La migra se mueve: chips, IA y la infraestructura real
Microsoft, Ruben Llorach y la nueva capa de routing se pelean por lo mismo: que la IA funcione de verdad, no en slides. Los chips se rediseñan con modelos chicos; la infraestructura migra a datos locales; los chatbots se vuelven viejos. Esto te toca a vos, primas, porque el hardware y el software que compra tu empresa ya lo están poniendo.
La nueva apuesta de Microsoft: $2.5B para meter ingenieros de IA dentro de tu empresa
Microsoft gastó $2.5 mil millones en una empresa frontier y ahora quiere meter ingenieros de IA dentro de las compañías que compran su nube. No es un producto — son personas. La idea: que el equipo de IA de la startup trabaje lado a lado con el equipo de ingeniería del cliente, no solo entregando APIs que se instalan y se olvidan.
Esto es diferente a los agentes autónomos que se prometen por todos lados. Son ingenieros — gente que escribe código, revisa PRs, se sienta en la misma sala o Zoom con tu equipo. Si funciona, es el modelo que realmente escala: la IA no reemplaza al ingeniero, lo multiplica. Si no funciona, es otro contrato caro con un logo bonito.
Porque al final, lo que importa para la comunidad Brown y Black que está construyendo startups en el Valle y en el Eastside — la gente que trabaja con Azure y AWS todos los días — es si este modelo reduce el gap entre promesa y realidad. Porque los ingenieros que se sientan dentro de tu empresa son los que realmente hacen que la tecnología funcione.
Por qué nos importa: los ingenieros de la comunidad que construyen con Azure y AWS se van a sentir el efecto directo — es el modelo que decide si la IA es un gasto o un equipo que trabaja contigo, no contra ti.
El enrutamiento de chips es uno de los problemas más duros del diseño — y un modelito está ganándole a los gigantes
Tom Tunguz escribe sobre el enrutamiento de chips, el rompecabezas 3D de tender miles de cables entre pines metálicos sin que se crucen ni se dupliquen. Las empresas de chips han gastado billones en software para resolverlo. Es el tipo de problema que la gente asume que necesita un AI grande — los de escala ChatGPT — pero el experimento BFTS muestra que un modelito, de cien milésimas del tamaño, lo está haciendo mejor con la receta de entrenamiento adecuada.
La prueba está en los números. Un modelito empezó resolviendo solo 12 puzzles de 5,008. Después de 30 minutos de entrenamiento, llegó a 85 — siete veces mejor. Por primera vez, resolvió un puzzle completo, los seis cables en su lugar. Una versión más grande del mismo modelo se rompió al inicio, pero el diagnóstico es claro: un bug de configuración conocido, no un problema de capacidad. Una prueba de $15 está corriendo para confirmar el fix.
La apuesta es real. BFTS está argumentando que los modelos pequeños y enfocados, entrenados con el objetivo correcto, le ganan a los gigantes generalistas en problemas especializados. El modelo de 7M va a open-source. El de 35M está cocinando detrás de escena con un nuevo objetivo RL — ya dejó de copiar demostraciones y ahora juega Tetris 3D contra sí mismo, encontrando caminos de cable que no habría descubierto por imitación. Esta es la diferencia entre memorizar y razonar.
Por qué nos importa: la próxima ola de AI no es sobre modelos más grandes — es sobre el modelo correcto, entrenado bien, haciendo trabajo real en el mundo, y la puerta open-source a eso se está abriendo ahora.
No consulting. Not support tickets. Actual engineers, sitting with the teams.
— geekwire.com
#microsoft-puts-ai-engineers-inside-your-company-1a7da2El enrutamiento inteligente de modelos es el cambio silencioso de infraestructura en 2026
Gergely Orosz acaba de publicar un piece en el blog de The Pragmatic Engineer sobre cómo los equipos están enrutando las peticiones de IA entre modelos en lugar de hardcodear todo a uno solo. La idea es simple: mandás las consultas baratas a un modelo barato y los jobs grandes a uno más fuerte, y la capa de enrutamiento decide cuál es cuál. No es un producto flashy — es plumbing — y eso es justo por qué importa.
Las piezas ya existen. OpenAI, Anthropic, Google, y los open models todos tienen APIs que aceptan la misma entrada y devuelven la misma salida.
El motor de Ruben Llorach diseña chips — y aprende rápido
Ruben Llorach está armando un motor creativo con Claude que puede tomar un diseño de chip y acomodar el routing — los cables que conectan cada pin — en 2 segundos en una sola RTX 5090. El modelo tiene apenas 34M de parámetros y aprendió razonamiento espacial 3D de los ejemplos. No necesita reglas escritas a mano; aprendió la geometría, el evitar obstáculos y seguir los cables mirando ejemplos.
Lo que más mola es que la parte difícil del chip routing — coordinar cientos de nets entre múltiples capas sin choques — es el mismo problema que hace que el software EDA cueste $50k al año.
Los chatbots se están envejeciendo — y la siguiente ola ya está aquí
Simon Willison está escribiendo sobre lo que pasa cuando la novedad de los chatbots se gasta y empieza el trabajo de verdad. El artículo rastrea el cambio de chatbots como novedad a chatbots como infraestructura — la forma en que antes hablábamos de las APIs, y luego se volvieron invisibles. Los que sobreviven son los que dejan de intentar ser charlatanes y empiezan a hacer trabajo real.
Es un artículo tranquilo. Sin hype, sin claims grandes. Solo una mirada honesta al estado actual de la tecnología y hacia dónde va. El tipo de cosa que importa más que los anuncios.
Por qué nos importa: así es como van a cambiar las herramientas que usamos — y las que importan para nuestras comunidades son las que dejan de hablar y empiezan a hacer.
Nos gusta más Anthropic que OpenAI
Kristen Berman escribe por qué se quedó con Anthropic y dejó a OpenAI — y no lo hace a la ligera. Ha dado muchas vueltas. Su punto es práctico: el modelo de Anthropic es más honesto sobre lo que sabe y lo que no. Los modelos de OpenAI son más grandes, más brillantes y más dispuestos a inventar. Para el trabajo que importa —el que cuesta cuando te equivocas— Berman dice que quieres el que te avisa cuando está adivinando.
El artículo se enmarca en una conversación más larga sobre la confianza en la IA. gpt-4 de OpenAI fue el primer modelo que se sintió útil para la mayoría. claude de Anthropic ha sido el que se siente honesto.
Basta con el teatro de la confianza en LinkedIn
Diandra Escobar está llamando la atención sobre la performance de LinkedIn donde todos suenan como si llevaran años usando IA — y el copy ya empieza a mostrar las costuras.
Su punto es simple y afilado: los posts que suenan seguros pero no dicen nada son los que señalan que el campo está lleno de gente actuando expertise en lugar de hacerlo. La confianza es teatro. La sustancia es delgada. Cuando el copy empieza a sonar como la misma plantilla con diferentes sustantivos, esa es la señal.
Este es un filtro útil. Si estás escribiendo sobre IA para una audiencia Brown y te encuentras diciendo lo mismo que todas las otras voces — "el futuro está aquí," "transforma tu workflow" — probablemente estás haciendo el teatro. La solución es decir una cosa concreta y decirla en plano.
Por qué nos importa: mucho del ruido de la IA es solo gente fingiendo saber de lo que hablan — la misma cosa, diferente fuente. Si cortamos por eso, la señal real se escucha más fuerte para la gente que realmente la necesita.
La residencia de datos es un problema de infraestructura, no legal
El artículo en Hacker Noon — el que TLDR Data señaló — hace un punto limpio: mantené tus datos donde los querés, y diseñá tu stack para que coincida. La residencia de datos no es un checkbox de compliance. Es una pregunta de cañerías.
El autor lo plantea en un piece que el sistema marcó como aiexplainerworthy. La idea es simple: un montón de equipos tratan la residencia como si estuvieran firmando papeles para un abogado. En la práctica, se trata de dónde viven los bytes y por qué red cruzan. Elegí tu región. Enrutá tus writes. El resto se sigue.
Chrome por fin trae el elemento <usermedia> para cámara y micrófono
Chrome ya tiene el elemento <usermedia> — una forma nativa y declarativa de agarrar streams de cámara y micrófono sin JavaScript. En vez del boilerplate de navigator.mediaDevices.getUserMedia(), pones un solo tag y el browser maneja el permiso, el stream y la limpieza. Es de esas cosas que suenan pequeñas pero le ahorran fiddly code a los dev.
El elemento acepta mediaType en 'video' o 'audio', apunta a un device específico, e incluso restringe qué track usar. El permiso se pide una vez y se cachea, así que la gente no se llena de prompts en cada carga. Si la cámara se desconecta o el permiso se niega, el elemento queda en un estado degradado sensato en vez de romper el layout.
Por qué nos importa: la gente tiene cámaras en sus phones — ahora los sitios pueden usarlas sin el desmadre de JS, y eso significa herramientas más baratas y simples para nuestras comunidades.