La autora reflexiona sobre cómo los modelos de lenguaje grandes han roto los atajos visuales que permitían reconocer, a simple vista, el trabajo humano detrás de un texto, una web o un proyecto de software. Si antes “alguien se tomó el tiempo de escribir esto” bastaba como heurística para decidir si un contenido valía la pena, hoy generar texto o sitios web plausibles es trivial, y esa señal se ha perdido.
El problema no es solo el spam de código generado por IA que satura proyectos de código abierto como tldraw, que en enero dejó de aceptar pull requests externas por el aluvión de contribuciones automatizadas. Tampoco se reduce a la auto-promoción con IA denunciada por bloggers como Robin Sloan o Andy Baio. El núcleo es más profundo: identificar de un vistazo el trabajo de baja calidad se ha vuelto difícil, y los mantenedores recurren a trucos como “envenenar” el contexto de los agentes para que dejen pistas de su origen.
La creadora, tecnóloga creativa, cuenta cómo esta opacidad la ha paralizado: dedica menos tiempo a documentar sus proyectos porque ya no está segura de que el esfuerzo sea visible. Frente a ello, ha redirigido su energía hacia el hardware —donde el coste físico sigue siendo legible— y hacia aficiones como el levantamiento de pesas o el piano, cuya dificultad no ha cambiado. También repasa casos como Flappy Bird dentro del Finder de macOS o GardenCam, una web que retransmitía el tráfico alrededor del Madison Square Garden durante la celebración de los Knicks, como ejemplos de proyectos donde el esfuerzo humano sigue siendo perceptible.
El ensayo cierra con una observación cultural: así como el streaming empujó a una subcultura a volver al vinilo para reincorporar fricción, ahora proliferan los sitios web deliberadamente feos, los memes estilo MS Paint y los correos con erratas故意的. Manifestar humanidad frente a los LLM es, según la autora, un problema nuevo y difícil cuyas soluciones todavía estamos empezando a imaginar.