La Plataforma de Optimización Cognitiva reemplaza la noción de campus físico estilo École 42 por una plataforma educativa software-nativa con tutores de IA al 1:1 sobre cada cadete. La tesis central: el problema sudamericano de talento técnico no se resuelve construyendo un campus de cien millones de dólares para cincuenta personas (capex insostenible contra output, captura inevitable de class-Lima upper-middle), sino diseñando una plataforma capability-grade sobre la que cohorts paralelos cursan sprints modulares alineados a frentes operativos en operación. Arquitectura: sprints de tres a seis meses sobre capacidades específicas (criptografía post-cuántica, machine learning aplicado, biotecnología, sistemas autónomos, propulsión avanzada, diseño de chips, ingeniería ZEE) anclados a los frentes activos, o el track de despertar integral sobre fundamentos (matemáticas, física, biología molecular, computación, pensamiento sistémico, doctrina civilizacional). Cohort-locked, acceso por invitación vía Sirius. Capex inicial cuatro a ocho millones de dólares para construcción de la plataforma, contenido currícular, fine-tuning de modelos tutores y primera cohorte; steady state seis a doce millones anuales para operación de cohorts paralelos. Inspiración: Synthesis School (K-12 software-defined, Elon Musk's kids school escalado), Math Academy (AI-tutored adaptive curriculum), Khanmigo (Khan Academy 1:1 tutor), École 42 (peer-learning + project eval), Thiel Fellowship (founder-profile funding).
Por qué plataforma, no campus
La era 2026+ es AI-native education. Khanmigo opera tutores 1:1 sobre el currículum K-12 entero a costo marginal de inferencia; Synthesis School (originalmente la escuela privada de los hijos de Elon Musk, ahora plataforma pública) deploya cohorts socráticos software-defined ages 8-14 a 180 USD/mes por estudiante; Math Academy entrena estudiantes de quinto grado hasta cálculo universitario con AI-tutored adaptive sequencing a costo bajo cuatro órdenes de magnitud al del modelo MIT. La pregunta no es si la formación élite puede ser software-nativa; es por qué Kiranir replicaría infraestructura física de los noventas. École 42 París costó sesenta millones de euros en infraestructura por mil quinientos estudiantes (40K EUR per capita). Replicar ese modelo a escala kiranir con cincuenta cadetes implicaría dos millones de dólares de capex físico por persona, peor matemática que Harvard. La forma correcta del problema: una plataforma que un equipo de doce a dieciocho engineers + ocho educadores puede construir en dieciocho a veinticuatro meses por cuatro a ocho millones de dólares, sirviendo dos a cinco veces más cadetes con un orden de magnitud más capability per dollar.
Sprints de capacidad y despertar integral
La arquitectura es modular por sprint, no monolítica por currículum. Cada cadete cursa una combinación de dos tipos de track. Tracks de capacidad: sprints intensivos de tres a seis meses sobre dominios específicos alineados a frentes activos. Cada sprint tiene project deliverable verificable y mentor senior asignado del frente correspondiente. Sprints catalogados año uno: Criptografía post-cuántica (sub-frente #28), Machine learning aplicado y RLHF (#37), Biotecnología y bioinformática (#03), Sistemas autónomos y robotics (#04 más #21), Propulsión y aeroespacial (#01 más #32), Diseño de chips y RTL (#39), Ingeniería ZEE y derecho corporativo de frontera (#34), Cuantificación financiera y SWF operations (#35). Tracks de despertar integral: programa fundacional de seis a doce meses sobre la base cognitiva que sostiene todo lo demás. Mathematics for engineers (álgebra lineal, cálculo, probabilidad medida-teórica, optimización convexa), Systems (architecture, compilers, distributed systems), Biology como capa civilizacional, Filosofía operativa y doctrina kiranir, Pensamiento sistémico (Forrester, Sterman, Meadows). Cada cadete puede combinar uno o múltiples sprints de capacidad sobre la base de despertar integral, o entrar directo a sprints específicos si trae el background. La selección de track es del cadete; la sequencing recomendada la opera el agente IA en base a perfil + objetivo declarado.
Tutores de IA al 1:1 y mecánica AI-native
Cada cadete opera con un tutor IA dedicado fine-tuned sobre el frente kiranir correspondiente al sprint activo. El tutor opera tres modalidades simultáneas. Socratic dialogue: el cadete formula su comprensión, el tutor refuta o profundiza, el cadete ajusta; ciclo dialógico sin response-templating, basado en transcripciones reales de mentores expertos como dataset de fine-tuning. Adaptive problem generation: el tutor genera problemas calibrados al edge of ability del cadete, ni triviales ni imposibles, con difficulty step adaptive según performance reciente (modelo Math Academy demostró que sequencing adaptive a través de prerequisite graph supera flat curriculum en factor de dos a cinco veces en rate de mastery). Code review y craft critique: el tutor revisa código, prosa técnica, designs del cadete con disciplina de senior engineer, no de teaching assistant. Stack técnico de tutores: fine-tuning sobre Claude Opus o equivalente kiranir #37, RAG sobre corpus específico del sprint (papers, codebases referencia, lecture notes top-tier), guardrails para no entregar solución directa sino guiar el camino. Métricas de progreso: mastery por concepto rastreada vía spaced repetition + active recall, no horas en clase. Cada cadete entrega un public artifact por sprint (paper, repo, design doc, prototipo), evaluable por panel humano del frente correspondiente.
Residencias intensivas y retención
Sin campus físico recurrente, pero con hubs rotativos para residencias intensivas. Cada sprint incluye una a dos semanas presenciales en hub kiranir (Lima base primaria, Cusco, Arequipa, Atacama, São Paulo rotativos) para project demos, peer review en persona, doctrinal interviews con miembros de la Fundación y Consorcio, y peer density sostenida que la pantalla no entrega. Retención no se construye con contratos de siete años (modelo viejo, no escala) sino con mecanismo de loop: cada cadete que completa un sprint accede a la siguiente capa del Consorcio (Frente #14 archetype Tecnólogos), recibe Consortium stake proporcional, y se invita a contribuir como mentor o co-creador de contenido en futuras cohorts. La salida del cadete no es graduación con diploma sino integración al Consorcio como nodo operativo, con el sprint completado como signal verificable. La pertenencia es opt-in continuo, no captura institucional. Modelo análogo: la transición de Y Combinator alumni hacia mentores del siguiente batch, donde el alumni rotación produce loop estructural.
Capex realista y crecimiento recursivo
Fase uno (2026-2027) construcción de plataforma y primera cohorte: equipo nuclear de doce a dieciocho engineers y ocho educadores; fine-tuning de tutores IA sobre Claude Opus o base open-weight; construcción del catálogo inicial de doce a quince sprints; infraestructura cloud (cómputo de inferencia, vector DBs para RAG, dashboards de progreso); coordinación de hubs rotativos para residencias. Total capex fase uno cuatro a ocho millones de dólares (dos órdenes de magnitud menor al modelo campus). Fase dos (2027-2029) operación de cohorts paralelos: cincuenta a cien cadetes simultáneos en distintos sprints; opex steady state seis a doce millones anuales (inferencia de tutores, salarios del equipo nuclear, contenido, residencias). Fase tres (2029+) escala: trescientos a quinientos cadetes activos en cualquier momento; opex doce a veinte millones anuales; recursividad financiera vía Holding (#00) que reinvierte fracción del cash flow generado por frentes que reciben cadetes deployados. Comparativa: el modelo campus físico para cincuenta cadetes habría costado ochenta a ciento cincuenta millones de capex inicial más veinticinco a cuarenta millones operativos anuales para output similar. La plataforma software-nativa entrega más con menos por estructura, no por austeridad.