Edición 38 — 19 de junio de 2026
Issue 38 — 2026-06-19
Tú te volviste más rápido, tu empresa no
Un nuevo artículo de TERRESTRIAL SOFTWARE está circulando, y es de esos que te pega diferente cuando eres tú quien está haciendo el trabajo. La idea central es simple: en los últimos años, la mayoría de nosotros nos volvimos más rápidos. Mejores herramientas, IA, flujos de trabajo más inteligentes — la lista es larga. Pero nuestras empresas no nos devolvieron las ganancias. Sin aumento. Sin semana más corta. Sin menos esfuerzo.
El artículo vale la pena leerlo porque pone nombre a algo que muchos de nosotros hemos sentido pero no logramos precisar. Tu bandeja de entrada está más llena, tu Slack suena más fuerte, pero la producción es más afilada y el trabajo es más rápido. Estás haciendo más en menos tiempo, y tu jefe está contento con eso. Mientras tanto, la ventaja que debería haber ido a tu favor se queda justo donde empezó — en la hoja de cálculo.
Esto encaja con un patrón más amplio en la tecnología y más allá. Las ganancias de productividad han sido reales, pero la distribución ha estado desequilibrada. Las empresas que se volvieron mejores extrayendo trabajo se hicieron más ricas. Los trabajadores se acostumbraron a moverse más rápido sin que les paguen por ello. Esta es la parte silenciosa de la historia sobre la IA y la automatización que no recibe suficiente atención — no se trata solo de lo que hace la tecnología, sino de quién se queda con lo que hace.
Por qué nos importa: cuando somos nosotros los que hacemos el trabajo pesado, las ganancias no se vuelven nuestras automáticamente — y las personas que controlan el trabajo deciden hacia dónde van las recompensas.
Anthropic le arregla a Claude su quema de tokens y le da un nuevo diseño
Anthropic lanzó esta semana una actualización importante de Claude, y la verdad es que está arreglando algo que la mayoría notó pero no podía nombrar bien. La IA estaba consumiendo tokens — la unidad que mide cuánto gasta Claude — más rápido de lo que debería. Ahora es más eficiente, y toda la interfaz recibió un rediseño.
La actualización agrega importaciones del sistema de diseño, lo que significa que Claude ahora puede importar tus archivos de diseño existentes y trabajar con ellos de forma más natural. Los ciclos de código también son más fluidos, así que si estás escribiendo código y quieres que Claude lo refine, no tiene que volver a leer todo desde cero. Todo esto es un rediseño completo, no un parche.
Claude se está convirtiendo en una de las herramientas de IA más utilizadas. Cuando una herramienta como esta se vuelve más eficiente, no es solo un arreglo técnico — es tu herramienta funcionando más rápido y más barata, así puedes hacer más en un día. Esto te toca. Por qué nos importa: Cada vez que una herramienta de IA importante se vuelve más eficiente, se vuelve más barata y rápida para que la gente trabajadora la use en su día a día — ya sea redactando un mensaje, revisando un documento, o construyendo algo desde cero.
Menos hardware, más calles — esa es la jugada.
— arstechnica.com
#mobileye-is-launching-robotaxis-in-the-us-e65314Cómo Heidi Health está enseñándole a la IA clínica a dejar de adivinar
Heidi Health está lanzando un modelo de IA clínica que ha sido ajustado con datos reales de pacientes, en lugar de texto genérico. La compañía dice que el modelo ahora maneja la documentación clínica con más precisión porque fue entrenado con conversaciones reales entre doctores y pacientes — no solo con libros de texto médicos o entradas de Wikipedia.
El enfoque importa porque los modelos genéricos de IA tienden a alucinar cuando se encuentran con casos especiales en el cuidado de la salud.
Obsidian AI: LLM privado que se queda en tu red
IEPs, expedientes médicos, descubrimiento legal — ya saben la rutina. Las reglas dicen que esto no puede salir del edificio. Así que cuando tu equipo quiere redactar, resumir, traducir o buscar algo, se topa con una pared.
La mayoría de la "IA privada" sigue llamando a la nube. Y los stacks completamente locales que prometen cero llamadas salientes? Son proyectos de investigación. Divertido leerlos. Pero no están listos para la oficina.
Obsidian AI es diferente. Es un aparato llave en mano — GPU, modelo, runtime de agentes, voz, y una consola de admin blindada — que puedes poner en tu propia red. Todo corre adentro. Sin llamadas salientes. Sin datos que salgan de tu edificio. Misma superficie de herramientas que BFTS Chat, pero los datos y el cerebro nunca salen de la sala.
Por qué nos importa: Los distritos escolares, clínicas, legal del condado — somos los que estamos atrapados entre las reglas y el trabajo, y esto pone las herramientas donde ya estamos.
https://brownforces.io/solutions
El repo que detecta errores de datos antes de que te cuesten
Bjones ha armado un repo en GitHub llamado "Data Pitfalls" — una colección de errores comunes que la gente comete al trabajar con datos, explicados de forma clara para que los puedas detectar a tiempo. Si alguna vez te has quedado mirando una hoja de cálculo y te has preguntado por qué los números no cuadran, este es tu lugar.
El repo cubre lo que más le pega a la gente común: malinterpretar porcentajes, confundir correlación con causalidad, elegir los datos que se ajustan a la historia, y la clásica trampa de "lo vi una vez así que tiene que ser verdad". No está escrito para los data scientists de Silicon Valley.
Alex Ellis está apostando fuerte por Loops
Alex Ellis está publicando un nuevo post en su blog argumentando que Loops —el producto que ha estado armando— es la jugada del momento. Ha estado pensando en Loops por un buen tiempo, así que esto no es una revelación repentina. Es una acumulación constante de convicción.
Loops es lo que pasa cuando alguien que de verdad construye cosas decide armar su propia solución en vez de parchear las herramientas de otros. Es ese tipo de cosa que se prende cuando las alternativas se van poniendo más caras y más complicadas.
Por qué nos importa: cuando un builder como Alex empieza a marcar el ritmo, las herramientas cambian, y también lo hace quién puede competir en sus propios términos.
Anthropic le dio a Claude un cambio de diseño importante
Anthropic lanzó una actualización grande al sistema de diseño de Claude — las piezas visuales e interactivas que definen cómo lo usamos de verdad. Ahora puedes importar componentes más limpio, y Claude ya maneja los round-trips de código, lo que significa que el modelo puede escribir código y luego leer de vuelta los resultados sin perder contexto.
La actualización también le da a Claude su problema de token-burning. Los tokens son cómo Claude cuenta las palabras y cobra por uso; si quemas muchos, la factura sube rápido.
Mobileye Is Launching Its Own Robotaxi Service in the US
Mobileye, Intel's vision and self-driving subsidiary, is entering the US robotaxi market directly — not just selling sensors to carmakers, but running its own service.
The company's been building the pieces for years: cameras, radar, and its SuperVision driver-assist system that's already in cars from Ford, BMW, and Nio. Now it's flipping the model. Instead of licensing that stack to OEMs and waiting for them to build robotaxis, Mobileye is operating one itself. That's a different kind of bet — you have to run the fleet, handle the maintenance, and deal with regulators on the ground.
This isn't the first shot at robotaxis (Waymo and Cruise have been at it for years), but Mobileye's approach is notably different. They're going standalone instead of riding on someone else's platform. Whether that pays off depends on a few things: can they keep the sensors cheap enough to scale, and can they actually run a fleet that people trust.
Why this matters for us: if robotaxis ever roll out in our neighborhoods, the companies that own the technology on the ground — not just the ones with the fanciest branding — are the ones that set the rules for pricing, access, and whether our communities get left behind.
Google acelera respuestas de IA con prefix caching
Google acaba de lanzar prefix caching para su GKE Inference Gateway, una función que guarda respuestas repetidas de la API para que las mismas consultas no tengan que pasar por el modelo otra vez. El resultado: respuestas más rápidas y facturas más bajas para quien llame a la API.
Lo que hace el prefix caching es simple: cuando tu app hace la misma petición dos veces, el gateway sirve la copia cacheada en lugar de mandarla por todo el pipeline de inferencia. Es el mismo truco que usa tu abuela — no cocines lo mismo dos veces si ya tienes sobras.
Tu SQL NOT IN está roto (y nadie te lo dijo)
Si alguna vez ejecutaste un subquery con NOT IN y te devolvió nada — ni una sola fila — no estás loco. La base de datos no está rota. Está haciendo exactamente lo que el spec de SQL dice que debe hacer.
El truco es que NOT IN no es realmente un operador especial. Es NOT (columna IN (...)). Entonces, cuando tu subquery devuelve un NULL, todo se colapsa. 5 NOT IN (1, 2, NULL) es NOT (5 = 1 AND 5 = 2 AND 5 = NULL), y 5 = NULL es NULL, no TRUE. Así que obtienes NULL, que se trata como FALSE. Todo desaparece.
¿La solución? Usa NOT EXISTS o LEFT JOIN ... IS NULL si tus datos tienen NULLs. O envuelve el subquery en COALESCE. Pero honesto, la mayoría de nosotros solo le damos vuelta y seguimos.
Por qué nos importa: muchos de nosotros que programamos, armamos side hustles, o manejamos bases de datos en el trabajo hemos estado escribiendo queries que devuelven resultados incorrectos en silencio — y nos hemos estado echando la culpa por meses.
PostgreSQL lanza pg_kpart v10 para particionar más rápido
PostgreSQL lanzó la versión 10 de pg_kpart, su extensión de particionamiento. La versión ya está disponible en la página de noticias de PostgreSQL.
El particionamiento es cómo cortas tablas grandes en pedazos más chiquitos para que las consultas no tengan que escanear todo. pg_kpart hace que eso sea más fácil de configurar y manejar. La versión 10 trae mejoras en cómo la extensión maneja esos pedazos.
PostgreSQL ha sido silenciosamente una de las bases de datos más usadas en el mundo — del tipo que ves corriendo el backend de apps, APIs y data pipelines, no solo en las grandes empresas de tecnología.
Databricks lanza LakeHouseRT para datos en tiempo real
Databricks está lanzando LakeHouseRT, una nueva versión de su plataforma lakehouse diseñada para cargas de trabajo en tiempo real. La actualización permite a las empresas ejecutar análisis y consultas de streaming sobre los datos a medida que llegan, en lugar de esperar a que terminen los procesos por lotes.
El lakehouse ha sido la apuesta de Databricks para competir con el modelo tradicional de data warehouse — combinando la flexibilidad de los data lakes con el rendimiento de los warehouses. Pero el tiempo real ha sido la parte complicada. La mayoría de los lakehouses están diseñados para procesamiento por lotes, no para las actualizaciones de milisegundo a segundo que necesitan las apps modernas. LakeHouseRT cierra esa brecha.
Por qué nos importa: Databricks está tratando de que sus herramientas de datos funcionen más rápido para el tipo de negocios que se mueven rápido — retail, logística, delivery, y el resto de las empresas que no pueden esperar a los jobs por lotes de la noche.
La migra del costo de infraestructura ya no corre con CPU
El procesamiento de datos se está convirtiendo en una carga de trabajo de GPU. La nueva investigación de Anyscale rastrea cómo está cambiando la tarea — y qué significa para la gente que corre servicios sobre esa computación.
El cambio es real. Las cargas de trabajo de procesamiento de datos, que antes eran dominio de las CPU, cada vez más corren en GPU. El análisis de Anyscale muestra que esto ya no es una tendencia marginal — está cambiando la economía de quién puede servir. La gente que controla las GPU está poniendo el precio. La migra del costo de infraestructura ya no corre con CPU.
TLDR Data suelta su último boletín — lo que está moviéndose
Dan Newman de TLDR publicó otra ronda de actualizaciones sobre datos y tecnología. El boletín es conocido por cortar el ruido con cosas como comparaciones de modelos de IA, movimientos del mercado cripto y nuevas herramientas que llegan al ecosistema.
Esta edición cubre a los sospechosos de siempre — nuevos datasets, benchmarks de modelos de IA y financiamiento de startups — pero el verdadero valor está en la curación. TLDR ha construido una reputación de surfear historias que la gente trabajadora de Brown realmente necesita saber, no los mismos press releases de Silicon Valley que todos repostean.
El boletín se ha convertido en un go-to para la gente que trata de mantenerse afilada sin ahogarse en newsletters. Si estás cansada de leer las mismas historias diez veces en diferentes outlets, el enfoque de TLDR de elegir lo mejor y seguir adelante es exactamente lo que la comunidad necesita. Sin relleno. Sin citas falsas. Solo lo que está pasando.
Por qué nos importa: cuando recibimos actualizaciones precisas y sin filtro sobre tecnología y mercados sin el spin de PR de siempre, podemos tomar decisiones reales sobre nuestro dinero, nuestros side hustles y dónde están aterrizando las próximas oportunidades.
TLDR Data's latest roundup for the data crew
TLDR Data dropped a new issue for the data crowd. The newsletter — run by Dan, who's been curating data news for a while now — covers the tools, papers, and stories that actually matter to people working with data day to day.
What TLDR Data does differently is the curation. Instead of dumping a hundred links, they pick what's worth your time — new datasets, interesting papers, tooling updates — and write it in plain English. No jargon. No hand-wringing over whether you're behind. Just the stuff.
Why this matters for us:
Tu IA local ya es buena, y no necesita la nube
El hype de los modelos de IA en la nube (GPT-4, Claude, Gemini) tiene un problema: para la mayoría de las personas, es demasiado. Alex Ellis lo dice claro en su post — los modelos de código abierto y los que corren en tu propia máquina ya están compitiendo y, en muchos casos, superando a los grandes modelos en velocidad y costo. La tendencia es clara: cada vez más gente está corriendo sus propios modelos en casa o en servidores pequeños, sin depender de la nube.
Pero aquí está el punto que no se cuenta tanto: si tu IA corre local, necesitas que todo lo demás también esté listo para ella. Los sistemas de diseño (design systems) que los equipos de ingeniería usan — las reglas, componentes, y patrones que guían cómo se construye software — están empezando a ser "especificados" para que los agentes de IA los entiendan. La gente de Evil Martians muestra cómo diseñar sistemas que funcionan para humanos Y para máquinas.
Esto tiene que ver con algo más grande: la descentralización del poder de la IA. Cuando los modelos corren local, no pagas por cada token. No dependes de una API que sube precios. No estás atado a la infraestructura de los grandes. Y si tu sistema de diseño está pensado para agentes, puedes automatizar más del trabajo repetitivo — el tipo de trabajo que te hace perder tiempo a ti y a tu equipo.
Por qué nos importa: cuando la IA se queda en tu máquina y no en la nube de los grandes, el control vuelve a nosotros — y eso cambia quién gana dinero, quién pierde tiempo, y quién decide cómo se construye el futuro de la comunidad.
Zuckerberg lanzó una fiesta para sus trabajadores — y luego los despidió a la mayoría
Mark Zuckerberg cerró el hackathon anual de Meta con un mensaje que sonó como un chiste que nadie se rió: la compañía había despedido a unos 1,000 empleados desde que empezó el evento.
El hackathon en sí fue del tipo de espectáculo que uno ve en Silicon Valley — empleados presentando ideas, equipos trabajando hasta altas horas de la noche, una sensación de impulso creativo. Pero los despidos son parte del recorte de costos que Meta viene haciendo. La compañía ha estado reduciendo su fuerza laboral durante meses mientras se voltea fuerte hacia la IA, intentando que la tecnología pague por sí misma.
TLDR's daily digest keeps up with the tech that changes how we work
TLDR is a daily newsletter that's been quietly growing into one of the most read tech digests out there. Instead of dumping you into a 50-article feed, they curate what's actually worth knowing — AI tools shifting how people work, policy changes that ripple into communities, and startups building things that touch the people we know.
The newsletter's strength is in its pacing. It doesn't try to cover everything, and it doesn't pretend every item is a big deal. You get the signal without the noise, which is what we need when we're already juggling family, work, and the side hustle.
Why this matters for us: staying sharp on tech doesn't have to mean subscribing to five different feeds and drowning in noise — TLDR keeps it lean so we can move through the day without missing what actually shifts the ground.