible (o tendrá sentido) dentro de unos años.

Susanne Friese ha expresado en un post (ver referencia abajo) algo que llevo años comentando. El peligro de usar IA para codificación automática es que un código se acepte porque suene bien, un tema se quede porque se lea bien, y que el apartado de resultados acabe organizándose alrededor de un relato que propuso el modelo, no se sabe muy bien en base a qué, pero que resulta convincente porque está lingüísticamente bien construido.

Es cierto que en algunas aplicaciones se puede hacer “minería de datos”. Si los códigos y sus significados están claramente establecidos, se pueden etiquetar fragmentos que encajen con esos códigos. Es más, se podría tener una métrica de “proximidad” entre el fragmento y cada uno de los códigos.

Eso no resuelve quién decide qué constituye un fragmento (chunk). A veces lo que tiene sentido es una frase, otras es el párrafo entero, y no es sencillo entrenar un algoritmo que haga esto bien de manera universal, aunque se podría entrenar para usos o corpus específicos o con ciertas características. Por ejemplo, si estás etiquetando mensajes de Twitter (X) o Bluesky, donde tienes unos 300 caracteres como máximo, quizás el mensaje entero es “el fragmento”. Pero en textos largos, o no excesivamente bien puntuados (comas, puntos y coma, puntos), puede ser complejo de automatizar.

Si queremos que el análisis que hacemos esté justificado por los datos y por un marco de referencia, no podemos confundirlo con  “esto tiene sentido cuando lo leo” (que es lo que nos puede dar la IA). La trampa es que la IA te devuelve un texto que está (MUY)  bien escrito, casi siempre tiene sentido cuando lo lees, y eso  le da una apariencia de convincente.

En la mayoría de los casos, el significado no está enterrado en la transcripción esperando a que alguien lo extraiga. No se mina. Se construye con las preguntas que te haces o decides no hacerte, con la lente teórica desde la que miras, y con todo lo que te llevaste del contexto y que nunca entró en la grabación o el texto que estás trabajando. El silencio de tres segundos antes de responder. La persona que estaba delante y no dijo nada. El hecho de que la entrevista fuera en el despacho del jefe…

Se atribuye a Miguel Ángel la frase «La escultura ya estaba dentro de la piedra; yo, únicamente, he debido eliminar el mármol que le sobraba». Es una frase ingeniosa (y falsa) y en el análisis cualitativo pasa lo mismo.

Esto no significa que no haya usos donde la IA pueda ayudar. Susanne sugiere que proponga una lectura alternativa de un fragmento, que me señale un patrón que no había visto, y sobre todo, que me busque el pasaje que contradice un tema (que siempre hay uno, y que uno tiende a no encontrar precisamente porque acabas un poco contaminado por los datos). 

Referencia: https://www.linkedin.com/feed/update/urn:li:activity:7488533864592699392

Visitas: 5

¿Sobre qué decisiones, problemas o prácticas relacionadas con personas, equipos, participación o mejora continua os gustaría disponer de mejor evidencia?

Profesionales de RR. HH., Planta, Operaciones, Lean y Mejora Continua: ¿qué preguntas os gustaría que analizáramos desde la evidencia?

Quiero acercar todavía más mis asignaturas a los problemas y decisiones reales de las organizaciones:

🔹 Gestión Participativa, centrada en las High-Involvement Work Practices (HIWP)y en cómo conseguir que las personas participen, aporten conocimiento y tengan capacidad real de influencia.

🔹 Equipos de Alto Rendimiento, orientada a cómo desarrollar equipos eficaces y formar Lean Champions capaces de impulsar y sostener la mejora continua en las organizaciones

Por eso, os planteo una petición:

¿Sobre qué decisiones, problemas o prácticas relacionadas con personas, equipos, participación o mejora continua os gustaría disponer de mejor evidencia?

Me interesan especialmente preguntas reales que tengáis que responder para tomar decisiones y para las que os gustaría conocer qué dicen la investigación, los datos de las organizaciones, la experiencia profesional o las personas afectadas.

Podéis dejar vuestra pregunta en este formulario: https://forms.cloud.microsoft/e/2sCcMpnTpC

Seleccionaré las propuestas que mejor encajen con las asignaturas para analizarlas en clase y, posteriormente, compartiré las principales conclusiones con mi red.

¿Qué pregunta os gustaría que investigáramos?

#RecursosHumanos #Operaciones #Lean #MejoraContinua #EvidenceBasedManagement #GestiónParticipativa #EquiposDeAltoRendimiento #HIWP #LeanChampions

Visitas: 6

I Don’t Want AI to Summarize a Book Before I’ve Even Started

I use a digital reading platform because the book I need is not available in print. I want to read it. Nothing more, and nothing less.

And yet Bookshelf+ puts an artificial intelligence assistant front and center, offering to simplify concepts, create quizzes and summaries, and answer questions about the book. It is not a discreet tool that I can activate when I need it. It is the first layer of the reading experience. And I definitely do not want that.

I do not mind that other people may find this feature useful. What I object to is having it visually imposed on me, occupying a privileged space and shaping my relationship with the text from the very beginning. If I decide to use AI, I will do so when I believe it can help me.

When I buy a physical book and open it to the first page, a genie does not pop out of a lamp and ask whether I would like a summary. Thankfully. First, I read, think, connect ideas, go back, underline, take notes, and try to understand the text for myself. Only when I get stuck do I look for help. That order matters.

Reading is not merely about extracting information as quickly as possible. It also means pausing, doubting, interpreting, making mistakes, and developing an interpretation of your own. A summary can be useful in certain circumstances, but it should not become the gateway to a book (least of all on a platform whose very purpose is supposed to be facilitating reading).

It is even more baffling that Bookshelf+ has devoted resources to integrating this assistant while still failing to provide even minimally competent annotation and highlighting tools. I cannot find a satisfactory way to work with my notes, export them, or integrate them with Zotero or Obsidian. Those are the kinds of features that would genuinely add value for someone reading for study, research, or work.

A good digital reading tool should help me make the text my own: highlight passages, write comments, organize ideas, preserve references, and transfer that work into my knowledge vault. Instead, the platform’s major investment appears to be an AI that offers to process the book on my behalf.

Bookshelf+ is embarking on a costly and uncertain venture that may ultimately make the book itself less necessary, while neglecting the features that would help people read it better. I need a platform that respects my attention and gives me effective tools for working with the text.

First, I want to read. Then, perhaps, I will ask for help.

Bad, Bookshelf. Very bad.

Visitas: 8

Cien años evaluando el rendimiento, cero filtros a prueba de IA

 El problema del performance management no es evaluar (Pulakos, Mueller Hanson, Arad y Moye, 2015). El sistema no está roto porque midamos, sino porque medimos algo que se ha desconectado de aquello a lo que debía servir. La evaluación se ha vuelto trámite (rellenar una casilla, cerrar el expediente) y ha dejado de asociarse a la conducta real que se pretende mejorar. Los que critican la evaluación del rendimiento no son cuatro recién llegados.

Deming (1986) ya metía la calificación anual por méritos entre sus enfermedades mortales, con el argumento de que atribuimos a la persona lo que en realidad produce el sistema. Da igual que hablemos de notas o de incentivos: el premio contingente parece fomentar la motivación extrínseca y erosiona la motivación intrínseca que es justo la que normalmente interesa potenciar. La métrica que sustituye el juicio profesional por un indicador, en cuanto tiene consecuencias, alguien aprende a maquillarla (Campbell, 1979; Strathern, 1997). Murphy (2020) ya escribió hace unos años: “performance evaluation will not die, but it should”.

Todo esto es anterior a la IA. Lo interesante es releerlo ahora porque la IA no ha traído un problema nuevo; ha añadido una capa encima de los de siempre. A los problemas de toda la vida (el sesgo del que evalúa, el trámite, el indicador que se maquilla) se suma ahora el postureo: que lo que evalúo no lo haya escrito quien lo firma, y que la propia evaluación tampoco la escriba quien la firma. El indicador se externaliza a una máquina. Y el filtro que teníamos, afinado durante décadas, no está preparado para esto.

Nuestra evaluación sumativa en la universidad está rota por lo mismo que el performance management. No porque la evaluación sumativa no sirva (sirve, y no voy a discutirlo), sino porque también se ha desconectado. La nota certifica cada vez menos lo que dice certificar, y la IA solo ha hecho visible una desconexión que ya venía de antes.

La tentación fácil es contestar “pues no evaluamos”, “quitamos el filtro” o “esto es demasiado difícil de evaluar, así que no lo evaluamos”. El reto es construir un marco para hacerlo bien, asumiendo que es complejo y que habrá que rehacerlo cuando cambien las condiciones. La dificultad de evaluar nunca ha sido excusa para dejar de evaluar, ha sido el motivo para diseñar mejor.


Es la misma conclusión de Murphy y DeNisi (2023): deshacerse de la evaluación no es la respuesta. Lo que toca es rediseñar, seguramente desde cero, no solo hacer normativas o recomendaciones (Corbin, Dawson, Nicola-Richmond y Partridge, 2025). Significa replantear la evaluación a nivel de programa y de forma colaborativa, algo que Nicola-Richmond, Dawson, Partridge y Macfarlane (2025) describen como un asunto de comunidad, más que de asignatura suelta. O sea, un trabajo enorme. No sabemos todavía cómo hacerlo bien en tiempo de IA, con el agravante de que ahora ni siquiera nos queda el consuelo del filtro viejo que, aunque fuera imperfecto, nos dejaba dormir tranquilos.


Referencias:

  • Campbell, D. T. (1979). Assessing the impact of planned social change. Evaluation and Program Planning, 2(1), 67–90. https://doi.org/10.1016/0149-7189(79)90048-X
  • Corbin, T., Dawson, P., & Liu, D. (2025). Talk is cheap: Why structural assessment changes are needed for a time of GenAI. Assessment & Evaluation in Higher Education, 50(7), 1087–1097. https://doi.org/10.1080/02602938.2025.2503964
  • Craig, P., Dieppe, P., Macintyre, S., Michie, S., Nazareth, I., & Petticrew, M. (2008). Developing and evaluating complex interventions: The new Medical Research Council guidance. BMJ, 337, a1655. https://doi.org/10.1136/bmj.a1655
  • Deming, W. E. (2000). Out of the Crisis. MIT Press.
  • Murphy, K., & DeNisi, A. (2023). New approaches to dealing with performance management: Getting rid of performance appraisals is not the answer. IIM Ranchi Journal of Management Studies, 2(2), 143–158. https://doi.org/10.1108/IRJMS-09-2023-0074
  • Murphy, K. R. (2020). Performance evaluation will not die, but it should. Human Resource Management Journal, 30(1), 13–31. (WOS:000490177200001). https://doi.org/10.1111/1748-8583.12259
  • Nicola-Richmond, K., Dawson, P., Helen, P., & Macfarlane, S. (2025). It takes a village… Program-wide approaches to redesigning assessment in a time of generative artificial intelligence (GenAI). Journal of University Teaching and Learning Practice, 22(7), e1711–e1711. https://doi.org/10.53761/zpp2ja61
  • Pulakos, E. D., Hanson, R. M., Arad, S., & Moye, N. (2015). Performance Management Can Be Fixed: An On-the-Job Experiential Learning Approach for Complex Behavior Change. Industrial and Organizational Psychology, 8(1), 51–76. https://doi.org/10.1017/iop.2014.2
  • Skivington, K., Matthews, L., Simpson, S. A., Craig, P., Baird, J., Blazeby, J. M., Boyd, K. A., Craig, N., French, D. P., McIntosh, E., Petticrew, M., Rycroft-Malone, J., White, M., & Moore, L. (2021). A new framework for developing and evaluating complex interventions: Update of Medical Research Council guidance. BMJ, 374, n2061. https://doi.org/10.1136/bmj.n2061
  • Strathern, M. (1997). ‘Improving ratings’: Audit in the British University system. European Review, 5(3), 305–321. https://doi.org/10.1002/(SICI)1234-981X(199707)5:3%253C305::AID-EURO184%253E3.0.CO;2-4

Visitas: 13

La universidad tiene futuro. Gracias, IA, por recordárnoslo

Si ChatGPT, Gemini o quien sea entra en el mercado de la educación, lo que nos está diciendo es que APRENDER tiene valor. Millones de personas dispuestas a pagar por aprender. Esa validación de mercado nos la acaban de regalar.

Si el futuro de la universidad depende de qué producto saquen las tecnológicas o de a qué precio lo pongan, entonces no tenemos servicio. Tenemos un trámite con sello oficial.

Y cuidado con consolarse con que “ellos son generalistas y no conocen a mis alumnos”. No es verdad. Los perfilan, los siguen conversación a conversación, los acabarán conociendo mejor que nosotros.

Si tu clase consiste en transmitir contenido y tramitar una calificación, ya tienes sustituto. Más barato, más paciente y disponible a las tres de la madrugada.

Lo que pasa es que los chatbots están entrenados para una sola cosa: que vuelvas mañana. Si para eso tienen que darte la razón, te la dan. Si tienen que ponértelo más fácil, te lo ponen. Si validarte te retiene, te validan. Es su modelo de negocio: tú no eres su estudiante, eres su retención.

A mí, que vuelvas mañana, me da igual. Lo que no me da igual es que, dentro de cinco años, sepas hacer tu trabajo. Por eso a veces te lo pongo difícil, te digo que no, o te digo cosas que no te gusta oír pero necesitas oír. Y cuando firmo que estás preparado, esa firma lleva mi nombre: si tú fallas ahí fuera, el que queda mal soy yo.

El error no es competir con la IA. El error es parecerse a ella.

Visitas: 13

ffmpeg: automatizar el procesado de vídeo con scripts en Windows, linux y Mac

 

#HowTo #ffmpeg #herramientas #productividad

Disclaimer: a mí siempre me ha gustado más trabajar con scripts que con menús y ventanas. Desde que hace unos 35 años empecé a usar SPSS, pasando por R y cualquier otro programa que me permita guardar un log de lo que he hecho como algo ejecutable en el futuro, me tienen robado el corazón. Así que esto que describo no es para todos los públicos.

Dicho esto: llevo años editando vídeos con Camtasia, MS Stream y otras aplicaciones. Funcionan bien. El problema no es solo que no puedas hacer batch. Es que algunas operaciones que parecen simples, en una herramienta con interfaz gráfica, se vuelven absurdamente lentas. Sacar diez fragmentos recortados de un vídeo en Camtasia puede costarte fácilmente dos horas: abrir el proyecto, marcar el inicio y el fin de cada fragmento, exportar, esperar el render y repetir si no ha salido como querías a la primera. Lo mismo con Adobe Premiere,  Clipchamp, MS Stream,  o cualquier otra herramienta con ventanas y botones. Están diseñadas para la edición creativa, para decidir qué hacer con un vídeo. No para procesar en volumen. No es un defecto, es que no es su caso de uso.

Si además tenemos en cuenta el tiempo de renderizado… Las herramientas con interfaz gráfica tienen que gestionar previsualización, efectos, capas… Aunque tú solo quieras cortar un fragmento. ffmpeg en local no tiene nada de eso; va directo al fichero y, en muchos casos, a una velocidad de vértigo.

El otro problema es la reproducibilidad. Si has tardado dos horas en sacar esos diez fragmentos y luego necesitas cambiar algo (el formato de salida, el punto de corte, lo que sea), vuelves a empezar casi desde cero.  Con un script, cualquier modificación tarda solo segundos: cambias un parámetro, vuelves a ejecutar, y obtienes el resultado actualizado sobre todos los ficheros. Además, tienes por escrito exactamente qué has hecho, lo que no es fácil de recordar cuando ha pasado tiempo (aunque sea poco) desde que lo hiciste.

Este fin de semana he integrado ffmpeg a mi espacio de trabajo (es un año con intensas novedades: migrar de Ennote a Zotero, empezar con Obsidian, pasar de Jira a Clockify…). ffmpeg es una herramienta de línea de comandos (gratuita, de código abierto) que procesa vídeo y audio en local y acepta scripts. Puedes dividir un vídeo en fragmentos por tiempo, comprimir, cambiar de formato, extraer audio, recortar o concatenar, y hacerlo en modo batch sobre los ficheros de una carpeta entera sin tocar nada manualmente.

Cómo instalarlo en Windows

  1. Descarga la versión compilada desde https://ffmpeg.org/download.html (sección Windows, yo he usado la build de gyan.dev).
  2. Descomprime el .zip
  3. Localiza el ejecutable que necesitas es ffmpeg.exe, que está dentro de la subcarpeta bin. No hace falta instalarlo ni tocar el PATH si  el ffmpeg.exe está en la misma carpeta donde tienes los scripts y lo llamas como .\ffmpeg.exe.
  4. Si prefieres añadir la carpeta donde este el .ex al PATH para poder ejecutarlo desde cualquier carpeta tambien es una opcion (yo no la uso).

Los scripts: PowerShell + .bat

Yo escribo los scripts en PowerShell (.ps1) porque es más legible para lógica con bucles y condiciones. El único problema es que hacer doble clic en un .ps1 no lo ejecuta directamente en Windows debido a la política de ejecución por defecto. La solución es crear un fichero .bat que lo llame:

@echo off
powershell.exe -ExecutionPolicy Bypass -File "%~dp0tu_script.ps1"
pause

Con ese .bat en la misma carpeta que el .ps1, los videos y el ffmepg.exe haces doble clic y se ejecuta. El %~dp0 es la ruta de la carpeta donde está el .bat (así no depende de desde dónde lo lances), y el pause al final mantiene la ventana abierta para que puedas ver si ha habido algún error.

Un script básico que procesa todos los .mp4 de la carpeta actual tiene esta estructura:

$carpeta = Split-Path -Parent $MyInvocation.MyCommand.Path
$videos = Get-ChildItem -Path $carpeta -Filter "*.mp4"

foreach ($video in $videos) {
    $entrada = $video.FullName
    $salida = Join-Path $carpeta ("procesado_" + $video.Name)
    
    & ffmpeg -i $entrada [tus opciones aquí] $salida
}

Ajustas [tus opciones aquí] a lo que necesites y el script recorre todos los vídeos de la carpeta sin que tengas que hacer nada más.

El balance

Me costó unas dos horas montarme los scripts (era novato en ffmpeg y parte del tiempo fue entender qué opciones hacen qué). Ya me han ahorrado aproximadamente seis horas de trabajo este fin de semana en tareas que hago con regularidad. El retorno empieza a ser positivo, y va a seguir siéndolo cada vez que los reutilice.

Camtasia y similares no va a desaparecer de mi flujo para ediciones más elaboradas. Pero para procesar en batch, para tareas que se repiten, o simplemente para no perder una tarde haciendo a mano algo que dura treinta segundos en un script, merece la pena la inversión inicial.

Visitas: 43

Por qué la estrategia de IA de tu universidad ya está obsoleta (y lo seguirá estando)

Cuando la tecnología avanza en meses y la institución en años

Llevo como 3 años teniendo la intuición de que el modo en que “la gente” aborda el asunto de la IA gen en la universidad no me convence (los tipos de controles que plantean, los enfoques subyacentes, que son prácticamente reactivos, etc.). No sabía hacer explícito por qué me chirriaba tanto, simplemente tenía el síndrome del niño de “El traje nuevo del emperador” del cuento de H.C. Andersen. Hasta hoy. Gracias a este post de Ethan Mollick se me ha encendido la bombillita de por qué no me cuadra.
Si pienso en mi universidad como una organización (de las leeeeeentas en reaccionar), donde los cambios requieren muchos meses (o años). No solo porque es pública… es que, sobre todo, es muy grande (trabajan unas 5.000 personas e influyen en los órganos de gobierno los representantes de 35.000), y tiene una cultura débil, o mejor dicho, muchas culturas fuertes incompatibles entre sí, desarrolladas en silos. Entonces, una tecnología que avanza en ciclos de muy pocos meses liberando capacidades nuevas (y casi inimaginables unos meses o semanas antes), que impactan considerablemente en la función y objetivos de la organización, nos lleva a la cuestión clave a la que apunta Ethan y que también le he escuchado a David Roldán Martínez:
La pregunta relevante no es “cuáles son las capacidades de los modelos”, sino quién (o quiénes) en la organización tiene la autoridad y la capacidad para revisar, establecer e implementar las medidas de protección (o de aprovechamiento de la oportunidad) cada 4 o 5 meses.
Me da la sensación (igual me equivoco) que la gente que conozco está anclada en la primera pregunta. Quizás porque la respuesta a la segunda pregunta es desgraciadamente obvia: NADIE.

Tres años siendo el niño del cuento (y por fin sé por qué)
 
Referencia:
 

Visitas: 16