La nueva tecnología está llena de ruido pero no sirve.

Apple le dio una cara nueva a su asistente de teléfono este verano. Por un par de meses fue lo nuevo y brillante — un breve romance de verano con Siri AI.

Ahora el lanzamiento completo se acerca y la escritora ya se movió a lo siguiente. La luna de miel se acabó. No hace falta instalar nada para notarlo: es el asistente integrado que ya tienes, el que vive en el Control Center y en la pantalla de bloqueo.

La historia es sencilla. Apple le puso cara nueva y trucos nuevos. La gente le gustó. Luego la vida siguió y dejaron de pensar en él. Así aterriza la mayoría de la tech — una ola de atención, luego el silencio.

Sin lanzamiento dramático. Sin keynote. Solo una actualización callada a algo que ya usas todos los días.

Por qué nos importa: los assistants que sobreviven no son los que tienen el lanzamiento más brillante — son los que se vuelven ruido de fondo, los que dejamos de notar porque por fin hacen lo que deben.

SpaceX está fabricando sus propias aspas de turbina en casa para alimentar los generadores a gas de los data centers de la IA de Elon. La jugada le ahorra 18 meses a la entrega de los generadores.

Parece una pieza chiquita, pero las aspas son lo que hace girar la turbina — el corazón de un generador a gas. Sin ellas, toda la unidad se queda esperando. Al fabricarlas en casa, SpaceX se salta el cuello de botella de la cadena de suministro.

Esto es parte de un cambio más grande. La empresa ya no solo lanza cohetes: está construyendo los motores, las turbinas, las piezas — lo que sea que necesite para mantener las máquinas funcionando. Los generadores a gas van a arrancar los servidores. Las aspas los mantienen girando.

Para el mundo tech, esto es otra señal de que las compañías que construyen la IA a escala están metiendo más de la cadena de suministro adentro. Cuando la demanda se dispara, no quieres estar a merced de un proveedor que no puede entregar.

Por qué nos importa: la misma cuerda floja que sostiene una aspa de turbina sostiene las piezas que necesitamos para nuestros talleres, nuestros generadores, nuestras trucks — y cuando los grandes meten la manufactura adentro, se cambia el mercado para el resto de nosotros.

Un LLM local vive en tu laptop. Lo corre tú mismo. Sin llamadas a API. Sin los servidores de la empresa leyendo tus prompts.

La idea es sencilla: descarga un modelo, instala el software y platica con él ahí mismo. Tus preguntas se quedan en tu máquina. Tus datos no se venden ni se registran.

Para la mayoría, esto significa un modelo de 7B–13B parámetros. Es lo suficientemente rápido para el uso diario. Maneja email, notas, código — lo que realmente haces. Lo apuntas a tus archivos y los lee sin subir nada.

Si tu máquina es potente, puedes ir más grande. Si es modesta, los modelos más chiquitos son más que suficientes. La compensación es tamaño versus velocidad. Eliges lo que le va bien a tu hardware y sigues.

Esto no es algo de nicho para los ingenieros. Es para cualquiera que no quiere que sus consultas se vayan flotando a algún data center, donde alguien — o algo — podría estar escuchando.

Por qué nos importa: la gente que corre negocios propios, los freelancers y las familias que comparten laptops necesitan herramientas que no le chupan sus datos a la nube cada vez que hacen una pregunta.

El post nuevo de Cloudflare explica cómo mantienen la cache de DNS sin chuparse toda la RAM — un problema real cuando corren miles de zonas y la cache crece hasta ahogar al resto del sistema. La solución es una política de evicción más inteligente que bota primero las entradas menos útiles en vez de simplemente tirar las más viejas.

La misma semana, el CNCF publicó un how-to para levantar un stack de inferencia de IA sobre Kubernetes. Tratan los nodos con GPU como cualquier otro recurso, programando los modelos y workers a lo largo del cluster para que nada se quede quieto. La idea clave es que los workloads de IA no son fundamentalmente distintos a las apps que llevamos corriendo en k8s por años — solo necesitan más memoria y GPUs más rápidas.

Ambos posts son para la gente que de verdad maneja la infra: los engineers que se quedan desvelados cuando algo se rompe, no los VCs vendiendo la próxima plataforma. Son prácticos, no promocionales.

Por qué nos importa: los mismos clusters de k8s que corren nuestras apps ahora también manejan workloads de IA — y los bugs de cache que le bajan el rendimiento al DNS también le bajan el rendimiento a la inferencia, así que las soluciones de aquí aplican a todo el stack en el que dependemos.