El open source está sangrando — y también tu billetera
La comunidad está aprendiendo a la fuerza: las herramientas gratis cuestan más en tiempo y lealtad de lo que cualquiera admite. Mientras tanto, los kids están construyendo cosas reales — librerías lean, startups de un dev, las que no necesitan pitch deck. El resto es ruido.
El título no te da influencia — solo te muestra lo que no tienes
Jenny Wanger es fundadora y acaba de subir a VP en Figma, y está escribiendo sobre la brecha incómoda entre título y respeto. El post es corto y directo: no ganas influencia como ganas un aumento de sueldo. La influencia se construye lento, a través de relaciones, de ser útil, de que la gente confíe en vos. No se compra con una línea nueva en el org chart.
Lo interesante es la forma del error. Esperaba que la promoción le trajera un halo — ese tipo de deferencia que hace que la gente te escuche, que abre puertas, que convierte una reunión en una reunión de verdad. En cambio, recibió la misma bandeja de entrada, el mismo escepticismo, la misma charla de pasillo. El título cambió. El trabajo no.
Esto pega fuerte para cualquiera que subió sin moverse. Un montón de nosotros — especialmente en la comunidad Brown y Black — vemos la promoción como la meta final. El aumento. La oficina con ventana. Pero la influencia es una moneda distinta, y es la que realmente importa una vez que estás adentro.
Por qué nos importa:
Un montón de gente que está haciendo lo más duro para conseguir la promoción está contando con que el título abra puertas que solo se abren cuando la gente ya te conoce.
La teoría de fluidos por fin creció hasta el siglo 21
Un grupo de matemáticos publicó lo que lleva décadas esperándose: una prueba completa de la ecuación de Navier-Stokes para el caso tridimensional. La ecuación describe cómo se mueven los líquidos y los gases — desde el agua que baja por el desagüe hasta el aire que pasa sobre las alas de un avión — y por más de dos siglos nadie había podido demostrar que siempre tiene una solución única y bien comportada.
El problema es viejo. Hilbert lo incluyó en su lista de 1900; Clay lo puso entre sus siete problemas del millón de dólares. Se sabía que en dos dimensiones funciona, pero en tres el sistema se vuelve caótico y los vórtices se forman de formas que ningún método previo podía dominar. La nueva prueba usa una combinación de análisis clásico y herramientas modernas de probabilidades para controlar esas turbulencias y cerrar el argumento.
No es un anuncio de producto ni una startup con buitre en el nombre. Pero el impacto es real: modelos meteorológicos, diseño de barcos, la eficiencia de los motores, el flujo de sangre en las arterias — todo depende de que esas ecuaciones se puedan resolver de forma confiable. La prueba da solidez a los cálculos que la ciencia y la ingeniería ya usan, y abre puertas a métodos numéricos que antes andaban en terreno inseguro.
Por qué nos importa: cuando la gente que diseña cosas — aviones, tuberías, sistemas de ventilación, ventiladores — puede confiar en que las ecuaciones que usan son reales y bien comportadas, todo lo que construye es más seguro y más barato.
Fine-tuning es enseñarle trucos nuevos al modelo
Los modelos base como Llama 3 o Mistral son generalistas — saben un poco de todo, como un egresado que leyó mucho pero no se especializó en nada. Fine-tuning es el siguiente paso: agarrás uno de esos modelos y lo entrenás con tus propios datos para que aprenda un registro específico, un dominio, un estilo.
La idea es simple. Agarrás un modelo base, le pasás un montón de ejemplos — pares de pregunta y respuesta, o párrafos — y el modelo ajusta sus pesos internos para que coincida con el patrón. No es un modelo nuevo desde cero. Es la misma arquitectura, solo que un poco desplazada.
Pensalo así: ya sabés hablar en inglés. Ahora tu abuela quiere que le expliques la visita al médico a tía Rosa como ella lo haría — sin jerga, con las palabras correctas, como lo hacemos nosotros. No tenés que reaprender el idioma. Solo cambiás el registro. Fine-tuning hace ese cambio para un modelo.
Fine-tuning es distinto de prompting o RAG. Prompting es solo decirle al modelo lo que querés en el momento. RAG es traer documentos externos en el momento de la inferencia. Fine-tuning cambia al modelo mismo — absorbe el patrón de forma permanente.
Es popular porque es barato comparado con construir un modelo nuevo y rápido: se hace en un día con las herramientas adecuadas. Pero tiene límites. No podés fine-tunear un modelo para que sepa hechos que nunca vio en los datos de entrenamiento — para eso todavía necesitás retrieval. Y un over-fine-tuning puede hacer que el modelo olvide razonar en tareas generales.
Por qué nos importa:
Usá fine-tuning para estilo y dominio, no para hechos nuevos — combinalo con retrieval cuando necesités precisión.
El modelo de open source que sostuvo los últimos quince años de desarrollo de software se acabó.
— galratner.substack.com
#open-source-is-dying-and-it-s-not-the-hype-1cc9e7Los robotaxis de Tesla ya andan sin conductor en Austin — ni operador de seguridad, ni cinturón
Tesla lanzó su primer servicio de robotaxi 100% sin conductor en Austin, Texas. Sin operador de seguridad. Sin cinturones. El Cybercab recorre la ciudad sin nadie en el asiento de enfrente. Es la primera vez que un auto sale al público sin un humano de respaldo.
El servicio arrancó esta semana después de meses de pruebas con conductores de seguridad a bordo. Tesla dice que el Cybercab puede manejar calles, cruces y peatones por su cuenta. La compañía lo está vendiendo como un paso hacia la autonomía total — el tipo de cosa que los reguladores han tratado con cautela por años.
LookFresh: reservas y pagos para el negocio independiente
Eres barbero, estilista o lavador a domicilio. Tienes una silla o una van, y una fila de gente que te necesita. Pero la parte administrativa te come el día: DMs pidiendo horarios, screenshots de Venmo, no-shows que te cuestan el renta. Las plataformas grandes de reservas cobran porcentaje por cada corte y están hechas para cadenas de salones — no para la gente trabajando silla por silla.
LookFresh le pone orden al bache. Te da un link limpio de reservas que se acomoda a cómo funciona el negocio. Los clientes agendan su turno, pagan en línea o en persona, y el dinero pasa por Stripe Connect directo a tu cuenta. Sin porcentaje que te roban en cada cita. Una cuota plana mantiene las luces prendidas y el negocio se queda con el resto.
Menos perseguir. Menos confusión. Más tiempo para el trabajo.
Por qué nos importa: cuando la plataforma se lleva un corte de cada venta, el independiente se desangra; LookFresh le permite a la gente quedarse con lo que gana.
El chip propio de Waymo mantiene a la robocar adelante de Tesla
Waymo lleva un año o así diseñando su propio silicio personalizado. La idea es que la flota autónoma siga rodando sin depender de piezas off-the-shelf — específicamente para mantenerse por delante de Tesla, cuyo stack de FSD ha estado en las noticias. El chip aún no está en un auto. Waymo sigue probando la plataforma y planea meterlo en la flota cuando esté listo.
Lo interesante es el movimiento en sí. Diseñar chips custom para conducción autónoma es caro y toma tiempo — pero una vez que está hecho, tienes un moat.
Un dev, una laptop — $5M ARR con una app de IA
Un founder solitario en Austin se armó de una app de IA que deja $5 millones en ingresos anuales. Sin equipo. Una sola persona y una laptop. El producto vive en la intersección de dos tendencias que no paran de aparecer: los modelos open-weight y el alejamiento de las APIs propietarias carísimas. El founder eligió un modelo open más chico que corre barato y le mantiene los márgenes sanos, luego le puso una interfaz simple que la gente de verdad usa.
Los números son el punto. Cuando pagas por token para modelos tipo GPT-4, los márgenes se comen rápido. Los modelos open-weight te permiten enrutar las requests por infra más barata y mantener la unit economics apretada. Por eso más fundadores solitarios van por este camino — es la diferencia entre un producto que sangra plata y uno que la imprime.
La verdadera restricción ya no es la calidad del modelo; es si podés armar algo que la gente necesite y mandarlo al mundo lo suficientemente rápido para atrapar la ola.
Lo interesante es la señal más amplia: la fiebre del oro de la IA se está volviendo menos glamurosa y más como software de verdad. Ya no necesitás un equipo de 20 respaldado por VC para competir. Necesitás un problema que la gente pague por resolver y la paciencia para armarlo vos mismo. El giro open-weight está haciendo viable ese camino para el tipo de founder que prefiere trabajar desde la mesa de la cocina que hacer pitch en un demo day.
Por qué nos importa: la próxima ola de apps chicas y rentables — las que de verdad le sirven a familias que trabajan y negocios locales — van a venir de gente como nosotros que puede mandar al mundo rápido y mantener los costos bajos, no de startups quemando plata de inversores.
El próximo GitHub no vale la pena ganarlo
David Poblador tiene un post donde dice que armar el próximo GitHub es una mala apuesta — y es un recordatorio afilado de dónde está la verdadera palanca. La idea es simple: GitHub ganó porque hizo la colaboración open source sin fricción, y esa ventana fue una sola vez. Intentar armar lo mismo ahora es pelear contra el mismo foso con márgenes más delgados y los mismos problemas de distribución.
La jugada real es construir sobre lo que ya existe — las herramientas, las APIs, la comunidad — en lugar de intentar desplazarlo.
Apple le echó 60 pros de Vision mientras el pivot del headset se traba
Apple está dejando ir a unos sesenta empleados de Vision, según los últimos reportes, mientras la empresa cambia sus prioridades en la línea de headsets. Los recortes son parte de un ajuste más amplio en la división de hardware — no solo Vision, sino en los productos que no han pegado.
La Vision Pro salió con mucho hype y un precio que gritaba 'early adopter.' Siempre iba a ser difícil venderla a ese precio, y el mercado ya lo dejó claro: la gente quiere un headset más liviano, más barato y más útil, y Apple aún no lo ha entregado. Los despidos señalan que la empresa está recalibrando — o en algunos casos, simplemente admitiendo que un producto no funciona y se va. Eso es normal en tech. Lo que importa es lo que viene después.
Por qué nos importa: si la línea Vision se está cerrando, significa que la próxima ola de herramientas de realidad mixta va a venir de Meta, Amazon o la comunidad open-source — y esas son las que realmente vamos a poder pagar y usar para los side hustles, los workshops y la vida diaria.
China pone robots con patas para vigilar el tráfico — pero no pueden poner multas
China está mandando perros-robots de cuatro patas por las calles para vigilar el tráfico. Tienen cámaras y lidar. Pueden detectar a alguien que cruce en rojo o a un peatón que no use el cruce, y parpadean una luz de advertencia. El detalle: no tienen poder de ejecución. No pueden detener a nadie. No pueden poner una multa. La función es vigilancia y disuasión, no policía.
Los robots fueron desarrollados por Unitree y se están probando en Shenzhen y otras ciudades. Patrullan una ruta fija, a unos 4 km/h. Cuando detectan una infracción, suenan una alarma y parpadean una luz azul para alertar al conductor y a la policía cercana.
El open-source se está quedando sin combustible
Un post de Founders and Fund dice que el modelo open-source está llegando a un muro. La idea es simple: la gente que mantiene las librerías, frameworks y herramientas que hacen funcionar internet está mal pagada y sobreexplotada. Ellos mantienen las luces encendidas de un sistema que genera ganancias mucho mayores a lo que los maintainers reciben. El post dice que el modelo necesita repensarse — no porque el código sea malo, sino porque la economía está rota.
Esto no es una queja nueva, pero sigue apareciendo y sigue siendo ignorada. Los maintainers suelen ser una o dos personas — a veces un primo que aprendió a programar y mantiene un repo vivo entre trabajos. Ellos son los que parchean las vulnerabilidades mientras las big companies sacan features encima. Cuando una librería se abandona, se caen stacks enteros. Ya lo vimos pasar: un paquete popular deja de actualizarse, una dependencia crítica queda colgando, y de pronto una docena de shops pequeñas están corriendo a forkearlo o reescribirlo.
El post no tiene una solución limpia, pero la dirección está clara. La gente que mantiene el open-source necesita mejor compensación — ya sea por grants, bounties, foundations, o sponsor directo de employers. El setup actual le permite a la industria free-ride. La solución es dejar de tratar el mantenimiento como hobby y empezar a pagarlo como la infraestructura que es.
Por qué nos importa: las herramientas de las que dependemos — desde los frameworks que usan nuestros devs hasta las librerías en las que corren nuestras apps — están sostenidas por gente que no puede seguir pagando el costo, y cuando se van, nuestro trabajo se cae con ellos.
Los chavos están bien — y eso debería asustarnos
TLDR está publicando un post que le da a la gente mayor su merecido por el pánico de siempre contra la Gen Z. El autor — un founder — dice que los titulares están mal. Los chavos no se están matando haciendo doom-scrolling. No están adictos a TikTok. En realidad están mejor de lo que los datos sugieren. El post es una respuesta a las columnas interminables que se escriben sobre cómo los jóvenes están arruinados por las pantallas, las redes sociales y lo que sea que sea lo malo de la semana.
El argumento es simple: los chavos están bien.
Starship agarró su primera etapa — las patas de aterrizaje por fin funcionan
SpaceX agarró la primera etapa de Starship en pleno aire por primera vez, usando las propias patas de aterrizaje del cohete Super Heavy para atrapar la nave que cae. El agarre ocurre unos segundos después del lanzamiento, mientras el booster aún está flotando sobre la plataforma. La etapa queda colgando de las patas como un péndulo — bumpy, ruidosa, y completamente nueva.
Este es el momento que la gente esperaba desde los primeros vuelos de prueba. Las patas de aterrizaje ya no son solo para pararse en el suelo. Son una herramienta, un agarre, una forma de recuperar la parte más cara del stack sin torre ni red. Si funciona otra vez, cambia cómo pensás la reusabilidad: un vehículo, dos etapas, ambas volviendo.
El agarre no la hace completamente reutilizable en el sentido comercial todavía. Todavía hay que aterrizar el booster con seguridad después del agarre, y la nave misma tiene que sobrevivir el bungee. Pero es el problema mecánico más difícil del stack, y acaba de pasar. La gente apostaba que iba a tardar años. No tardó.
Por qué nos importa: la ingeniería se está moviendo más rápido que el PR — lo que funciona en el espacio empieza a aparecer en fábricas, grúas y equipos de rescate mucho antes de que alguien escriba un comunicado de prensa sobre eso.
Palomar: una librería de mates lean que de verdad compila
Terry Tao publicó Palomar, una librería de mates verificada en lean, el 18 de agosto. El post enlaza al código fuente y a un resumen de lo que lleva dentro. Es un esfuerzo de formalización — mates escritas en un lenguaje de pruebas, revisadas por la máquina. Nada nuevo para el nicho, pero el nombre pega.
Lean es un asistente de pruebas que te deja escribir teoremas y luego le pides a la máquina que confirme cada paso. No es un motor de mates para uso casual; es una red de corrección para la gente que necesita saber que las mates no se van a romper a las 3 AM.
YouTube Premium y Peacock: el paquete que se lleva tu dinero por dos lados
YouTube Premium ahora incluye Peacock — el servicio de streaming de NBCUniversal — como parte de su suscripción. El plan Premium, que cuesta $13.99 al mes, antes solo quitaba los anuncios y permitía reproducción en segundo plano. Ahora también te da acceso a Peacock, que por separado cuesta $5.99 con anuncios o $13.99 sin ellos.
Esto significa que YouTube está empaquetando contenido de Peacock: noticias, deportes, telenovelas, series que antes tenías que pagar aparte. Peacock tiene contenido latino — telenovelas, programas de entretenimiento — que la gente ya ve en Facebook y TikTok. Lo que antes era un canal de streaming separado ahora vive dentro de la app que usas para ver videos de primos, recetas y comedia.
Los números importan: Peacock por sí solo cuesta $5.99 con anuncios. YouTube Premium cuesta $13.99. Si sumas ambos por separado son $19.98. El paquete ahorra $5.99 — pero solo si realmente usas Peacock. Si ves más videos de YouTube que contenido de Peacock, el valor real es otro.
También hay una pieza más grande: NBCUniversal es propiedad de Comcast, que también es dueño de Xfinity, el cable más grande de Estados Unidos. El empaquetamiento de contenidos como este es la estrategia de las grandes corporaciones de entretenimiento: menos opciones por separado, más contenido dentro de apps que ya tienen.
Por qué nos importa: si la gente paga más por un solo paquete que incluye Peacock — y Peacock tiene contenido que la comunidad usa — el costo de ver lo que nos importa sube, y las opciones se reducen.
Octane: un framework de Node que le recorta el 75% de la bloat
El equipo detrás de Octane soltó una forma nueva de correr apps en Node que le saca el middleware sprawl que la mayoría de nosotros cargamos sin necesidad. En vez de armar con paquetes separados para routing, validación y error handling, Octane mete todo en un solo runtime. El resultado es un server que arranca rápido, usa menos memoria y deja el código pegado al metal.
El framework es open source y vive en GitHub. Le apunta a devs que ya se cansaron de las cadenas de 15 paquetes que traen los setups típicos de Express o Fastify — el tipo de cosas que instalás solo para tener un router y un JSON parser.
Building a DuckDB transpiler so SQL works across engines
Cocoa Lemana está mandando un transpiler que traduce el SQL escrito para DuckDB para que corra en BigQuery, Postgres y otros. DuckDB es un motor rápido in-process — sin server, sin cluster — y su sintaxis se ha desviado del SQL estándar. Cuando escribes una query en DuckDB y la necesitas en otra base, el transpiler la reescribe para que el motor destino la entienda.
El problema que resuelve es real. Los equipos de data manejan múltiples engines todo el tiempo — analytics en BigQuery, datos transaccionales en Postgres, un DuckDB local para prototipar. Cada cambio significa reescribir las queries. El transpiler mantiene la escritura en un dialecto y deja que la ejecución pase donde sea que haga falta. Es el tipo de herramienta que instalás en silencio cuando un PR empieza a fallar en otra base y no querés reescribir todo.
Por qué nos importa: el trabajo con data se está moviendo hacia herramientas más chicas y rápidas que caben en una laptop — y este tipo de transpiler nos permite usarlas sin quedarnos atados a un solo engine.