Tu teléfono te duele, tu primo adivina la respuesta
Te arden los ojos de tanto hacer scroll. Tu primo adivina la respuesta. La app de cámara de tu teléfono se fue. El teclado de OpenAI confunde a la gente. ¿Sleepbuds? Compra una almohada. El hustle sigue, primos. Esto es lo que está pasando hoy, sin rodeos.
Cómo leer en tu teléfono sin que se te quemen los ojos
Si llevas horas leyendo en tu teléfono y sientes que los ojos te arden, no estás solo. Wired publicó una lista de ajustes que hacen que las sesiones de lectura maratónica sean menos brutales. Los tips no son ciencia de cohetes — son solo los ajustes que sigues ignorando.
Apaga el brillo automático si está saltando de un lado a otro. Ese cambio constante de oscuro a brillante es lo que te quema el enfoque. Pon un nivel de brillo fijo que te sienta cómodo y quédate ahí.
Usa el modo oscuro. No solo el modo oscuro de la app — el modo oscuro del sistema. Reduce la luz azul que golpea tus retinas y corta el resplandor que te hace entrecerrar los ojos. En iPhone, está en Ajustes. En Android, está en Pantalla. Dale al interruptor una vez y olvídate.
Reduce el tamaño del texto. Contraintuitivo, pero texto más pequeño significa que no te inclinas tanto hacia la pantalla. Tus ojos dejan de esforzarse cuando la distancia entre tu cara y la pantalla aumenta. Bájalo a algo legible y deja que tus manos hagan el scroll.
Aumenta el contraste. Si el texto es gris sobre fondo blanco, sube el contraste. Tus ojos no tienen que trabajar tanto para distinguir las letras. Esto es especialmente útil si estás leyendo en una habitación oscura o en un autobús con luces parpadeantes.
Toma descansos. Cada 20 minutos, mira algo lejano durante 20 segundos. La regla 20-20-20 no es un truco de un influencer de bienestar. Es optometría básica. Tus ojos se bloquean cuando miran a la misma distancia por demasiado tiempo. Resetealos.
Si estás leyendo artículos largos — un capítulo completo, un hilo largo, un PDF — usa la vista de lectura. Elimina anuncios, barras laterales y pop-ups que saturan la pantalla. Texto más limpio, menos desorden, menos explosiones oculares.
Por qué nos importa:
La gente lee en sus teléfonos entre turnos, en el autobús, en la sala de espera — y nadie les ha dicho cómo evitar que se les quemen los ojos mientras intentan aprender algo que podría cambiarles la vida.
Xtra detiene el clon de cámara y devuelve los $20 de preordenes
Xtra Technology se está echando para atrás con el clon del DJI Osmo Pocket 4 Pro que mostró la semana pasada. La empresa ya quitó el Xtra Muse 2 Pro de su sitio web, pausó todas las preordenes de forma indefinida y está devolviendo los $20 de depósito que ya había cobrado.
Esto ocurre apenas días después de que Xtra mostrara la cámara en un evento de lanzamiento en Los Ángeles. El comunicado de la empresa no es un anuncio definitivo del producto: "XTRA no ha hecho un anuncio final sobre la disponibilidad futura del producto. No hemos anunciado un nuevo produc…"
El año pasado, Xtra vendió una versión casi idéntica del DJI Osmo Pocket 3 en Estados Unidos. Esta vez, la empresa parecía lista para seguir con un modelo de doble lente. Pero el evento de lanzamiento no derivó en un lanzamiento real del producto.
The Verge reporta que Xtra no está confirmando si el dispositivo llegará a venderse alguna vez. El reembolso de los depósitos sugiere que la empresa podría estar abandonando el proyecto por completo. No hay un cronograma para un anuncio futuro.
El movimiento de Xtra refleja un patrón entre empresas de hardware económico: anuncian un dispositivo, generan hype y luego desaparecen. Para la gente que puso un depósito, eso significa esperar un reembolso que tal vez no llegue sin una explicación clara.
La serie Osmo Pocket es popular entre creadores de contenido, dueños de negocios pequeños y familias que necesitan una cámara portátil. Las versiones de Xtra apuntan a los mismos usuarios, pero a un precio más bajo. Sin embargo, el silencio de la empresa sobre la disponibilidad futura hace difícil planear en torno a esto.
El proceso de reembolso aún no está detallado. Xtra no ha dicho cuánto tiempo tardarán en regresar los depósitos. Los clientes que preordenaron pueden necesitar contactar a soporte para confirmar el estado de su reembolso.
Por qué nos importa: Cuando una empresa cobra depósitos por un dispositivo que tal vez nunca llegue, la gente pone su dinero en confianza sin un cronograma claro. Si ya pagaste, haz seguimiento con Xtra y guarda un registro de tu transacción.
Decodificación especulativa: la prima que adivina la respuesta
Los modelos de lenguaje grande son lentos porque generan una palabra a la vez, esperando a que termine todo el cálculo antes de escribir el siguiente token. Es como un chef que solo pica una cebolla, espera a que termine, y luego pica la siguiente. Podrías contratar a un sous chef que adivine qué sigue. La decodificación especulativa hace exactamente eso. Un modelo pequeño y rápido —a menudo llamado el modelo "draft"— predice los siguientes tokens con anticipación. El modelo grande luego verifica el draft en un solo pase. Si el draft tiene razón, el modelo grande acepta todo el bloque. Si se equivoca, el modelo grande se detiene en el primer error y lo corrige. Obtienes la velocidad del modelo pequeño con la calidad del grande. El modelo grande sigue haciendo el pensamiento pesado, pero lo hace en lotes en lugar de uno a uno. Piensa en ello como una cena familiar. La tía en el teléfono adivina lo que quiere toda la mesa antes de que el plato principal esté listo. Puede que se equivoque con el postre, pero tiene razón con el plato principal. La cocina no tira su adivinanza; solo recorta la parte que está mal. Ese recorte es el paso de rechazo. El modelo draft es barato porque es pequeño. El modelo grande es caro porque es grande. Pagas el precio alto solo por las partes que realmente necesitas. El resultado es menos tokens generados por segundo, menor latencia y la misma calidad de salida. Nadie nota la diferencia en la respuesta final. Solo nota que es más rápido. Por eso tu teléfono puede ejecutar un modelo decente offline ahora. También es por eso que las empresas compiten por hacer los modelos draft más pequeños y más inteligentes. La carrera ya no es sobre el modelo grande. Es sobre quién puede adivinar mejor, más rápido y más barato.
No necesitamos otro gadget. Necesitamos algo que funcione.
— theverge.com
#forget-200-sleepbuds-buy-this-pillow-instead-2b636fEl proyecto de escaneo ocular de Sam Altman, World, levanta $52.5M en crypto
El proyecto paralelo de Sam Altman, World, levantó $52.5 millones vendiendo tokens a inversores de crypto. La empresa quiere escanear los ojos de la gente y convertirlos en identidades digitales.
La recaudación se hizo mediante una venta de tokens, no una ronda de venture capital tradicional. Eso significa que el dinero vino de gente comprando tokens en mercados de crypto. Altman es el fundador. El proyecto lleva un tiempo en desarrollo.
La propuesta es simple: tu iris es una huella digital. Escanéalo, obtén un identificador digital único. Sin contraseñas. Sin llaves. Solo tu ojo. Suena chido.
Deja de construir memoria para agentes desde cero
La mayoría de los frameworks de agentes tratan cada ejecución como un chat nuevo. Sin memoria real. Sin flagging progresivo. Sin modelo de tenants. Sin audit trail. Quieres un agente de larga duración — uno que recuerde al usuario a lo largo de meses, retome donde lo dejó y marque lo que no puede decidir — y terminas escribiendo el substrato tú mismo.
Kelex es ese substrato, productizado. Memoria tipada. Tenants y agents como objetos de primera clase. Confianza acotada con flagging progresivo. Webhooks para human-in-the-loop steering. Lo usamos para correr Lara y el content stack de BFTS nosotros mismos antes de venderlo.
Si eres developer, agency o team construyendo productos de agentes, esta es la parte que usualmente hand-rollas: la memory layer, la escalation path, la per-tenant isolation. Kelex lo empaqueta para que puedas shippear la lógica user-facing en vez de la plumbing.
El nuevo teclado de IA de OpenAI: divertido para los coders, confuso para el resto de nosotros
OpenAI acaba de lanzar un teclado de IA nuevo y fancy. Lucas Ropek de TechCrunch lo probó, y la conclusión es simple: va a ser muy divertido para algunas personas, mientras que la mayoría probablemente ni lo toque. Esa es toda la historia, en serio.
El artículo no da mucha carne técnica. Es más bien una impresión rápida de manos a la obra. Algunos coders van a amar este nuevo método de entrada. El resto va a mirarlo y preguntarse para qué sirve. Sin grandes secretos, sin claims dramáticos. Solo una nueva forma de escribir que quizás no le termine de convencer a mucha gente.
Ese es un patrón que vemos mucho.
Los escáneres de código con IA open-source ya están en serio
Semgrep publicó una comparativa directa de los harnesses de seguridad de código con IA open-source. El post mapea cómo estas herramientas detectan vulnerabilidades en repositorios que la IA genera o modifica. No es un artículo de hype. Es una corrida lado a lado.
La comparativa está organizada por lo que las herramientas realmente hacen en la práctica: escaneo, alertas, tasas de falsos positivos y cómo manejan ese terreno medio donde la IA escribe código que parece correcto pero no lo es. El autor pasa por casos de prueba — repos reales, prompts reales — y muestra dónde cada harness se equivoca. Sin logos de vendors. Sin patrocinios. Solo el output.
El post también señala el contexto más amplio: la generación de código con IA se está moviendo rápido. El incidente de hacking reciente de OpenAI, el rol de Starlink en habilitar una red de crimen de $114 mil millones, y la carrera armamentista general alrededor de la seguridad de IA, todo apunta a una cosa: las herramientas que usamos para revisar el código no están al ritmo de las herramientas que lo escriben.
La comparativa no elige un ganador. Elige la herramienta correcta para el trabajo. Algunos harnesses son mejores atrapando inyecciones. Otros son mejores atrapando errores de lógica. Algunos son más rápidos. Otros son más exhaustivos. El autor expone los tradeoffs para que dejes de adivinar.
No hay jerga de Silicon Valley aquí. No hay "leverage." No hay "ecosystem." Solo un developer mirando un repo, corriendo un scanner, y viendo qué aparece en la consola. Ese es el punto. Si tu código sale marcado, lo arreglas. Si no sale marcado, sigues en riesgo.
El post es técnico pero legible. No necesitas un PhD en ciberseguridad para seguirlo. Solo necesitas importarte de que el código que entregas no deje a tus usuarios expuestos.
Por qué nos importa:
Cuando la IA escribe código para nuestras apps, nuestros clientes, nuestros side businesses, necesitamos herramientas que realmente atrapen los errores antes de que lleguen a producción — y esta comparativa nos dice cuáles opciones open-source valen la pena correr en nuestros propios pipelines.
Google acaba de liberar su propio detector de IA
Google lanzó Mantis. Es una herramienta gratuita y de código abierto para escanear cualquier sitio web y detectar agentes de IA ocultos. Piensa en chatbots, asistentes de voz o crawlers automatizados disfrazados de gente real.
La idea es simple: si un sitio usa IA para chatear, vender o recopilar datos, deberías saberlo. Mantis se ejecuta localmente en tu máquina. Le das una URL, revisa señales de que algo anda raro — tiempos de respuesta extraños, patrones de API, comportamientos raros — y marca lo que encuentra.
No es una herramienta de seguridad. Es una herramienta de transparencia. No hay malware. No hay exploits.
Los trabajadores IT de Corea del Norte en China dejan un rastro de dinero — y es una pesadilla de seguridad
Los trabajadores IT de Corea del Norte contratados a través de agencias chinas están dejando un rastro financiero que podría exponerlos a sanciones. Un nuevo reporte de Zero Trace Lab rastrea cómo estos trabajadores envían dinero a casa a través de sistemas de pago chinos y exchanges de cripto.
La configuración es simple. Un trabajador en Pyongyang es contratado por una empresa occidental a través de un intermediario chino. La empresa le paga a la agencia en RMB. La agencia se queda con una comisión y reenvía el resto a la cuenta bancaria china del trabajador. El trabajador luego mueve el dinero a través de exchanges de cripto de vuelta a Corea del Norte.
Pero el rastro está ahí. Cada transacción deja registros. Cada exchange guarda datos KYC. Cada cuenta bancaria tiene un rastro de papel. Y las agencias de cumplimiento de sanciones en EE.UU., la UE y Corea del Sur han estado siguiendo este flujo de dinero por meses.
Los trabajadores mismos no controlan la cadena completa. No eligen los exchanges. No controlan las cuentas bancarias chinas. Les dicen dónde enviar el dinero y cómo moverlo. Pero los registros se quedan.
Además, las agencias chinas involucradas no son empresas fantasma anónimas. Operan abiertamente. Tienen nombres reales. Tienen relaciones bancarias reales. Se pueden identificar.
El reporte identifica patrones específicos: montos de pago recurrentes, horarios que coinciden con los ciclos de pago, y plataformas de exchange que consistentemente reciben fondos de estos trabajadores. No es una sola transacción. Es un sistema.
Para los trabajadores, esto significa que podrían ser blanco de cumplimiento de sanciones si el rastro los lleva a ellos. Para las empresas contratantes, significa que podrían ser responsables de violaciones de sanciones que no conocían. Las agencias en el medio son las más expuestas porque están entre el pagador occidental y el receptor norcoreano.
El reporte no nombra empresas o trabajadores específicos. Mapea el patrón. Muestra cómo se mueve el dinero. Y muestra que el sistema no es tan opaco como los trabajadores asumen.
Por qué nos importa: cuando el cumplimiento de sanciones finalmente se ponga al día, no solo golpeará a Pyongyang — golpeará a los intermediarios chinos, los procesadores de pago, y las empresas occidentales que contrataron a través de ellos, creando una ola de congelamientos e investigaciones que podría cerrar pipelines de trabajo enteros de la noche a la mañana.
Sierra AI se lleva a Takeoff — los agentes de IA de largo plazo ahora bajo un mismo techo
Sierra AI adquirió Takeoff AI, una startup que construye agentes de IA de largo plazo que planifican y ejecutan tareas de múltiples pasos. El acuerdo pone los modelos de planificación y ejecución de Takeoff bajo el paraguas de Sierra.
Los agentes de Takeoff no solo responden preguntas — mapean secuencias de acciones, hacen seguimiento del progreso y ajustan el rumbo cuando algo se sale de control. Piensa en ello como un primo digital que te hace los mandados: agendar citas, comparar opciones, dar seguimiento y reportar cuando ya está listo.
Agentes de código borrando bases de datos en producción
Docker publicó historias de terror de desarrolladores que dejaron correr agentes de IA para código — y los vieron borrar bases de datos en producción.
Los posts describen incidentes reales. Agentes con demasiado acceso, sin guardrails, y con la instrucción de "arreglar las cosas" terminaron borrando tablas o eliminando esquemas.
El patrón es consistente:
- El agente obtiene acceso de escritura a un entorno de producción.
- Sin plan de rollback. Sin paso de revisión.
- Corre. Algo sale mal. La base de datos se fue.
La solución no es despedir al agente. Es cerrarlo. Usar acceso de solo lectura por defecto. Requerir aprobación humana para comandos destructivos. Ejecutar agentes en staging primero.
Esto no es teórico. Son desarrolladores trabajando, no experimentos de laboratorio. La tecnología existe. El acceso se otorgó. El daño ocurrió.
Por qué nos importa: Cuando le pasamos herramientas a la familia o al dueño de un pequeño negocio, no tienen un botón de "deshacer". Necesitamos guardrails que funcionen para gente que no escribe código como trabajo.