Plan del módulo
El módulo consta de las siguientes clases:
-
Introducción (jueves 10-09-2026, 10:00–12:40)
Presentación: Diez mil agentes y un problema del milenio (el caso Navier–Stokes, septiembre de 2026)
Presentación: Agentes de programación en las ciencias sociales (la encuesta de Lyttelton, Massenkoff y Wilmers, con sus seis figuras)
Actividad — lectura en paralelo: cada alumno lee en clase uno de estos tres textos (15 minutos). Luego cada lector reporta en tres minutos qué afirma su texto, con qué evidencia y qué deja fuera, y cerramos con una discusión.
- A. OpenAI's apparent maths breakthrough raises profound questions (The Economist, 9-09-2026) — las preguntas que abre el caso: crédito, qué campos abre un resultado y los datos de entrenamiento.
- B. Agentic AI and Social Science Research Practice (Tom Pepinsky, 23-01-2026) — un politólogo separa lo que los agentes hacen bien, seguir reglas, de lo que hacen mal: recuperar información e interpretar.
- C. An AI Tsunami is about to Hit Science
Para profundizar: What OpenAI's latest controversy tells us about the future of math (MIT Technology Review); el comentario de Terence Tao sobre el resultado de Buckmaster y Alpöge.
Lecturas:
- Coding Agents in the Social Sciences (Lyttelton, Massenkoff & Wilmers, 2026)
Encuesta a 1.260 científicos sociales cuantitativos sobre la adopción de agentes de programación (como Claude Code) en la investigación académica. Aunque los chatbots de IA ya tienen amplia adopción (81%), los agentes de programación —herramientas autónomas que escriben y ejecutan código de análisis— solo los usa regularmente el 20%. La adopción es desigual: lideran economistas (39%) y cientistas políticos (25%), mientras que salud pública, educación y comunicaciones quedan rezagados (4-6%); los investigadores en etapas tempranas la adoptan más que los profesores titulares, y se observan brechas por género y por prestigio institucional. El uso dominante es generar código de análisis (97% de los usuarios), por sobre editar código o escribir prosa. Quienes los usan reportan más working papers (~75% más) y más postulaciones a fondos, pero sin aumento medible en envíos a revistas, lo que sugiere una aceleración de las etapas tempranas del pipeline de investigación más que ganancias integrales de productividad.
-
Agentes de programación en la práctica: Claude Code y Codex (jueves 01-10-2026, 10:00–12:40)
Presentación: El agente trabaja sobre una carpeta
Presentación: Seis carpetas (casos de uso)
Instructivo de instalación · Tareas · Carpeta de práctica · Qué hacer con la carpeta
Lecturas (se leen en clase):
- The twilight of the chatbots (Ethan Mollick, 2026)
- What comes next, if Claude Code is as good as people say (Dave Karpf, 2026) — respuesta crítica a Mollick.
Herramientas: Codex (app de ChatGPT, plan Plus) y Claude Code (plan pago).
Bloque 1: instalación y práctica sobre una carpeta con datos de redes políticas chilenas (1828–1891), más verificación de citas sobre el tema de cada tesis.
Bloque 2: lecturas y debate. ¿La experiencia del bloque 1 le da la razón a Mollick o a Karpf?
Para la clase siguiente: dos de las tareas de la semana con material propio, y traer un caso donde el agente sirvió y uno donde falló.
-
Prototipar papers con IA (jueves 08-10-2026, 10:00–12:40)
Clase dictada por Roberto Velázquez.
Hoja: el ecosistema de los agentes · Guía del trabajo final
Bloque 1 (10:00–11:10): casos de la semana: cada alumno muestra sus dos tareas, un caso donde el agente sirvió y uno donde falló. Luego, cada uno explica un mecanismo del ecosistema (instrucciones permanentes, skills, conectores y subagentes) a partir de la documentación de Codex y Claude Code.
Bloque 2 (11:30–12:40): trabajo en el prototipo del trabajo final.
Para la clase siguiente: presentación del prototipo (15 minutos).
-
Generación de hipótesis y presentaciones de proyectos (jueves 15-10-2026, 10:00–12:40)
Bloque 1 (10:00–11:10): Generación de hipótesis y pipelines de investigación: del «AI co-scientist» al software empírico experto
Presentación: ¿Quién decide que una hipótesis es buena?
Lecturas:
- Towards an AI Co-Scientist (Gottweis et al., 2025)
- Accelerating scientific breakthroughs with an AI co-scientist (Google Research) — se lee contra la sección de limitaciones del paper anterior.
- An AI system to help scientists write expert-level empirical software (Nature, 2026)
- Accelerating Scientific Research with Gemini: Case Studies and Common Techniques (arXiv, 2026)
Herramientas: Claude Science beta; Clo-Author, scaffold de código abierto para investigación empírica de Hugo Sant'Anna (UAB), con su guía de uso.
Actividad — comité de lectura: un comité por texto. Cada uno reconstruye qué afirma su lectura, con qué evidencia y qué deja fuera, y sale con tres criterios para juzgar una hipótesis; los criterios se consolidan en una rúbrica del curso.
Torneo en vivo: seis hipótesis generadas sobre una pregunta de investigación real del curso, rankeadas primero por los alumnos con su rúbrica y después por la máquina.
Bloque 2 (11:30–12:40): Presentaciones de proyectos
- Trabajos finales
- Guía
Evaluación del módulo
El módulo se evaluará de la siguiente manera:
- Proyecto final: 100%