Este artículo usa Shadowverse: Worlds Beyond para explorar una combinación de agentes de IA, simulación, optimización robusta y memoria externa que evita que una sola persona tenga que memorizar y probarlo todo.
1. “Tienes que saberlo todo antes de poder dirigir” ya solo es medio cierto
Antes: investigar, implementar y probar personalmente. Ahora el humano puede definir propósito, estado final, restricciones y criterios de éxito. Después delega: Investiga. Propón opciones. Compara. Implementa. Prueba. Tráeme resultados.
El humano revisa: “A fuera. Vamos con B. Esto está mal. Repite.”
Eso ya es gestión. Si además decides dónde invertir tiempo y cómputo, qué proyecto merece existir y qué significa éxito, te acercas a dirección ejecutiva.
OpenAI describe Codex en 2026 alrededor de la delegación a múltiples agentes, trabajo paralelo, revisión humana y redirección. Su guía de ingeniería AI-native también separa Delegate, Review y Own.
Pasamos de humano → tarea a humano → empleados IA → tarea.
No hay nómina.
Sí hay organización.
2. El trabajo del CEO deja de ser “saber todas las respuestas” y pasa a “saber juzgarlas”
Cero conocimiento sigue siendo peligroso. Si la IA dice “optimización completada”, hay que preguntar por qué, qué alternativas comparó, si se rompe cuando cambian los supuestos, si la simulación representa la realidad, si los datos están actualizados y cuánto cuesta equivocarse.
Si no:
IA: “Terminado.”
Humano: “Perfecto.”
Realidad: “Está roto.”
La transición no es de experto a ignorante. Es de saber implementar cada detalle a saber evaluar, cuestionar y gobernar resultados.
No hace falta memorizar cada carta. Sí hace falta detectar que una media bonita esconde un matchup del 25%.
3. Antes de jugar Shadowverse, construye la fábrica de simulación
Flujo normal: empiezas, lees cartas, construyes, pierdes, corriges, pierdes y después de 100 partidas empiezas a entender el meta.
Con computación puede invertirse:
- Capturar todas las cartas.
- Recolectar mazos de torneos y públicos.
- Implementar reglas y efectos.
- Definir mulligan y políticas de juego.
- Ejecutar decenas o cientos de miles de partidas.
- Construir una matriz de matchups.
- Medir puntos débiles, varianza y manos muertas.
- Hacer que el humano pruebe solo los finalistas.
100 mazos × 50 partidas son 5.000 pruebas humanas. Deja que la máquina descarte el 95%.
Estamos escribiendo la guía antes de instalar el juego.
El inconveniente: la simulación puede durar hasta que llegue la siguiente expansión.
Hemos fundado I+D por accidente.
4. Optimizar en vísperas de un pack nuevo puede crear “la solución óptima que muere cinco días después”
A 22 de agosto de 2026, el noveno set Revenants of Azvaldt / アズヴォルト・レヴナント estaba anunciado para el 27 de agosto.
22 de agosto: “¡Mazo óptimo terminado!”
27 de agosto: “Llegan cartas nuevas.”
Mazo óptimo: “Adiós.”
Antes de la expansión es más sensato terminar la fábrica: ingestión de datos, motor de reglas, partidas AI, estadísticas, matriz, evaluación robusta e informes.
Eso sí sobrevive al cambio de cartas.
Queríamos jugar. Terminamos en manufactura.
5. Optimización robusta: mejor “sobrevive si el meta cambia” que “máximo promedio”
| Mazo | vs Dragon | vs Rune | vs Sword | vs Forest |
|---|---|---|---|---|
| A | 70% | 65% | 60% | 25% |
| B | 57% | 56% | 55% | 54% |
Si Forest es raro, A parece espectacular. Si aumenta: A fallece.
B es menos glamuroso pero resiste una predicción imperfecta.
La optimización robusta trata parámetros inciertos como un conjunto de posibles valores y busca soluciones que sigan siendo aceptables bajo condiciones desfavorables.
En cartas puedes perturbar meta, matchups, iniciativa, mulligan, no robar piezas clave y errores de política.
Pico 95/suelo 20 puede ser peor que pico 80/suelo 65.
No buscamos el gorila con el puñetazo más fuerte, sino el gorila que funciona aunque lo dejen en el zoológico equivocado.
6. Mala noticia: el simulador no puede impedir que el humano pulse mal
La IA encuentra el mazo perfecto. En partida real: “¿Cuál iba primero?” Derrota.
Pero el entrenamiento también puede comprimirse. Extrae mulligans por matchup, posiciones frecuentes, letales típicos, errores catastróficos, respuestas habituales y decisiones con mayor impacto en probabilidad de victoria.
Entonces no entrenas “todo el juego”, sino el 20% de posiciones que decide la mayoría de resultados.
Búsqueda: máquina. Minería de posiciones: máquina. Decisión final: humano.
El CEO también pisa fábrica, solo que no necesita cien horas de onboarding.
7. ¿Guardar todas las cartas en el cerebro no es una arquitectura de almacenamiento terrible?
La ciencia cognitiva llama cognitive offloading al uso de notas, dispositivos y recordatorios para descargar información fuera de la memoria interna.
Un modelo de 2024 describe el intercambio en términos de costes: la memoria interna tiene capacidad limitada y por tanto coste de oportunidad; el almacenamiento externo cuesta una acción de consulta, pero ofrece una capacidad muchísimo mayor.
En cartas, el cerebro guarda caché: arquetipos principales, condición de victoria, amenazas frecuentes, rango de lethal, mulligan y ramas comunes.
¿La tech rara con 3% de uso?
Léela del disco.
8. De hecho, los datos de cartas de WB se pueden recolectar automáticamente
mariokart761/ShadowverseWB_card_data usa un crawler para obtener cartas en cinco idiomas y guardar detalles, textos, evolución, cartas relacionadas y sets en JSON.
No hay una persona escribiendo cientos de filas a mano: “Coste 3… ataque 2… vida 3…”
El director del crawler ya fichó.
ParticleG/shadowverse-wb-db también guarda nombre, habilidad, coste, ataque, vida, rareza, set e imágenes en cards.json.
Pero capturar texto ≠ ejecutar reglas correctamente. “Fanfare: 4 de daño” es fácil de leer; objetivos, timing, buffs, reducción y board lleno son el infierno.
El departamento de catálogo está automatizado.
El motor de reglas está haciendo horas extra.
9. Usa el cerebro humano como motor de decisión, no como base de datos
GitHub / DB → memoria de largo plazo
Crawler → adquisición
Simulador → experiencia virtual
Codex / agentes → investigación, implementación, QA, informes
Humano → propósito, criterios, prioridad, decisión final
Antes: “memoriza todas las cartas y juega cientos de veces.”
Ahora: “haz que la máquina juegue cientos de miles y comprima lo importante.”
No conviertas el despacho del CEO en almacén de cartas.
Que el departamento traiga el expediente cuando haga falta.
10. Esto ya no es solo una estrategia de juego; es un sistema operativo para una empresa de una persona
Propósito, estado deseado, restricciones, investigación AI, comparación, simulación, robustez, ejecución, revisión, corrección y memoria externa.
Sirve para software, inversión, procesos, contenido, investigación, compras y juegos.
No estás construyendo solo “el mejor mazo”, sino una fábrica de decisiones.
Los empleados son IA. El humano no memoriza cada detalle operativo, pero conserva qué se quiere lograr, qué significa bueno, qué no debe creerse y cuándo dar GO.
Querías jugar a las cartas.
Te convertiste en CEO antes de aprenderlas.
11. Conclusión: diseña antes de memorizar; delega los experimentos antes de grindearlos
investigación → datos estructurados → simulación → evaluación robusta → reducción de candidatos → prueba humana
Memoria:
memorizar todo → no
hacerlo recuperable → sí
cachear solo lo frecuente y decisivo → ideal
Estado final:
La IA juega un millón.
GitHub lo recuerda todo.
El humano decide lo importante.
Solo queríamos hacer Storm a la cara. Terminamos haciendo diseño organizacional.
Antes del BOOM del Storm,
BOOM de comité ejecutivo.
