La IA Por Fin Está Aprendiendo a No Dormir
Los agentes de IA de larga duración ya no solo hablan. Están haciendo cosas. DoorDash, Kelex y otros están construyendo herramientas que realmente recuerdan lo que estaban haciendo ayer. La gente por fin tiene IA que se queda en el trabajo en lugar de irse a casa cuando termina la conversación. Este es el cambio silencioso de la IA que solo habla a la IA que hace el trabajo.
Dragonfly de Qualcomm: Un chip modular de IA diseñado para Meta
Qualcomm acaba de presentar Dragonfly, un procesador de IA modular diseñado específicamente para los data centers de Meta. El chip le permite a Meta personalizar la disposición del núcleo según la carga de trabajo — entrenar modelos de lenguaje grandes, ejecutar inferencia o manejar búsquedas. En lugar de comprar un chip de talla única, Meta puede construir el chip que necesita. Esta es la jugada de Qualcomm para entrarle a la infraestructura de IA de Meta.
Meta ha estado construyendo sus propios chips en silencio por años, alejándose del dominio de NVIDIA en hardware de IA. Dragonfly es la apuesta de Qualcomm de que la modularidad gana a la potencia bruta a largo plazo. La compañía se posiciona como la alternativa para empresas cansadas de los precios y restricciones de suministro de NVIDIA. Qualcomm lleva décadas en el juego de los chips, conocida principalmente por los procesadores de teléfonos. Ahora va por el mercado de data centers — el lugar donde realmente corre la IA.
Por qué nos importa: Mientras Qualcomm y Meta le van quitando terreno al monopolio de IA de NVIDIA, tenemos una oportunidad de más competencia en el hardware que alimenta nuestras apps, búsquedas y las herramientas de IA que usamos a diario.
La guerra por otros medios
The Palladium Letter acaba de publicar un ensayo titulado "War by Other Means" — sin autor, solo un link al piece. Una lectura rápida, sin adornos.
El título solo ya hace el trabajo pesado. Es de esas piezas que aterrizan entre la historia, la estrategia y los cambios silenciosos que están pasando ahorita. No hace falta sobre-explicar lo que ya está en el título.
Por qué nos importa: a veces los cambios más grandes en cómo funciona el poder no llegan con sirenas — llegan en cartas que se filtran entre el ruido.
Modelos de difusión: cómo se hacen las fotos con IA
Cuando escribes "a cat wearing a sombrero on a rooster" en DALL-E o Midjourney y aparece una imagen, un modelo de difusión está haciendo el trabajo. No está copiando y pegando piezas. Está construyendo la imagen desde cero, como cuando preparas un platillo—capa por capa, hasta que se ve bien.
Aquí está el truco. El modelo empieza con estática pura—como una tele sintonizada en un canal muerto. Luego va quitando el ruido, poco a poco, hasta que emerge una imagen coherente. Cada paso quita un poco más de borrones y añade un poco más de estructura.
Piénsalo como revelar una foto en el cuarto oscuro. El baño químico saca la imagen de la neblina. La difusión hace lo mismo, pero en digital, y lo suficientemente rápido como para hacerlo en segundos.
El modelo aprendió a hacer esto viendo millones de fotos. Memorizó patrones—cómo van los ojos arriba de la boca, cómo caen las sombras, cómo se ven las plumas del gallo. Cuando le das un prompt, usa esos patrones para sacar las formas correctas del ruido.
Por eso los modelos de difusión pueden generar imágenes tan detalladas. No están solo reordenando fotos viejas. Están creando nuevas, guiadas por los patrones que aprendieron.
Por qué nos importa: Los modelos de difusión son el motor detrás de la mayoría del arte con IA que ves hoy—desde las fotos que tu abuela publica en Facebook hasta los anuncios en tu celular. No es magia. Son matemáticas que aprendieron a pintar.
Tip para la próxima: Cuando obtengas una foto que te guste, pídele al modelo que "añada más detalle" o "que se vea más real." Verás que el modelo ajusta de la misma manera—afinando los bordes, afilando los colores, sacando la imagen del ruido una vez más.
16 gigawatts — más de lo que algunos estados enteros generan de todas las fuentes combinadas.
— time.com
#tesla-y-sunrun-se-ponen-las-pilas-para-alimentar-los-data-centers-d93ba9Agrupando texto sin estructura con embeddings de LLM y HDBSCAN
Tienes un montón de texto sin estructura — reseñas de clientes, tickets de soporte, publicaciones en redes sociales — y necesitas descubrir qué hay dentro sin tener que leer cada línea tú mismo. El truco ahora es dejar que un LLM convierta cada fragmento en un vector, y luego agrupar esos vectores con HDBSCAN.
HDBSCAN encuentra grupos de densidad variable y etiqueta automáticamente los valores atípicos como ruido. A diferencia de KMeans, no tienes que adivinar cuántos grupos hay. Introduce unas cuantas miles de oraciones, observa cómo el algoritmo las divide en grupos naturales, y luego pidele a un LLM que nombre cada grupo.
Kelex: Agentes de largo plazo que realmente recuerdan
La mayoría de los frameworks de agentes tratan cada ejecución como un chat nuevo. Sin memoria real. Sin marcado progresivo. Sin modelo de tenants. Sin auditoría.
Los builders que quieren un agente de largo plazo — uno que recuerda al usuario a lo largo de meses, que retoma donde se quedó, que marca lo que no puede decidir — terminan escribiendo el sustrato ellos mismos.
Kelex es ese sustrato, productizado:
• Memoria tipada
• Tenants y agentes como objetos de primera clase
• Confianza acotada con marcado progresivo
• Webhooks para human-in-the-loop steering
Lo usamos para correr Lara y el stack de contenido de BFTS antes de venderlo.
Por qué nos importa: Si estás construyendo productos de agentes para comunidades Brown — para la gente — necesitas agentes que los recuerden, no agentes que traten cada conversación como un desconocido que entra por la puerta.
Por qué los equipos de datos técnicamente excelentes tienen problemas para hacer impacto
TL;DR Data — un newsletter que lleva activo desde 2018 — escribió sobre por qué los equipos de datos técnicamente excelentes a menudo tienen problemas para crear impacto. La respuesta no es que sean malos en datos. Es que están resolviendo los problemas equivocados.
El artículo pasa por ejemplos específicos. Un equipo pasa meses construyendo un modelo sofisticado. Es técnicamente impresionante. El negocio apenas lo nota porque el modelo no toca las decisiones que mueven los ingresos. Otro equipo construye un dashboard hermoso. Los datos están limpios. Las visualizaciones son nítidas.
Zalando mueve el balanceo de carga al lado del cliente
Zalando — el gigante alemán de e-commerce con $16B en ingresos anuales — está moviendo su lógica de balanceo de carga del lado del servidor al lado del cliente. La idea es simple: en lugar de que cada servidor decida qué backend debe manejar una petición, el cliente decide antes de hacer la llamada. Esto elimina un salto, reduce la latencia y escala más limpio a medida que crece el tráfico.
El balanceo de carga del lado del cliente ha existido por años en sistemas distribuidos, pero el movimiento de Zalando destaca por qué está ganando tracción ahora. A medida que los patrones de tráfico se vuelven más impredecibles — temporadas pico, ventas relámpago, picos navideños — tener clientes que enruten sus propias peticiones significa que el sistema se mantiene responsivo sin necesidad de sobreprovisionar servidores. La contrapartida es que los clientes se vuelven más inteligentes y complejos, pero la recompensa es velocidad y ahorro de costos a escala.
Por qué nos importa: las apps y servicios que usamos todos los días — desde rastreo de entregas hasta procesamiento de pagos — están construidos sobre sistemas como este. Cuando las empresas encuentran formas de hacerlos más rápidos y baratos, eso usualmente significa servicio más rápido y costos más bajos para la gente que depende de ellos.
Programar en Markdown está de moda
Matt Garman, CEO de Amazon Web Services, está apostando a que la próxima generación de software se escribe de otra forma. El argumento es simple: ¿por qué escribir boilerplate cuando un modelo puede generarlo, y por qué memorizar sintaxis cuando puedes describir lo que quieres en texto plano? El tooling está alcanzando el nivel. GitHub Copilot, Cursor, Claude Code y otros han convertido el editor en una conversación, no en un ejercicio de dictado.
El cambio es más que un hack de productividad. Está cambiando qué tipo de gente puede construir software.
Un fondo de $500 millones para acabar con el resfriado común
The Intercept Foundation está poniendo $500 millones para desarrollar una sola vacuna que podría prevenir todas las cepas conocidas del resfriado común. El dinero va hacia investigación y ensayos clínicos enfocados en los rinovirus y otros virus que causan resfriados año tras año.
El resfriado común ha sido terco y difícil de conquistar. A diferencia de la gripe, que cambia lo suficiente entre temporadas como para que una nueva vacuna cada año tenga sentido, el resfriado es causado por una familia de virus relacionados que pueden atacarse juntos — si la ciencia finalmente se alinea. The Intercept Fund está apostando a que una vacuna de protección amplia está al alcance, y está poniendo dinero serio detrás de la apuesta.
Por qué nos importa: el resfriado le cuesta a las familias trabajadoras en dólares reales y días perdidos — y una vacuna que realmente pegue podría ser una de las pocas victorias en salud que toque cada hogar, no solo los que tienen buen seguro.
British Columbia cambió su zona horaria — y esto importa para los datos
British Columbia se pasa a la Hora Estándar del Pacífico de forma permanente, poniendo fin al cambio anual de reloj que ha acompañado a la provincia por más de un siglo. Ahora la provincia comparte zona horaria con el resto de la Costa del Pacífico — sin más adelantar ni atrasar el reloj cada primavera y otoño.
Para la mayoría de la gente, esto es solo una cosa menos que recordar un domingo por la noche. Para quien maneja bases de datos, agenda jobs o sincroniza datos entre zonas horarias, es un alivio silencioso. No más parseando el lío de "PST vs. PDT" en los logs. No más errores de un día cuando un job corre a las 2 a.m.
Los agentes de IA que se quedan encendidos por fin están funcionando
DoorDash, Zepto y Zalando están lanzando agentes de IA que no se reinician cada vez que parpadean. El patrón de antes era simple: encender el modelo, obtener una respuesta, apagarlo. Limpio, predecible, y caro a escala. El nuevo patrón es distinto. Los agentes se quedan en memoria, retoman donde lo dejaron y siguen trabajando mientras tú sigues haciendo scroll. La personalización en tiempo real de Zepto rastrea lo que quieres ahora mismo, no lo que querías hace cinco minutos. Los ingenieros de Zalando están moviendo el balanceo de carga del servidor al cliente para que las peticiones no reboten por el data center buscando la máquina correcta. El blog de ingeniería de DoorDash llama a esto el "viaje del ingeniero" con agentes de larga duración, y la palabra que más repiten es persistencia.
Esto importa porque la mayoría de los productos de IA todavía se construyen como calculadoras de un solo uso. Escribes un prompt, obtienes una respuesta, la sesión termina. Los agentes de larga duración cambian las cuentas. Son más baratos de mantener vivos que de reiniciar miles de veces al día. Recuerdan el contexto, así que no te preguntan lo mismo dos veces. Y pueden empezar a trabajar antes de que ni siquiera abras la app.
Por qué nos importa: Las apps que usamos todos los días se están volviendo más inteligentes sin complicarse más — y ese es el tipo de cambio que sí se nota en la cartera.
Ingenieros de DoorDash crean agentes de IA que no se apagan
DoorDash está implementando agentes de IA de larga duración para manejar trabajo que no cabe en consultas rápidas de un solo disparo. En lugar de activar un modelo, ejecutar una tarea y apagarlo, los agentes se quedan activos — monitoreando, respondiendo y encadenando decisiones a lo largo de periodos más largos.
Lo que cambia es que el trabajo de delivery es inherentemente continuo. Los pedidos no llegan en lotes ordenados; vienen en oleadas, con actualizaciones, reencaminamientos y mensajes de clientes que se amontonan mientras los anteriores aún se están procesando.
Loops, no prompts: cómo la IA está cambiando de charla a acción
Un nuevo artículo de Rico Sanches está circulando entre los desarrolladores. La tesis es simple: deja de obsesionarte con los prompts perfectos. Empieza a construir loops.
En vez de un solo prompt elaborado que intenta hacer todo, escribe código que genere una salida, la evalúe y regrese con un prompt más afinado. Repite. El sistema se mejora solo.
Esto es un cambio real en cómo los desarrolladores están pensando sobre la IA. Por años, la industria persiguió el prompt perfecto — ese que podía extraer exactamente lo que necesitabas de un modelo. Ahora el foco se está moviendo a sistemas que corren automáticamente, refinándose con el tiempo.
El artículo vale la pena leerlo si estás construyendo algo con IA. No se trata de reemplazar el prompt con código. Se trata de dejar que el loop haga el trabajo pesado.
Por qué nos importa: las herramientas que estamos construyendo para nuestras comunidades — la migra app, las herramientas de traducción, los directorios del barrio — necesitan funcionar sin que alguien nos tome de la mano en cada paso. Los loops son cómo eso pasa.
Matt Garman en AWS, la IA y lo que viene
Matt Garman se está metiendo en el puesto de CEO de AWS. La unidad de Amazon Web Services ha sido el motor de crecimiento de Amazon por más de una década. Ahora Garman —quien pasó su carrera en Microsoft antes de llegar a Amazon— se pone al volante mientras la IA está reconfigurando lo que las empresas realmente quieren de la nube.
La entrevista en Platformer cubre cómo AWS se está posicionando para el boom de la IA, qué está funcionando y hacia dónde va la compañía.
Para la comunidad
Tecnología que toca a la comunidad hispana
Estas historias pegan distinto para nuestra gente — tecnología migratoria, acceso al idioma, los sin banco, niños de color, derechos del trabajador gig.
El CEO de AWS: La IA está redefiniendo quién se queda y quién se queda atrás
Matt Garman, el nuevo CEO de Amazon Web Services, se sentó para una entrevista y soltó un punto bien claro: la IA no viene por todos los trabajos a la vez. Viene por trabajos específicos, y está cambiando el proceso de contratación de formas que le afectan directo a la gente que trabaja.
La idea es esta — las tareas que antes requerían años de experiencia ahora las hacen herramientas que cuestan centavos. Las empresas están recortando primero los puestos de entrada, y después subiendo. El resultado es un patrón de contratación donde la experiencia importa menos que antes, y la gente que se adapta más rápido es la que aprende a trabajar junto con las herramientas en lugar de competir con ellas.
Garman no se anduvo con rodeos. Dijo que las empresas están siendo más exigentes con quién contratan, y la barra se está moviendo hacia la gente que realmente sabe usar la IA en su trabajo diario. La entrevista señaló una tendencia más amplia: las empresas se están reestructurando alrededor de lo que la IA puede hacer ahora, no de lo que hará en cinco años.
Por qué nos importa: si eres Brown o Black y trabajas en tecnología, en puestos de apoyo, o en cualquier trabajo que toque una pantalla, el cambio es real y está pasando ahora — no después.