Conocé a Claude

📐 Fundamento

Anthropic se autodefine como una empresa de seguridad en IA (AI safety). Su apuesta técnica más conocida es la IA constitucional (Constitutional AI): en lugar de depender únicamente de miles de personas calificando respuestas una por una, el modelo se entrena para evaluar y corregir sus propias salidas contra un conjunto explícito de principios — una "constitución" — que incluye cosas como ser útil, ser honesto y evitar causar daño.

A nivel conceptual, el proceso tiene dos ideas clave:

1. Principios explícitos en lugar de criterios implícitos. Las reglas que guían el comportamiento del modelo están escritas y son revisables, en vez de estar diluidas en millones de calificaciones humanas individuales.
2. El modelo critica y revisa sus propias respuestas durante el entrenamiento, usando esos principios como vara. Eso escala mejor que la supervisión humana directa y produce un asistente que tiende a explicar sus negativas en vez de solo bloquearse.

¿Por qué te importa esto como usuario? Porque explica el "carácter" de Claude: tiende a ser directo, a admitir incertidumbre ("no estoy seguro de esto"), a negarse a tareas dañinas explicando por qué, y a no inventar tan alegremente como otros sistemas — aunque, como veremos en la sección 1.5, igual puede inventar.

📐 Fundamento

La familia Claude a junio de 2026, con precios de API por millón de tokens (entrada / salida):

Tres observaciones sobre la tabla:

1. La salida siempre cuesta ~5× la entrada. Generar texto es más caro que leerlo. Esto va a importar muchísimo en el capítulo 5: pedir respuestas concisas no es solo elegancia, es ahorro.
2. Los IDs van exactos, sin sufijos de fecha. Cuando programes con la API (cap. 4), escribís model="claude-opus-4-8", tal cual.
3. El precio escala con la capacidad. Fable 5 cuesta 10× lo que Haiku 4.5 en entrada. Si una tarea la resuelve Haiku, usar Fable es pagar 10 veces más por el mismo resultado.

Un token es la unidad en la que el modelo procesa texto: fragmentos de palabras, no palabras enteras. Regla práctica para español: 1 palabra ≈ 1.3 tokens. Una página de texto (~400 palabras) son ~520 tokens.

📐 Fundamento

Dimensionemos 1M de tokens con la regla de 1 palabra ≈ 1.3 tokens en español:

Para que te hagás una idea:

Es decir: en una sola conversación con Opus 4.8 cabrían unas cuatro o cinco novelas completas, o todos los PDFs de un ciclo universitario entero, o un repositorio de código mediano completo. La ventana de Haiku (200K) es más chica pero igual cabe una novela y sobra espacio.

Matices importantes:

• Contexto grande no es memoria permanente. Cada conversación arranca de cero; Claude no recuerda chats anteriores (salvo funciones explícitas de la app, como los Proyectos del cap. 2).
• Todo lo que está en el contexto se cobra como tokens de entrada en la API. Meter un libro entero en cada pregunta cuesta plata real (cap. 5).
• Que el modelo pueda leer 1M de tokens no significa que toda la información pese igual: darle solo lo relevante suele producir mejores respuestas que ahogarlo en material.

📐 Fundamento

Tres limitaciones estructurales que tenés que grabarte:

1. Corte de conocimiento (knowledge cutoff). El modelo se entrenó con datos hasta cierta fecha. De lo que pasó después no sabe nada — a menos que use búsqueda web o que vos le pegues la información en el contexto. Si le preguntás por el resultado del partido de anoche sin búsqueda web, o no sabe, o (peor) inventa.

2. Alucinaciones. Un LLM genera el texto más plausible, no el más verdadero. Cuando no sabe algo, puede producir una respuesta que suena perfecta y es falsa: citas bibliográficas inventadas, números de artículos de ley que no existen, funciones de librerías que nunca existieron, fechas corridas. La IA constitucional reduce esto — Claude admite incertidumbre más seguido que otros modelos — pero no lo elimina.

3. No "sabe" cuándo se equivoca. El modelo no tiene un medidor interno de verdad. La confianza del tono no se correlaciona con la exactitud del contenido. Una respuesta segura y una alucinación se leen igual de convincentes.

Regla de verificación. Verificá SIEMPRE que la respuesta involucre:

• Citas, referencias bibliográficas, leyes, artículos, sentencias.
• Números precisos (estadísticas, fechas, precios, dosis).
• Hechos posteriores al corte de conocimiento.
• Cualquier cosa que vayás a entregar, publicar o sobre la que vayás a tomar una decisión importante.

Para entender el "por qué" técnico de las alucinaciones, el capítulo de LLMs y transformers del libro de Inteligencia Artificial lo explica a fondo.

📐 Fundamento

1. claude.ai — la app (cap. 2). Web, móvil y escritorio. Conversaciones, subida de archivos e imágenes, Proyectos (instrucciones y archivos persistentes por proyecto), artefactos (documentos, código y mini-apps generados en un panel aparte) y búsqueda web. Hay plan gratuito con límites de uso y planes pagos con más capacidad; los precios de suscripción se consultan en claude.ai porque cambian con el tiempo.

2. Claude Code — el agente de programación (cap. 3). Corre en la terminal, en la web, como app de escritorio y como extensión de IDE (VS Code, JetBrains). A diferencia del chat, actúa: lee tu repositorio, edita archivos, ejecuta comandos y tests, hace commits. Se configura por proyecto con un archivo CLAUDE.md.

3. La API de Anthropic (caps. 4–5). Para construir tus propias aplicaciones. Tu programa manda requests, paga por tokens consumidos según la tabla de la sección 1.2, y recibe respuestas que puede procesar como quiera. Es la superficie con más poder y más responsabilidad: vos manejás el historial, los errores y el presupuesto.

¿Cuál usar cuándo? La pregunta clave es quién consume el resultado:

• ¿Vos, leyendo y conversando? → claude.ai.
• ¿Tu repositorio de código, que necesita cambios concretos? → Claude Code.
• ¿Otro programa, o una tarea repetitiva sobre muchos datos? → API.