Investigación · · 10 min de lectura

Wozniak escribió el BASIC del Apple 1 a mano en hexadecimal: la lección que tu equipo de agentes IA está ignorando

Wozniak ensambló a mano el BASIC del Apple 1 en 1976 porque cada byte le costaba dinero. Casi cincuenta años después, los agentes IA han hundido el coste de escribir código pero no el de entenderlo. Análisis de por qué el modelo mental del stack vuelve a ser la ventaja competitiva.

Comparte: Compartir en LinkedIn Publicar en X

Steve Wozniak escribió el BASIC del Apple 1 sin tener una computadora: instrucción a instrucción, en papel, traduciendo él mismo cada mnemónico del 6502 a su opcode hexadecimal porque no podía pagar horas de terminal en tiempo compartido ni tenía acceso a un ensamblador. Lo recuerda GeekNews ES rescatando el relato del propio Wozniak. En 1976 eso era una proeza de ingeniería. En 2026 es, sobre todo, un espejo incómodo para cualquier CTO que esté metiendo agentes IA en producción sin saber qué hay debajo del prompt.

TL;DR: Wozniak ensambló a mano un BASIC de unos 4 KB para el 6502 porque cada byte le costaba dinero real y tiempo no recuperable. Hoy los agentes IA han hundido el coste de escribir código, pero no el de entenderlo ni el de diagnosticarlo. La ventaja competitiva se ha movido del que genera al que sabe leer el stack hasta abajo. Los equipos que no recuperen ese modelo mental pagarán la diferencia en deuda técnica, en facturas de inferencia y en incidentes que ningún agente sabe explicar.

El coste real de la abstracción: 4 KB, 1 MHz y cero ensamblador

El Apple 1 salió en 1976 por 666,66 dólares con un 6502 a 1 MHz y 4 KB de RAM. No había disco, no había sistema operativo y el monitor de la ROM ocupaba 256 bytes. Wozniak se propuso meter un intérprete BASIC completo en ese espacio. Sin ensamblador cruzado, sin time-sharing (las horas de terminal en la época se facturaban y él no podía pagarlas), sin nada. Su método: escribir los mnemónicos en un cuaderno, buscar el opcode correspondiente en las tablas del fabricante y calcular a mano los desplazamientos de los saltos relativos.

Ese detalle es el que separa la anécdota del análisis. Wozniak no optimizó por elegancia: optimizó porque la restricción era física y económica. Cada byte tenía dueño, cada ciclo de reloj se justificaba y el resultado —un BASIC notablemente compacto que cabía donde otros no cabían— salió de un conocimiento granular del sustrato. Sabía exactamente en qué dirección de la página cero vivía cada puntero porque la había decidido él.

Casi cinco décadas después, la restricción ha desaparecido. Un agente IA escribe 400 líneas de TypeScript en veinte segundos, y el coste marginal de la siguiente función tiende a cero. Lo que no tiende a cero es el coste de saber si lo que ha escrito es correcto, si escala y si sobrevivirá al primer pico de tráfico del Black Friday.

Cuando el agente produce código que nadie del equipo sabe leer

Aquí está el punto que el sector prefiere no mirar. La economía del desarrollo se ha invertido: el coste de escribir código se ha desplomado y el coste de comprenderlo se ha mantenido, o incluso ha subido, porque ahora el volumen es mayor y el estilo es ajeno. Un equipo que genera 8.000 líneas semanales con agentes y revisa por encima está acumulando un activo que no entiende.

Wozniak podía depurar mirando un listado hexadecimal porque había construido ese listado. Tu equipo, en cambio, recibe un diff de un modelo que ha decidido usar un patrón de concurrencia concreto en un servicio que nadie ha leído entero. Cuando llegue la race condition, el agente propondrá un parche plausible sobre un diagnóstico que no ha hecho. Y tú no tendrás forma de saber si el parche es correcto sin reconstruir el modelo mental que el propio agente nunca tuvo.

Esto no es un alegato contra la generación de código por IA; es un alegato contra la generación de código por IA sin observabilidad del sustrato. La diferencia entre un equipo que usa agentes autónomos con criterio y uno que los sufre no está en el modelo elegido: está en cuántos ingenieros del equipo saben leer un stack trace hasta el bytecode, un plan de ejecución de Postgres o un flamegraph de memoria.

Depuración de bajo nivel: la habilidad que se ha vuelto escasa y cara

Los tres incidentes más caros que verá un CTO en 2026 no son de lógica de negocio: son de fugas de memoria en contenedores con límites mal calibrados, de consultas N+1 amplificadas por capas de abstracción y de bucles de agente que consumen tokens sin condición de salida. Ninguno de los tres se diagnostica leyendo el código de negocio. Todos exigen bajar un nivel.

El detalle del artículo original es relevante aquí: Wozniak anotaba direcciones e instrucciones en papel y buscaba los valores en código máquina porque carecía de herramientas. La ironía es que hoy tenemos herramientas de sobra y hemos perdido la costumbre de usarlas. Un equipo con agentes IA y sin trazas distribuidas, sin profiling continuo y sin tests de carga reales está operando a ciegas con un copiloto que alucina con seguridad.

A diferencia de lo que dice el folleto comercial, el verdadero reto para las agencias españolas no será integrar el modelo de turno, sino auditar el código que ese modelo ha dejado atrás. La integración es un fin de semana; la arqueología de un repositorio generado durante dieciocho meses sin supervisión estructural son tres trimestres.

Dónde se juega esta brecha en el mercado español

El mercado de consultoría IA en España se está partiendo en dos especies. La primera vende velocidad: prompts, integraciones, demos que impresionan en el comité de dirección. La segunda vende algo menos vistoso y bastante más rentable a medio plazo: auditoría del stack, control de coste de inferencia, observabilidad y criterios de revisión de código generado. La segunda cobra más por proyecto y tiene menos rotación de cliente, porque su entregable no caduca al mes siguiente.

Para las empresas que buscan agencias IA en Madrid, la pregunta útil en la primera reunión ya no es qué modelo usan, sino cuántos de sus ingenieros saben leer el plan de ejecución de una consulta antes de pedirle al agente que la optimice. El ecosistema de agencias IA en Barcelona está empezando a moverse en esa dirección, con perfiles híbridos de SRE y ML que hace dos años no existían en las plantillas de las consultoras locales.

Y hay un efecto secundario que nadie está presupuestando: el coste de inferencia se ha convertido en una línea de gasto operativo que crece con el uso. Un bucle de agente mal diseñado no falla, simplemente factura. Detectar eso exige exactamente el mismo tipo de rigor que Wozniak aplicaba al contar bytes: saber cuántos recursos consume cada operación y por qué.

Nivel de abstracción Quién lo domina hoy Coste de un error Capacidad de diagnóstico
Código máquina / hexadecimal (6502) Perfil casi extinto, nostálgico o embedded crítico Muy alto por byte, muy bajo por sistema Total sobre el sustrato
Ensamblador Ingenieros de sistemas, firmware, criptografía Alto Alta, requiere contexto
C / gestión manual de memoria Sistemas, drivers, bases de datos Alto e inmediato Alta
Framework + ORM + cloud gestionado Mayoría del mercado Bajo a corto plazo, alto a doce meses Media, depende de la observabilidad
Código generado por agente sin revisión estructural Cualquiera con una suscripción Bajo por línea, altísimo agregado Baja si no hay tracing y profiling

La tabla tiene una lectura incómoda: las dos últimas filas son las que más han crecido en volumen y las que menos capacidad de diagnóstico aportan al equipo que las produce. No es un problema de talento individual; es un problema de diseño organizativo. Si el equipo que integra agentes IA no incluye a alguien capaz de leer lo que hay debajo del framework, el ahorro en escritura se paga con intereses en operación.

El cierre: el diferencial de 2027 no estará en el prompt

Mi predicción es concreta: en veinticuatro meses, dos equipos con el mismo modelo, el mismo presupuesto de tokens y el mismo producto tendrán costes operativos que difieren en un factor de dos o tres, y la diferencia no vendrá de la calidad del prompt ni del proveedor de inferencia. Vendrá de cuántos ingenieros de la plantilla son capaces de bajar tres niveles en el stack sin pedir permiso a un modelo.

Wozniak escribió BASIC a mano porque no tenía alternativa. Los equipos de 2026 sí la tienen, y precisamente por eso la habilidad de prescindir del atajo cuando el sistema se comporta de forma inexplicable va a cotizar como nunca. Las agencias de IA que entiendan esto dejarán de vender generación de código y empezarán a vender comprensión del mismo. Las que no, competirán en un mercado de commodities donde el precio lo pone el proveedor del modelo.

Preguntas frecuentes sobre Wozniak y el BASIC del Apple 1

¿Qué hizo exactamente Wozniak para escribir el BASIC del Apple 1?

Escribió los mnemónicos del procesador 6502 en papel y los tradujo él mismo a opcodes hexadecimales consultando las tablas del fabricante, calculando a mano los desplazamientos de los saltos. No tenía ensamblador ni podía pagar horas de terminal en tiempo compartido, así que todo el proceso fue manual. El resultado fue un intérprete BASIC de unos 4 KB que cabía en el hardware del Apple 1, con 4 KB de RAM y un 6502 a 1 MHz.

¿Por qué es relevante hoy para un CTO que usa agentes IA?

Porque ilustra la diferencia entre escribir código y comprender el sistema. Los agentes IA han reducido drásticamente el coste de producir líneas, pero el coste de diagnosticar un incidente en producción sigue dependiendo de que alguien entienda el sustrato. Sin ese modelo mental, el agente parchea síntomas y la deuda técnica se acumula.

¿Los agentes IA hacen innecesario entender el código máquina o el bajo nivel?

No, y el argumento se invierte: cuanto más código se genera de forma automática, más valioso es el perfil capaz de leer lo que hay debajo. Los incidentes caros de 2026 son de memoria, de planes de ejecución de base de datos y de bucles de inferencia sin condición de salida. Ninguno se resuelve leyendo solo la capa de negocio.

¿Cómo sé si mi equipo tiene deuda técnica generada por IA?

Tres señales: el equipo no puede explicar por qué un servicio usa cierto patrón de concurrencia, el coste de inferencia crece más rápido que el uso del producto, y los incidentes se cierran sin diagnóstico causal, solo con parches que funcionan. Si las tres aparecen a la vez, el problema no es el modelo elegido, es la falta de observabilidad y de revisión estructural.

¿Merece la pena contratar consultoría IA para auditar código generado por agentes?

Depende del volumen acumulado y de la criticidad del sistema. Para un repositorio generado durante más de doce meses sin revisión estructural, una auditoría externa suele salir más barata que el primer incidente grave en producción. El criterio de selección del proveedor debería ser su capacidad de leer el sustrato, no la velocidad con la que promete integrar el último modelo del mercado.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

Posts relacionados