La gente confía en su tía, no en los anuncios
Los influencers te dicen qué comer, cuándo dormir, y por qué te duele la espalda. Tu tía en Instagram te dice qué tomar para la presión — y tú la crees. La gente busca salud en redes, no solo en el médico. Moms, coaches, and doctors are your new health guides — not ads. Por qué nos importa: si tu comunidad no confía en los anuncios, no puedes venderles con anuncios.
Inteligencia bruta — y por qué es la ventaja real ahora
Benn escribe sobre una idea sencilla que ha estado escondida a la vista: los modelos que están ganando no son los de arquitectura más elegante. Son los que le meten fuerza bruta al problema hasta que funciona.
El truco está en saber qué empujar con fuerza bruta. Gastos más compute en lo de menos es caro y no da nada. Gastos más compute en lo de más — lo que realmente rompe el techo — se paga solo. Esa es la diferencia entre quemar capital y construir algo que se queda.
Lo que cambió es la curva de costos. El compute es barato ya para que la fuerza bruta sea una estrategia real, no un plan B cuando no se te ocurre algo ingenioso. Los modelos que pueden permitirse intentarlo más fuerte, y los que saben en qué dirección empujar, van ganando. El resto sigue discutiendo qué variante de transformer es la mejor.
Por qué nos importa: la comunidad está llena de gente que trabaja duro y se las arregla — los que no tienen títulos fancy pero aparecen y hacen el trabajo. La inteligencia bruta es lo que ellos hacen. Los modelos que se acercan a eso son los que realmente le servirán a gente como nosotros, no solo a los que los están escribiendo.
El navegador es el nuevo sistema operativo, y Claude lo está tomando
Lenny está escribiendo sobre cómo Claude Opus se está convirtiendo en un agente de navegador — no solo una caja de chat, sino algo que realmente navega páginas, llena formularios, hace clic en botones y lee lo que hay en pantalla. El detalle clave: no es un wrapper de ChatGPT. Está construido sobre el motor de razonamiento propio de Claude, lo que significa que puede planificar tareas de múltiples pasos en lugar de solo responder preguntas.
Lo que cambió es la interfaz. Antes abrí Claude, escribías un prompt y recibías texto. Ahora abres Claude en el navegador, y es el navegador — ve las pestañas, lee elementos del DOM y hace cosas. Para la persona que trabaja y maneja una docena de pestañas entre el banco, las apps de gig y el calendario del cónyuge, esta es la diferencia entre un chatbot inteligente y un asistente real.
El panorama más amplio: la búsqueda se está volviendo menos sobre encontrar links y más sobre hacer cosas. Google sigue siendo el rey de los links. Claude está construyendo el rey de las acciones. Las empresas que envían agentes que realmente funcionan — que pueden revisar tu email, reservar un vuelo, leer tu recibo de pago — se comerán a las empresas que solo escriben posts de blog sobre IA.
Por qué nos importa: la gente que trabaja con las manos y los celulares es la que más se beneficia — un agente de navegador que lee tu recibo, tramita tu papeleo y detecta estafas antes de que lleguen a tu cuenta vale más que cualquier demo de Silicon Valley.
Decodificación especulativa: el draft que acelera tu LLM sin perder calidad
La decodificación especulativa es un truco que hace que un modelo grande responda más rápido sin cambiar su respuesta.
El modelo grande —digamos un Llama 70B— es como un abuelo que piensa cada palabra antes de decirla. Es preciso, pero lento. El truco es meterle un ayudante pequeño (un modelo de 1–3B) que propone los próximos tokens de corrido. El modelo grande recibe la propuesta en un solo batch y verifica cada token a la vez — si uno no le convence, lo rechaza y sigue.
Es como cuando la mamá cocina para toda la familia: ella pone la carne al fuego y los primos cortan las papas al mismo tiempo. No se pisan; cada quien hace lo suyo. El resultado es el mismo plato, pero llega antes a la mesa.
Lo que hace este truco en la práctica: 7–10 tokens por segundo en una sola tarjeta — casi el doble — y, lo mejor, cero pérdida de calidad. Cada token es idéntico al que habría escrito el modelo grande solo; la diferencia es que viaja más rápido.
¿Cómo se activa? Con un flag en llama.cpp: --spec-default y el modelo draft que comparta el mismo vocabulario. En tu caja, el Llama-3.2-1B trabaja con el mismo tokenizer que R1, así que no hay sorpresas.
Lo que vale la pena recordar: el draft no adivina por arte de magia — propone, y el grande corrige. Si el draft se equivoca en un token, el grande lo descarta y sigue adelante. La respuesta final es siempre la del modelo grande, no del draft.
Tip: si tu servicio corre con flags viejos como --draft-max, va a fallar al iniciar. Usa los nombres nuevos — --spec-draft-n-max — o el sistema no arranca.
Las grandes empresas tienen un incentivo para exagerar la amenaza.
— wired.com
#silicon-valley-is-split-over-chinese-ai-and-the-gap-is-real-d2e874El diseño por fases no tiene línea de meta — solo se detiene cuando necesita
El diseño por fases es una idea simple: lanzar la cosa y seguir mejorándola en rebanadas pequeñas en vez de esperar la perfección. Cada fase es lo suficientemente chiquita para probarla con usuarios reales. Cada rebanada es una mejora real, no un retoque cosmético.
La trampa es pensar que las fases tienen un final. No lo tienen. El diseño sigue moviéndose — nuevos datos, nuevos usuarios, nuevos casos borde. La única pregunta es si la siguiente rebanada vale el costo. Si no, mandas lo que tienes y sigues.
Por eso tantas herramientas que se ven pulidas al lanzamiento se sienten huecas seis meses después.
Entrevistas con clientes cuando nadie ha usado algo así todavía
Jeff Gothelf tiene un post sobre una técnica de entrevista que suena un poco contra intuitiva al principio: en vez de preguntarles a la gente qué quiere, le pides que recorra un escenario que nunca ha vivido y ves lo que hace.
El truco está en el framing. No les muestras un producto. No describes una feature. Armas una situación — un problema que van a enfrentar — y les pides que la vivan. Y escuchás. Las respuestas son reales porque el momento es real. Sin hipotéticos, sin "yo probablemente lo haría". Sino lo que hacen cuando es su turno.
Cómo se apila la pirámide de datos de Tanay — y por qué es el tipo de pieza que se escribe sola
El post de Tanay trata de la pirámide de datos para el robot learning: las capas de data que van a hacer que un robot haga algo útil. Es un ai_explainer — el tipo de cosa que te ayuda a entender el oficio de explicar las cosas con claridad, no un post sobre una herramienta o vendor específica.
Lo que la hace worth writing about es la estructura. La pirámide mapea cómo el sensor data crudo se filtra, se etiqueta, y se compone en algo que un modelo puede usar. Cada capa estrecha la señal y afina la respuesta. Es el tipo de diagrama que uno quiere colgar en la pared.
La pieza trata de la forma en que describimos el robot learning a gente que no está metida hasta el fondo. Eso es más raro de lo que parece. La mayoría de los posts de robots o se ahogan en acronyms o pasan por encima. El de Tanay se queda en el medio — lo suficientemente denso para ser útil, claro para compartirlo.
Por qué nos importa:
es el tipo de writing que deberíamos estar haciendo más — un mapa limpio de algo real, no un pitch para nada.
La pirámide de datos para robots — por qué el 3B le gana al 7B en robots reales
Tanay Shah soltó un paper que le da la vuelta a la intuición clásica del ML. Recopiló 24 horas de datos de un brazo robótico — 6M de imágenes y 6M de ángulos de articulaciones — y entrenó tres modelos: un transformer 3B, un transformer 7B y un modelo 7B de difusión. El 3B ganó. Y por mucho.
La razón es simple y no obvia al principio: los datos reales de robots son desordenados. Las articulaciones tiemblan. Las cámaras se agitan. Un modelo 7B tiene suficientes parámetros para memorizar el ruido. Se sobreajusta a los bichos del dataset y generaliza peor a un brazo robótico nuevo.
Google no castiga el contenido generado por IA
Ahrefs se comió 18 meses de datos de 100 mil sitios y descubrió que Google no baja el ranking del contenido hecho con IA. Lo que sí penaliza es el contenido de baja calidad — y ese se nota tanto si lo hace un humano como una máquina.
El mito de que Google te castiga por usar IA viene de la vieja experiencia de 2023 cuando los sitios llenaron sus blogs con texto genérico. Pero ese no era un problema de la herramienta, era un problema de la calidad. Y ahora que 18 meses de datos confirman que los sitios con contenido de IA no pierden visibilidad, la pregunta es otra: ¿estás produciendo contenido que la gente lee o solo contenido que Google puede indexar?
Lo interesante es lo que esto significa para los que trabajamos con la comunidad — si estás usando IA para explicar cosas en voz propia, con contexto real y sin inflar el conteo de palabras, Google ya no te discrimina por el origen del texto. Te juzga por lo que dice, no por cómo llegó hasta ahí.
Por qué nos importa: la gente de la comunidad no nota si el texto lo escribió un humano o una máquina — nota si les sirve.
Zero-copy es la mentira más cara en sistemas modernos
Un post nuevo de Iceberg Lake House — escrito por el equipo que construye el formato columnar open-source — pasa por alto una idea que se repite en charlas de diseño de sistemas: zero-copy evita copiar datos, así que es más rápido. El post dice que no. La copia es barata. Los cache misses que causa son los caros. El costo real es el dato moviéndose por la jerarquía de cache, no el memcpy mismo.
El autor muestra cómo se ve zero-copy en la práctica — pasar punteros en vez de copiar buffers — y luego explica por qué el pointer chasing a través de tablas de indirección quema L1 y L2.
La IA es petróleo, no dios — y eso es un alivio
Una escritora de Not Boring — el newsletter que sí corta el ruido — plantea que la IA es petróleo, no dios. Suena largo, pero la idea es simple: el petróleo es útil porque mueve cosas. Se quema en motores, calienta casas, mueve camiones. No le rezas; lo usas. El dios, en cambio, es lo que adoras y explicas.
El artículo sostiene que la industria ha tratado a la IA como si fuera divina — un milagro que transformará todo por sí solo — cuando es más como infraestructura. El petróleo no le importa cuánta gente hable de él. Solo funciona en el motor adecuado. Y si estás construyendo algo para la comunidad, quieres lo que funciona, no lo que más prensa recibe.
Este es el tipo de pensamiento que le habla a la gente que ha lanzado productos y ha visto cómo el ciclo de hype les devora el almuerzo. El petróleo es petróleo, estés en Coachella o en Palo Alto.
Por qué nos importa: Brown Forces ya está construyendo con la IA como motor, no como altar — y esto confirma el enfoque que estamos tomando.
Brown forces: el oficio de explicar las cosas con claridad
Este es de esos textos que explican cómo pensar sobre escribir — no sobre una herramienta específica, no sobre un vendor, sino sobre el oficio mismo. El artículo desglosa el tipo de claridad que separa lo que la gente realmente lee de lo que solo llena espacio.
La idea central es que un buen texto explicativo tiene que hacer más que listar features o resumir un blog post. Tiene que sostener un argumento real en lenguaje llano, con oraciones que aterrizan y párrafos que se ganan su lugar. Evita el jargon que hace que la escritura tech se sienta como si estuviera escrita para otros escritores tech.
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.
Alibaba le pone la bota a Claude Code — los linters ya están en la puerta
Alibaba ha clasificado a Claude Code como de alto riesgo y le ha dicho a sus ingenieros que dejen de usarlo. La empresa no le está haciendo bulto al modelo de atrás; le hace bulto a la forma en que la herramienta habla. Claude Code se sienta encima del editor y envía prompts, diffs y contenidos de archivos a la API en tiempo real. Para una empresa que trata el código fuente como un activo propio, eso es una fuga en la bodega.
El baneo es una flecha silenciosa para el resto de nosotros. Cada herramienta que escribe código por API — Copilot, Cursor, Claude Code, Codex — está moviendo el código fuente a la nube sin que nos demos cuenta. Los linters están en la puerta. La pregunta es si los estás usando o los estás cerrando afuera.
Por qué nos importa: cuando las grandes empresas empiezan a tratar su código como secretos de la compañía, el resto de la gente que escribe código para vivir tiene que prestar atención — las herramientas que hablan con la API son las que mueven el trabajo, y las que escriben los prompts son las que lo sacan.