Cuando pensamos en escalar la educación con IA, la imagen que viene a la mente es un botón mágico que convierte conocimiento en clases. La realidad de Platzi, contada por Stephanie Salas, fue mucho más caótica: dos años de errores, agentes que alucinaban y videos terribles antes de entender que producir contenido no es lo mismo que producir aprendizaje.
Esta historia le interesa a quien construye productos con inteligencia artificial, a educadores y a cualquiera que quiera entender cómo se pasa de un prompt simple a un sistema completo sin perder el rumbo.
¿Por qué Platzi se preguntó qué podría matar al negocio?
En 2024, con el boom de la IA, el equipo se hizo una pregunta incómoda: ¿qué producto podría acabar con Platzi? La respuesta que dieron en ese momento fue un sistema capaz de convertir conocimiento en educación más rápido que ellos. Para dar contexto, en esa época tardaban un mes en generar un solo curso [02:04].
El origen de todo fue el problema de los dos Sigma, un concepto del paper de Benjamin Bloom que demuestra que un estudiante con tutor personal supera al 98% de los estudiantes con educación convencional [02:36]. La pregunta real no era técnica, era humana: cómo llevar ese tutor a millones de personas.
¿Qué es el problema de los dos Sigma? Es un hallazgo de Benjamin Bloom que muestra que un estudiante con tutoría individual rinde dos desviaciones estándar por encima de uno con clase tradicional, superando al 98% de sus pares.
¿Qué salió mal al usar agentes de IA para crear cursos?
El primer intento fue un curso de Java en 2024 que solo tenía un AI Script: texto sincronizado como la letra de una canción en Spotify, con recursos al costado y sin video [03:29]. A los estudiantes no les gustó, pero fue el punto de partida.
Usaron una herramienta llamada Crew AI, montada como una empresa: un agente manager que llamaba a otros agentes especializados (editor de contenido, investigador, escritor). Y aquí viene lo interesante, empezaron los problemas:
- El agente manager alucinaba y llamaba a agentes que no existían, como un diseñador, y el flujo se reventaba.
- Al habilitar la memoria, esta filtraba contenido de un curso a otro: un curso de inglés terminaba con explicaciones de Java.
- Cada deploy reseteaba la memoria, olvidando lo importante y recordando lo que no debía.
La lección fue directa: no puedes automatizar bien algo que no entiendes. No sabían definir qué era una buena clase ni qué decisiones tomaba un course director [05:57].
¿Cómo pasaron de agentes a un pipeline determinista?
La solución fue dejar de usar agentes autónomos y construir pasos encadenados, un pipeline determinista [06:28]. En lugar de delegar todo a una IA que decidía sola, crearon una secuencia clara: ingestar documentos, sacar fotos de cada página, extraer datos de esas imágenes, guardar todo como contexto y con eso generar el syllabus o listado de clases.
Aquí Stephanie deja una lección clave sobre cómo usar IA: la complejidad se gana, no se asume.
- Empieza siempre por un prompt simple con el conocimiento que ya tienes.
- Cuando el prompt se quede corto, agrégale contexto y validaciones.
- Si necesitas varios prompts encadenados, usa un workflow, como un diagrama de flujo con entradas y salidas.
- Solo cuando las decisiones dejan de ser lineales, usa un agente con autoridad para decidir.
Ese último caso aparece al elegir cómo explicar un concepto: ¿una analogía, una metáfora, un caso de estudio? Como no hay reglas estrictas, ahí sí tiene sentido un agente [07:52].
¿Qué papel jugó AWS en la orquestación?
Gran parte del sistema corre sobre AWS Step Functions, unas máquinas de estado donde colocaron los pasos de los workflows [08:22]. Esto les dio orquestación, retries y la posibilidad de ver visualmente dónde se rompía el flujo para reintentar solo desde ese punto, no todo el proceso.
También implementaron fallbacks para probar distintos modelos al mismo tiempo y comparar resultados. Uno de los ahorros más grandes llegó en 2026 al probar Veo 3.1 contra Kling V3 Pro, lo que bajó el gasto de generación de video de 4.000 dólares diarios a solo 1.000 [09:11].
¿Qué son los fallbacks en un sistema de IA? Son mecanismos que permiten probar varios modelos simultáneamente y comparar sus resultados, para elegir el mejor en calidad o costo sin depender de un único proveedor.
¿Cómo aprendieron a convertir HTML en video?
Con los transcripts pasados al sistema propio, Platzi se volvió dueño de su contenido para construir resúmenes, retos, exámenes y simuladores [10:26]. Pero no tenían idea de cómo hacer un video.
Un equipo probó todas las herramientas disponibles durante una semana. Cuando llegó Veo 3, empezaron a generar video, y crearon slides con HTML. El problema nuevo: cómo grabar un HTML y convertirlo en video. Montaron un Chromium con una herramienta de testing que renderizaba la página, capturaban frame por frame y luego unían esos frames [12:12].
El proceso manual usaba ElevenLabs para el audio y CapCut para editar, generando prompts para cada pedacito de video y probándolos en distintos proveedores. Fue lento y agotador, pero esa investigación inicial les permitió automatizar después.
¿Por qué la programación clásica sigue siendo necesaria?
Al automatizar, cada cuello de botella resuelto abría uno nuevo: generar, revisar, editar. El primer editor funcionaba como una máquina tragamonedas donde regeneraban video sin dar feedback [15:12].
Un problema grave fue el desfase: el video mostraba una cosa y el audio iba tres minutos adelante. Y aquí el aprendizaje: hay cosas que ni la IA ni un LLM pueden resolver. Sincronizar audio y video se hizo con programación clásica, usando el timestamp de cada frase para unir programáticamente el pedacito de video con su audio [15:52].
¿Cómo la taxonomía de Bloom cambió la definición de aprendizaje?
Llegó la pregunta clave: ¿estaban creando una buena clase o solo un buen video? La respuesta fue: solo un buen video. Habían olvidado que aprender es mucho más que ver una clase [17:32].
Volvieron a la taxonomía de Bloom, que ordena el aprendizaje en recordar, comprender, aplicar, analizar, evaluar y crear. Construyeron features para atacar cada nivel:
- Las clases para recordar.
- Los retos para comprender.
- Las simulaciones para aplicar y analizar.
- Los assessments o exámenes para evaluar.
- Los proyectos para crear.
La pregunta de producto cambió de "¿se generó el curso?" a "¿qué puede hacer esta persona que antes no podía?" [18:33].
¿Qué es la taxonomía de Bloom? Es un modelo que clasifica el aprendizaje en seis niveles progresivos (recordar, comprender, aplicar, analizar, evaluar y crear) para diseñar experiencias educativas completas, no solo consumo de contenido.
¿Cuál es la verdadera amenaza para Platzi?
La respuesta a qué podría matar a Platzi ya no es un competidor técnico. La verdadera amenaza es confundir producir contenido con producir aprendizaje [19:44]. El producto no compite por su capacidad de crear videos, sino por su capacidad de enseñar.
Stephanie cuenta que este fue el producto más difícil de su carrera porque tuvo que reinventar su perfil: pasó de manager a QA, jueza del buen gusto y compañera de debugging, sentándose a leer prompts y correr tests A/B con ingeniería. La frase "no tenemos idea de cómo resolver esto" dejó de dar pena y se volvió cultura.
Porque la IA puede generar una clase, pero el trabajo real es generar clases que merezcan ser aprendidas. ¿Y tú, cómo definirías la diferencia entre producir contenido y producir aprendizaje? Cuéntanos en los comentarios.
