El grind cambia, primos: bots, drones y el trabajo real
Los bots ya manejan la web, DoorDash tiene la aprobación de la FAA para drones y la teoría del internet muerto ya no es un meme. Mientras tanto, TradeWork pone los trabajos, las cuadrillas y los papeles en un solo lugar para la gente que realmente está haciendo el trabajo. Esto te toca.
El pipeline de datos de tu agente de IA probablemente está roto
LangChain acaba de publicar un análisis sobre cómo los agentes realmente mueven datos, y el tl;dr es: la mayoría de los equipos lo están cableando mal. El post desglosa cómo se ve un "stack de datos para agentes" cuando está construido para manejar trabajo real — no solo una demo.
La idea central: los agentes no solo llaman a APIs. Leen de bases de datos, escriben en warehouses, sacan de file shares y empujan resultados de vuelta a Slack o un dashboard. Eso significa que la capa de datos tiene que ser composable, confiable y barata de levantar. Si no lo es, tu agente solo está alucinando con una UI bonita.
El post señala un post relacionado de DLT Hub sobre "composable canonicals" — una forma de definir esquemas de datos una vez y reutilizarlos entre herramientas en lugar de reinventar la capa de ingestión cada vez. La idea es simple: estandariza los inputs, deja que el agente se enfoque en el reasoning y deja de pasar semanas armando ETL custom para cada nuevo use case.
La postura de LangChain: no trates el stack de datos como un afterthought. Constrúyelo antes de construir el agente. Porque un agente con un pipeline de datos malo es solo un chatbot fancy con acceso a tu base de datos.
Por qué nos importa: Si estás usando IA para automatizar algo en el trabajo o en tu negocio, el pipeline de datos es donde las cosas realmente se rompen — y cuando lo hacen, es tu nombre en la línea, no un pitch deck de Silicon Valley.
Atlassian cambia a Kafka: 145B eventos al día, adiós a Kinesis
Atlassian se está yendo de AWS Kinesis. El equipo se va a Kafka. La escala es grande: 145 mil millones de eventos diarios. Dicen que Kinesis no podía seguirles el ritmo. La historia está en su blog de ingeniería, “Scaling StreamHub: Transitioning from Kinesis to Kafka.”
Atlassian dice que el cambio no fue una actualización pequeña. Fue una migración completa. Tuvieron que mover todos los datos. Tuvieron que asegurarse de que no se perdiera nada. Tuvieron que mantener sus herramientas funcionando mientras pasaba el cambio. Eso es un montón de piezas en movimiento.
Kafka es un sistema de mensajes hecho para la escala. Maneja mucho tráfico a la vez. Kinesis es el sistema propio de AWS. Es rápido, pero Atlassian dice que se topó con un muro a su tamaño. 145 mil millones de eventos al día es mucha data. Eso no es un proyecto secundario. Es el motor principal.
Atlassian no dice que la forma vieja fuera mala. Dicen que estuvo bien por un tiempo, pero no lo suficiente para lo que necesitan ahora. Necesitan velocidad. Necesitan espacio para crecer. Necesitan mantener su plataforma estable. El post del blog explica cómo planearon el cambio, cómo lo probaron y qué se rompió en el camino.
Para la comunidad, esto es un recordatorio de que incluso las grandes empresas se topan con límites. Tienen que cambiar. Tienen que elegir nuevas herramientas. No siempre es fácil. Toma planeación. Toma paciencia. Toma un equipo dispuesto a romper cosas para arreglarlas.
Nosotros trabajamos con herramientas todos los días. A veces la herramienta que nos encanta deja de servirnos. Eso es normal. La solución no es entrar en pánico. Es ver qué necesitamos y encontrar algo que encaje mejor. Atlassian hizo eso. Miraron 145 mil millones de eventos y dijeron: “Necesitamos más.”
Por qué nos importa: cuando las grandes plataformas cambian, las herramientas que usamos todos los días también cambian, y tenemos que estar atentos para no quedarnos atrás con la próxima actualización.
LoRA: Tu propio truco, no el modelo entero
Imagina que un modelo de lenguaje es como la abuela que cocinaba tamales perfecta. Sabe el secreto de la masa, la sazón, todo.
Ahora tú quieres hacer tamales de elote. No puedes rehacer toda la receta de la abuela. Sería un desastre.
LoRA es el truco: un pequeño sobre con las especias nuevas. Solo elotes, un poquito de chile, un toque de queso. El resto sigue igual. El modelo original no se toca.
Así funciona en la práctica.
Un modelo grande es un libro entero. LoRA es una sola página de notas al margen. Le dice al modelo: "aquí, cambia esta palabra por esa, pero solo en este contexto." La página es pequeña, fácil de compartir, fácil de borrar si no te convence.
¿Por qué importa?
Porque antes, si querías que un modelo hablara como tu primo o entendiera jerga de tu barrio, tenías que reentrenar todo el modelo. Costaba una fortuna en GPUs. Años después, LoRA hace que una persona con un laptop pueda hacer lo mismo con un par de horas de datos.
No es magia. Es solo un truco inteligente: ajustar lo mínimo para que funcione lo que necesitas.
La gente lo usa para que un modelo entienda cómo habla su abuela, o para que un modelo de código sepa el dialecto de su equipo.
Tip: si estás probando un LoRA nuevo, pregúntate primero si el modelo base ya hace lo que quieres. A veces el truco no vale la pena. El mejor truco es saber cuándo no necesitas uno.
Cuando las reglas cambian, la gente que construyó el sistema es la que decide cómo funciona — o quién se queda fuera.
— links.tldrnewsletter.com
#doordash-gets-faa-nod-for-its-own-drone-delivery-program-19b8e9DoorDash recibe el visto bueno de la FAA para operar su propia flota de drones
DoorDash ha recibido la aprobación de la FAA para operar su propio programa de entregas con drones. Esto significa que la empresa puede lanzar y gestionar su flota sin depender de operadores de drones de terceros.
La aprobación permite a DoorDash manejar toda la cadena logística —desde el despacho hasta la entrega— bajo un solo paraguas regulatorio. Es un paso hacia un modelo más integrado, donde la app desde la que pides también controla el mecanismo de entrega.
El movimiento forma parte de un impulso más amplio de las empresas de tecnología para reducir la fricción en la entrega de última milla.
TradeWork: Jobs, crews, payments, paperwork — one place
Eres pintor, plomero, electricista, paisajista. Estás juggling estimaciones en apps de notas, facturas en PDFs, programación de crews por texto, y pagos por cheque. Los CRMs de propósito general son demasiado pesados. Las apps específicas del sector usualmente están hechas para la oficina, no para la camioneta.
TradeWork arregla eso. Es una plataforma de trabajo mobile-first para el sector — jobs, crews, invoices, y payments en un solo lugar. Diseñada para crews que trabajan desde la camioneta, con interfaces bilingües para que la oficina, el capataz, y el ayudante puedan leer el mismo job. No más cambiando entre cinco apps para averiguar quién está dónde y quién aún te debe.
Deja de perseguir papeleo. Empieza a correr el job.
https://tradework.work
Meta sigue ganando en alcance, pero el juego está cambiando
Meta sigue teniendo el alcance social más amplio. Esa es la noticia principal. Pero la forma en que la gente realmente usa las plataformas está cambiando rápido.
TLDR Marketing señala que las marcas están despertando a esto. Ya no puedes simplemente bombardear con anuncios y esperar resultados. La audiencia está fragmentada. La atención se reparte entre TikTok, Reels, Stories y una docena de otras superficies.
El CMO de Hilton lo dijo con crudeza: el marketing de marca es un negocio de "afinidad irracional". No compras porque necesitas una habitación de hotel. Compras porque sientes algo.
La teoría del internet muerto es real: los bots ya dominan la web
La "teoría del internet muerto" ya no es un meme. Está pasando. Los bots ya están corriendo la internet, según Fast Company. La teoría dice que la mayoría del contenido en línea ya es generado por IA, no por humanos. Antes sonaba como una conspiración. Ahora es una realidad diaria.
Los posts de LinkedIn de TLDR Marketing y otros creadores están inundando los feeds con advertencias sobre este cambio. La conversación se está calentando. La gente está discutiendo si la internet todavía vale la pena si es mayormente máquinas hablando con máquinas.
La preocupación es real. Cuando los bots generan la mayoría del contenido que ves, no puedes distinguir lo que es humano de lo que es automatizado. Eso lo cambia todo: cómo confías en la información, cómo compras cosas, cómo piensas en lo que estás leyendo.
Esto no es solo sobre redes sociales. Es sobre toda la web. Los resultados de búsqueda, sitios de noticias, foros, incluso esta página que estás leyendo ahora, podrían estar influenciados por contenido automatizado. La línea entre humano y máquina se está difuminando rápido.
Las personas que hablan de esto son mayormente creadores, marketers y trabajadores de tecnología que ya ven el cambio. Pero la persona promedio que hace scroll en su feed podría no darse cuenta de que está interactuando con bots tanto como cree.
La urgencia aquí no es sobre el pánico. Es sobre la conciencia. Necesitas saber qué estás consumiendo. Si la mayoría de la internet es automatizada, eso cambia cómo piensas, qué crees y qué compras.
Por qué nos importa: Cuando la web es mayormente bots, la gente no puede confiar en lo que lee — y eso significa que nuestras comunidades pierden el control de su propia narrativa, nuestros negocios no pueden distinguir quién es real, y nuestras familias reciben desinformación que no pueden verificar.
Octane: un nuevo framework web para Node.js
Octane es un framework web construido para Node.js. Es open source y el proyecto vive en GitHub.
Octane está hecho para la velocidad. Usa las últimas features de Node.js, incluyendo los nuevos server components experimentales y las server actions. Está diseñado para ser rápido y ligero.
Octane no es solo otro framework más. Está construido desde cero pensando en el rendimiento. Está pensado para devs que quieren una forma moderna de construir apps web.
El proyecto es open source. Está disponible en GitHub. Puedes leer el código fuente y ver cómo funciona.
Google ya no te castiga por usar IA
TLDR Marketing hizo un experimento que no se puede ignorar. Borraron el 40% de sus posts del blog y dejaron el resto. No reemplazaron los borrados con artículos generados por IA. Simplemente dejaron de publicar por un tiempo.
El resultado no fue una penalización. Google no bajó sus rankings. Las páginas que quedaron se mantuvieron firmes. En algunos casos, el tráfico en las páginas que sobrevivieron incluso mejoró. El sitio perdió menos visitantes de lo esperado.
Esto le importa a la gente que está construyendo contenido para sus comunidades. Por años, hubo un miedo silencioso de que Google trataría la escritura con IA como una señal de baja calidad. La idea era que si usabas IA para escribir, Google te bajaría. El miedo era real porque las reglas nunca quedaron claras.
Lo que muestra la prueba es que el miedo viejo era mayormente ruido. Google no te posiciona por la herramienta que usas. Te posiciona por si la página responde bien la pregunta de la persona. Si la página es útil, la fuente no le importa al algoritmo.
Esto cambia cómo los creadores pequeños y las páginas de comunidad deben pensar en su trabajo. No necesitas esconder tu proceso. No necesitas escribir todo a mano para estar a salvo. Necesitas asegurarte de que el contenido realmente le ayude a la persona que lo lee.
La lección es práctica. Si estás escribiendo sobre tu barrio, tu negocio pequeño, o el side hustle de tu familia, deja de preocuparte por si Google te va a marcar por usar IA. Empieza a preocuparte por si tu post es claro, útil, y escrito en una voz que suene como una persona real.
Esto también significa que la barra de calidad sigue siendo alta. Solo porque Google no te va a castigar no significa que debas publicar páginas de bajo esfuerzo. El mercado todavía premia el trabajo real. La herramienta es solo una herramienta.
Por qué nos importa: Podemos seguir construyendo nuestras páginas sin miedo, pero aún debemos escribir con cuidado porque la gente sigue leyendo y compartiendo lo que les ayuda.
Zalando movió el procesamiento de eventos de ads a Flink — lo que esto significa para el grind
El equipo de ingeniería de Zalando publicó que migraron su pipeline de procesamiento de eventos de ads a Apache Flink. El movimiento fue impulsado por la necesidad de manejar mayor throughput, menor latencia y un procesamiento con estado más confiable en toda su infraestructura de ads.
El sistema anterior dependía de un procesamiento orientado a lotes (batch) que introducía retrasos. Los eventos de clics de ads, impresiones y conversiones se colocaban en cola, se procesaban en ventanas y luego se alimentaban a modelos downstream. Eso funcionaba cuando el tráfico era predecible.
Cómo Zalando migró su procesamiento de eventos de Postgres a Flink
Zalando, el gigante europeo del e-commerce de moda, publicó un post sobre migrar su pipeline de procesamiento de eventos desde el mecanismo LISTEN/NOTIFY de PostgreSQL hacia Apache Flink. El movimiento fue impulsado por necesidades de escalabilidad a medida que el volumen de eventos en tiempo real creció.
Postgres LISTEN/NOTIFY es un mecanismo pub/sub ligero e integrado que funciona bien para escenarios de pequeña escala y bajo throughput. Pero a la escala de Zalando —miles de eventos por segundo a través de docenas de servicios—, el cuello de botella se hizo evidente. La cola interna de PostgreSQL para listeners empieza a tener problemas bajo carga, y la arquitectura no escala horizontalmente de forma limpia.
Flink, por otro lado, es un motor de procesamiento de streams diseñado exactamente para este tipo de pipeline de eventos de alto throughput y baja latencia. Maneja backpressure, gestión de estado y procesamiento distribuido out of the box. La migración probablemente implicó repensar cómo fluyen los eventos entre servicios —de un modelo simple de publisher-subscriber a una topología de stream más estructurada.
Esta es una historia clásica de ingeniería: lo que funciona a 100 eventos/seg se rompe a 100,000 eventos/seg. La solución no siempre es una nueva base de datos. A veces es mover la lógica a la herramienta correcta. Para equipos pequeños y startups, la lección es práctica: no dejes que una herramienta con la que te sientas cómodo se convierta en un techo. Sabe cuándo escalar hacia arriba o hacia afuera.
### Por qué nos importa:
Cada vez que una empresa como Zalando choca con un muro con Postgres y se mueve a un sistema más escalable, es un recordatorio de que las herramientas que usamos para construir nuestros side hustles y pequeños negocios tienen límites reales —y saber cuándo hacer upgrade es parte del hustle.