Issue 60 — 11 de julio de 2026
OpenAI lanza GPT-5.6 y los tokens de Solana — Terra y Luna — en apps y API
OpenAI ya mandó GPT-5.6, la última versión de su modelo estrella, junto con dos tokens nuevos — Terra y Luna — que viven en Solana. Los tokens están disponibles por las apps de OpenAI y la API, así que cualquier dev los puede agarrar sin andar buscando en exchanges.
Ternus y la pendiente resbaladiza de Apple
Nick Ternus escribió una pieza afilada en Daring Fireball sobre la dirección de Apple. No es un rant — es una observación medida sobre cómo se está inclinando el rumbo de la compañía, y lo difícil que es para la gente afuera verlo pasar.
Lo que está rastreando es la deriva lenta: features que antes le servían al power user se están depriorizando en silencio, decisiones de diseño que se ven bien hasta que notas el patrón en una docena de releases. El tipo de cambio que es invisible en un solo keynote de WWDC pero obvio seis meses después cuando intentas hacer algo a la vieja usanza y ya… no funciona.
Esto no es que Apple se esté echando a perder. Es que Apple se está yendo hacia un lado específico, y la gente que ama la Apple actual — los tinkerers, los devs, los que realmente usan las herramientas — no son los que están timoneando el barco.
Por qué nos importa: las herramientas que usamos para construir y para correr la bodega son de Apple. Cuando Apple deriva, nosotros derivamos con ella. Vale la pena prestarle atención antes de que el cambio sea un hecho consumado.
La pelea no es de ego — es de espacio en la mesa.
— theatlantic.com
#openai-y-anthropic-se-pelearon-la-mesa-y-la-gente-gano-7cb92eSpaceX AI lanzó Grok 4.5 — un modelo que de verdad piensa
SpaceX AI lanzó Grok 4.5 el 8 de julio de 2026. Elon lo llama un modelo clase Opus. No es la línea de marketing que escuchamos cada semana — significa que el modelo tiene razonamiento, planificación y capacidad para tareas de largo alcance, al mismo nivel que los mejores de OpenAI y Anthropic. Está construido sobre la misma base que su línea anterior de Grok 4, pero con suficiente capacidad y entrenamiento para competir con el resto del pack de frontier.
Lo interesante de este es el timing y la apuesta.
Los de tech están cansados, y el ánimo se está volteando
La encuesta más reciente de Lenny muestra que el ánimo cambió. Los despidos, el burnout y la carrera del AI dejaron a mucha gente sintiendo que la fiesta se acabó. Los titulares siguen diciendo que la industria está booming, pero la gente en el ground — los que hacen el trabajo real — cuentan otra historia.
Los números respaldan esto: más gente está dudando de su rol, más están mirando la puerta. La ansiedad no es solo por los jobs — es por la relevancia. ¿Lo que sabes va a importar en un año? ¿El AI se va a comer tu lunch? Nadie lo sabe seguro, y esa incertidumbre es lo que tiene a todos tensos.
Los datos son el único moat que queda — y por qué los big labs están en pánico
The Atlantic publicó un artículo sobre si OpenAI y Anthropic son realmente distintas o solo siguen el mismo playbook. La respuesta, según la escritora de TLDR Product, es que están convergiendo en la misma arquitectura de modelo y las mismas recetas de entrenamiento — lo que significa que la ventaja competitiva real se está moviendo de quién tiene el modelo más grande a quién tiene los mejores datos.
Los datos son difíciles de copiar. Un modelo que puedes descargar cualquiera lo puede reconstruir con una GPU. Las recetas que lo hacen bueno — el GRPO, el carry, el diversity stacking — esas son el moat real. Están en los pesos, no en los papers. Y una vez que una empresa tiene la data pipeline, los training loops, los datasets propios, y la gente que sabe leer las loss curves, eso es un muro que se compuesta. Una wall alrededor de un terreno vacío no es un moat — pero una wall alrededor de una buena ventaja de datos sí lo es.
El artículo vale la pena porque re-plantea toda la carrera de la IA en términos claros. Los big labs no están corriendo hacia un ceiling; están corriendo para asegurar los datos que hacen el ceiling más alto. Las que se dieron cuenta primero — y mantuvieron la receta en secreto — serán las que importen.
Por qué nos importa: la lección es la misma para cualquier empresa construyendo algo real — no es la marca ni el marketing lo que aguanta, es lo que no puedes simplemente copiar y pegar de un blog post.
Cómo cobrar por los tokens de los LLMs — un marco útil
Ben Evans plantea una forma de pensar en el precio de los tokens que sí coincide con lo que hace el negocio. La jugada clave: separar el costo de correr los tokens del valor que crean, y cobrar la diferencia. La mayoría de los modelos cobran por token, pero el token es solo una unidad de medida — la pregunta real es si el modelo recupera su costo de cómputo más un margen por el trabajo que hace.
Lo divide en tres partes. Primero, el costo crudo de cómputo por token, que baja a medida que los modelos mejoran. Segundo, la parte de valor — cuánto vale el token cuando resuelve un problema real para un cliente, ahí está el margen.