Claude Code en el iPhone, Roblox apuesta por world models y Gemini Flash de Google — un día tranquilo de herramientas reales.

Un error en el modo Copia de Claude permite que un agente se pase a otro usuario. Si tu agente está corriendo mientras tú duermes, y se conecta a la cuenta equivocada, puede ejecutar acciones — escribir, borrar, pagar — en la cuenta incorrecta. No es grave por sí solo: se puede configurar para ser estricto. Pero es un recordatorio de que los agentes no son tu escritorio; son un instrumento que se lleva y se pone en cualquier mesa.

La pieza es de TLDR InfoSec. El equipo que la escribe sabe de lo que habla; no es un rumor de Twitter. El fix está publicado. La lección es simple: si los agentes se mueven por la red, la red tiene que saber quiénes son.

Por qué nos importa: cada herramienta que instalamos para la comunidad — la migra app, la herramienta de la abuela para el correo — ahora corre agentes que hablan con otros servicios. Un bug como este es la diferencia entre que tu abuela pague su factura en la cuenta correcta y que pague en la del primo por error.

Anthropic lanzó Claude Code para iOS, y lo puedes correr directo en el simulador. Sin app store, sin wrapper. Es Claude Code mismo, compilado para Apple Silicon y hablando con la API como si estuviera en un terminal.

Simon Willison fue el primero en verlo. Ha seguido la red de partners de Claude desde los primeros días y sabe cómo aterrizan estas cosas. El par — Simon y Thariq — ha estado trabajando en esto un buen rato, y el resultado es lean: el modelo, el código, los prompts, todo corriendo en un Mac M-series sin la scaffolding de siempre.

Por qué nos importa:
Si las herramientas empiezan a correr nativo en nuestros Macs en vez de detrás de un wrapper web, se vuelven más rápidas, se quedan offline cuando se cae el internet, y dejan de cobrarnos por request. Esto es el futuro — silencioso, rápido, y bajo nuestros pies.

Google lanzó Gemini Flash, un modelo más rápido y barato que el Gemini Pro que reemplaza, y va directo a los modelos open-source como Mistral y Llama que le han estado comiendo la cena. El modelo es 40% más rápido en producción y cuesta casi la mitad. Corre sobre una arquitectura de 8B parámetros — no los modelos masivos de 70B+ que todos persiguen — y está optimizado para el trabajo que realmente se entrega: chatbots, búsqueda, generación de imágenes, la faena diaria.

La historia real no está en las specs. Es el timing. Los modelos open-source han estado mejorando cada trimestre y son más baratos. Gemini Flash es la respuesta de Google — un modelo que no necesita vencer a GPT-5 en su propio juego, solo hacer el mismo trabajo más barato y rápido. Para la gente que corre APIs, hospeda sus propios modelos, o elige entre vendors: este es el tipo de jugada que mueve los precios sin que nadie se dé cuenta.

Por qué nos importa: Google está haciendo los modelos más baratos y rápidos para que las herramientas de las que dependemos — búsqueda, docs, Translate — no se ralenticen cuando estamos intentando hacer las cosas.

Roblox está lanzando world models — el mismo tipo de IA que impulsa Sora de OpenAI y Sora 2 de Google — para generar entornos 3D a partir de una sola imagen. Le pones una foto y te construye un mundo jugable por donde puedes caminar. La tecnología está en sus inicios: la geometría es suelta, las texturas se ven un poco inestables y se notan las costuras. Pero la idea está clara. Roblox quiere pasar de ser una plataforma de juegos a un motor de creación, y está apostando a que la próxima ola de juegos y experiencias no se va a construir a mano, sino que va a crecer con IA.

Por qué nos importa: cuando un chavo de East LA hace un juego en Roblox, probablemente lo hizo con herramientas de IA — no porque un ingeniero de Silicon Valley se lo haya ordenado, sino porque las herramientas son más baratas, más rápidas, y los juegos que hacen son los que sus amigos realmente juegan.

Por qué nos importa: los world models son el primer paso hacia un Roblox donde cualquiera puede convertir un boceto en un mundo — y el chavo que dibuja el mejor boceto es dueño del IP, no el estudio.

TLDR DevOps escribió un post práctico sobre la evicción del prompt cache, comparando cómo Anthropic, OpenAI y Google manejan la caché KV en sus APIs de LLM. La caché permite que prompts repetidos reutilicen cómputo previo — si la caché se mantiene caliente, pagas menos. Si se evicciona, pagas de nuevo.

El artículo recorre mediciones reales: cuánto tiempo mantiene cada provider la caché activa, qué dispara la evicción, y cuánto ahorras manteniendo los prompts juntos en el tiempo. Los números varían por provider, pero el patrón es claro: la evicción es un costo silencioso que no notas hasta que llega la factura.

Para nosotros, este es el tipo de detalle de infra que aparece en el margen. Corremos modelos por múltiples providers y hacemos cache agresivo, así que la diferencia entre caliente y frío importa más de lo normal. Si logramos mantener la caché caliente entre nuestras llamadas a la API, los ahorros se acumulan.

Por qué nos importa: la caché es una palanca silenciosa — caché caliente significa menor latencia y menor costo en cada llamada que hacemos, y los providers no siempre te avisan cuando está a punto de expirar.

Meta está lanzando un generador de imágenes con IA que usa tus fotos de Instagram para crear nuevas fotos tuyas — la clase de cosa en la que no te das cuenta de que es fake hasta que miras más de cerca. La trampa: viene activada por defecto. Si tienes una cuenta de Instagram, estás adentro. Sin prompt para aceptar, sin ajuste especial que togglear. Solo empiezas a aparecer en sus resultados.

Esta es la clase de cambio silencioso que importa porque sigue pasando. Meta ha estado entrenando estos modelos con contenido de usuarios por años, pero ha sido lenta en decírselo a la gente. La tecnología funciona — y es buena para engañar. Eso es peor que malo. Es la clase de cosa que se va metiendo en cómo nos vemos.

Por qué nos importa: la gente usa Instagram como su segunda casa — fotos de familia, los niños, el cumpleaños de la abuela, la boda de la prima. Si Meta está usando nuestras fotos sin preguntar, no solo le damos datos, le damos nuestras caras.

Google open-sourced Mantis (github.com/google/mantis), una herramienta que busca secretos en tu código — API keys, tokens, credenciales — que se filtraron cuando pegaste prompts en tus editores o los dejaste en archivos de config.

Es el tipo de limpieza que antes era manual. Hacías grep por Bearer, por tu AWS key, por esas cadenas largas hexadecimales que parecen nada pero no lo son. Mantis lo hace automático y marca lo que hay que mover a un secrets manager de verdad. El proyecto es de Momen Basel y está disponible como CLI para correr antes de hacer commit.

Por qué nos importa: cada dev de Brown que pegó un prompt de Claude en su terminal dejó un token tirado. Mantis lo atrapa antes de que se filtre a un repo público.

Google lanzó un artículo largo sobre la economía del AI, y suena menos como un whitepaper de tech y más como un argumento sobre quién se lleva el dinero cuando se construye el AI.

El artículo cubre la pila de costos — chips, compute, data, y el trabajo que alimenta todo — y luego mapea cómo fluye el valor por el sistema. La tesis es simple: la mayor parte del dinero se queda con los chip makers y las plataformas de compute. Los modelos, las apps, los wrappers? Están apretando los márgenes.

Lo interesante para nosotros es la parte de infraestructura. Google se posiciona como la capa de fundación, lo que todos los demás tienen que rentar. Es la misma jugada que Intel hacía con x86, la misma que la Big Four está haciendo con las bank rails. Quien controla el substrate controla el toll.

Por qué nos importa: si el dinero fluye hacia el compute y los chips, las compañías que construyen encima — las que atendemos con herramientas y consultoría — están peleando por migajas. Tenemos que estar del lado de la fundación, no del lado del wrapper.