Varianza y el futuro — de la oficina a la comunidad
Hoy toca lo que la gente ve y lo que no: la varianza que se esconde en los números, cómo la gente la reduce, y por qué la oficina se siente distinta. De Vercel a la ruta que no se muestra, de fósiles de salamandra a cómo crece la comunidad cuando se sabe mirar.
Vercel cortó 10 SDRs y se quedó con 1 y Claude por $5,000 al año
La COO de Vercel, Jeanne Dewitt Grosser, presentó una forma nueva de armar equipos de ventas: una persona usando Claude para hacer el trabajo de diez sales development reps. Todo cuesta unos $5,000 al año — no los $1.2 millones en salarios que esperarías por esa cantidad de gente.
El mecanismo es simple. Claude se encarga del outreach frío, la calificación, el agendamiento y los follow-ups. La persona revisa y firma. No es un chatbot que copia y pega — es un agente que trabaja el playbook de SDR de punta a punta.
Por qué nos importa: la historia vieja siempre fue sobre la IA reemplazando knowledge workers escribiendo emails y resumiendo reuniones. El cambio real está pasando en el lado de los ingresos. Si un equipo de ventas puede ser una persona y una IA a la mitad del costo de tres personas, la economía de la adquisición de clientes cambia. Y la gente que compra esto — las startups de 50, los negocios familiares, los primos con sus side businesses — no necesitan un equipo de 10 SDRs. Necesitan una persona con buena memoria y buena pluma.
Por qué nos importa: las herramientas ya son baratas para que nuestras propias empresas corran ventas sin la bloat, y Claude es el motor haciendo el trabajo pesado.
La IA se comió el mercado de los junior devs. La corrección va lenta.
El post más reciente de TLDR (de Seldo) rastrea lo que le pasó a la programación de nivel entrada desde que llegó ChatGPT. La versión corta: las herramientas de IA se comieron el fondo de la pila. Las tareas que antes le iban a un junior —boilerplate, CRUD, scaffolding, tests, convertir un spec en una app que funciona— ahora las manejan los modelos por unos centavos. La cantidad de juniors se achica. Los puestos que quedan son los que un modelo no puede hacer solo: entender un pedido vago de un cliente, debuggear lo que el modelo se equivocó, y meter código que encaje con el resto del sistema.
Lo interesante es cómo se está acomodando el mercado. Los salarios en el fondo no se desplomaron; simplemente dejaron de crecer. Las empresas no están echando a los juniors a lo bestia, están contratando menos. Los puestos que sobreviven pagan un premium por el criterio: saber cuándo dejar que el modelo trabaje y cuándo corregirlo. Mientras tanto, las herramientas se están poniendo mejores, así que la vara sube sin parar. Lo que era trabajo junior el año pasado ya se está moviendo hacia nivel medio.
Para la gente de Brown que está aprendiendo a codear o ya está en la brecha, esto no es mala noticia —es una señal. El modelo de apprentizaje sigue funcionando; solo se ve diferente ahora. No necesitás ser el más rápido escribiendo código; necesitás ser el que puede leer la salida, ver los errores, y tomar la decisión. Ese es el trabajo que un modelo no puede hacer por vos, y es el que va a seguir pagando.
Por qué nos importa: los pibes que están aprendiendo a codear en nuestras comunidades todavía tienen camino por delante —los puestos están cambiando, no desapareciendo, y los que pagan bien son los que requieren criterio, no solo velocidad.
Mide la brecha entre lo que alguien podía hacer antes y lo que puede ahora.
— links.tldrnewsletter.com
#how-to-actually-measure-whether-learning-happened-162c59La varianza que la gente no ve — y cómo la reducen
Los datos vienen en granos — filas, usuarios, transacciones. La varianza se esconde entre esos granos: el ruido que hace que un experimento parezca ganarlo todo cuando en realidad es puro azar.
La técnica clave es tomar la varianza por granos y promediarla — no la varianza total, la que vive dentro de cada fila. Si mides mal el grano, mides el ruido. Si lo aciertas, ves la señal real. Es el tipo de corrección que parece menor hasta que deja de mentirte.
Por qué nos importa: los experimentos que decimos que "funcionan" a menudo son ruido disfrazado.
Anthropic pone las herramientas de ciencia de Claude en un solo banco de trabajo
Anthropic lanzó hoy el Science AI Workbench de Claude — un conjunto de herramientas para investigación que viven bajo un mismo techo. Agrupa a Claude Research (el modelo de razonamiento largo) con una interfaz tipo cuaderno, ejecución de código y una capa de búsqueda sobre arXiv y otros papers. Le puedes pedir que lea y compare papers, y luego ejecute el código que escribe para verificar los resultados — todo sin salir de la página.
El workbench está construido sobre Claude Sonnet 4.5, que Anthropic dice hace el trabajo pesado para tareas intensivas de razonamiento.
El mantenimiento de proyectos open-source está cambiando — y el copilot tiene que ver con eso
GitHub Copilot mejoró en usar tokens — la forma en que cobra — sin perder calidad. La actualización hace que la misma salida del modelo cueste menos por línea de código. Suena pequeño en el papel. No lo es.
La eficiencia de tokens es el motor silencioso de la era de la IA. Cada modelo cobra por token, y cada proyecto paga con ellos. Cuando copilot recorta lo gordo, recorta el costo para todos los que lo usan. Más importante aún, recorta la fricción entre lo que escribe un mantenedor y lo que el modelo sugiere. El resultado: reviews más rápidas, menos idas y vueltas, y menos ventana de contexto desperdiciada en ruido.
Esto no es solo una historia de copilot. Es una señal para el mantenimiento de proyectos open-source en la era de la IA. La gente que mantiene los repos vivos ahora escribe junto a modelos que cobran por token. Los proyectos que aciertan con la cuenta de tokens pueden permitirse más ayuda sin pasarse del presupuesto. Los que no, lo van a sentir en cada PR.
Por qué nos importa: las herramientas que hacen el código más barato de producir también lo hacen más barato para los equipos de Brown, los negocios de la gente y la tía que acaba de abrir su tienda — todas reciben la misma ayuda de IA sin que la cuenta se engorde.
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 mercado de los junior devs se rompió con la IA — y ahora se está reconstruyendo
Sam Altman lo dijo sin rodeos: el mercado de los programadores junior fue destrozado por la IA. Los posts de la gente que está en las trincheras lo confirman — las personas que hacen el trabajo están viendo lo que los modelos le hacen a los puestos de entrada, y es real.
Esto no es un bache pasajero. La IA ha estado comiéndose el trabajo de nivel base por un buen tiempo, pero el daño ya se está viendo en los números. El mercado de entrada no solo se hizo más chico; se transformó. Lo que antes era la escalera — los puestos junior que enseñaban lo básico — está siendo reemplazada por herramientas que hacen el trabajo directamente.
El artículo vale la pena porque no lo escribió alguien que vende IA por oficio. Lo escribió alguien que escribe sobre herramientas y las usa, y el análisis aguanta. Está categorizada como aiexplainerworthy — trata sobre el oficio de explicar las cosas con claridad, no sobre una herramienta o vendor en particular. Esa es la clase de cosa que sobrevive un par de ciclos de herramientas.
Por qué nos importa: la gente que arranca en puestos junior está siendo apretada, y los caminos que antes funcionaban se están cambiando — lo que significa que la formación, los aprendizajes y el mentorazgo que construimos a través de Brown Forces se vuelven la diferencia entre quedarse atrás y avanzar.
Fósil de axolotl — el primer salamandra fósil de México
Los científicos identificaron Ambystoma quetzalcoatli, una nueva especie fósil de axolotl, en México. Es la primera salamandra fósil descrita formalmente del país — no solo un fragmento, sino una especie. El nombre honra a Quetzalcóatl, la serpiente emplumada. El fósil está en un museo; su verdadero impacto está en la línea del tiempo. Las axolotls ahora tienen una presencia documentada que se extiende millones de años atrás.
Las axolotls son famosas por su neotenia — conservan sus branquias, viven en el agua, y nunca se metamorfosean. Eso las hace raras de emparejar con fósiles, y es por eso que esta identificación importa: muestra que la línea es vieja y está enraizada geográficamente, no solo una curiosidad de laboratorio. Encontrar un fósil de una en México significa que la historia del animal está atada a la tierra, a las cuencas y lagos que la tuvieron mucho antes de que los científicos la recogieran para una tienda de mascotas.
Por qué nos importa: es un recordatorio de que las cosas que pensamos como extrañas — la salamandra con branquias, la prima que se ve diferente — tienen un lugar profundo en este país. La axolotl es mexicana. El fósil lo confirma. La gente ya lo sabe; la ciencia apenas se puso al día.