Hace unos días, un desarrollador publicó una modificación en su librería open source que no hace nada malicioso a humanos, pero sí a agentes de IA. El código detecta patrones típicos de lectura por parte de coding agents —tokens de contexto, velocidad de acceso, headers de User-Agent— y, si los
Le pedí a mi asistente que me resumiera el día. No me dio la previsión del tiempo ni las noticias generales. Me dijo que tenía una reunión en 45 minutos, que el contenedor de Plex llevaba tres días reiniciándose cada hora, que ayer había mencionado querer comprar un Mac Mini
Tener servicios autoalojados es el primer paso. El segundo es que hablen entre sí sin que tú actúes de intermediario. Hace un año mi homelab era una colección de contenedores Docker que funcionaban bien por separado pero no se enteraban unos de otros. Hoy es un ecosistema que reacciona solo
En 2026, ejecutar modelos de lenguaje de gran escala en hardware local ya no es un experimento de entusiastas. Es una alternativa realista, privada y económica a las APIs en la nube. El punto de inflexión Hace dos años, correr un modelo de 7B parámetros requería una GPU dedicada y
Pedirle a un LLM que lea un archivo de tu ordenador, consulte tu calendario o ejecute una consulta SQL ha sido, hasta ahora, un ejercicio de ingeniería de prompts y scripts ad-hoc. Cada integración requería su propia API, su propio formato de respuesta y su propia gestión de errores. MCP
Cada vez que le preguntas a Alexa o Google Assistant cuál es la receta de una tortilla, tu voz viaja miles de kilómetros, se transcribe en un datacenter ajeno, y la respuesta vuelve por el mismo camino. Esto no es solo un problema de privacidad: es una dependencia técnica innecesaria
La mayoría de asistentes de IA son amnésicos. No recuerdan lo que les dijiste ayer, y mucho menos pueden consultar tus contratos, apuntes o manuales. Esto no es un bug: los LLMs no tienen acceso a tus archivos a menos que se los proporciones en el contexto de cada conversación.
Hace cinco años, tener un asistente doméstico inteligente significaba ceder tu salón a Amazon, Google o Apple. Hoy, la combinación de Home Assistant con un LLM autoalojado permite construir algo equivalente —o superior— sin que una sola grabación de voz salga de tu red. Y no, no hace falta un
Montar un homelab para ejecutar modelos de IA de forma local es una de las decisiones técnicas más gratificantes que puedes tomar en 2026. Pero antes de comprar nada, necesitas entender una verdad incómoda: no existe un hardware perfecto para todo. Lo que funciona para servir un LLM de 7B
Instalar Prometheus, Grafana y veinte exporters es el rito de iniciación de todo homelab. Durante los primeros meses, pasas horas configurando dashboards que muestran temperaturas de CPU, latencia de DNS, uso de inodos y tráfico de red por interfaz. Es satisfactorio ver tantos números cambiar en tiempo real. El problema
Hace exactamente un año desplegué mi primer modelo local con Ollama en un servidor casero. Era una prueba: Llama 2 7B, cuatro núcleos de un i5-10400, sin GPU, y la sensación de que esto no pasaba de experimento. Doce meses después, esa misma máquina (ya con una RTX 3060 12GB
Desplegar un LLM local es trivial en 2026. Ollama lo resuelve en tres comandos. El problema real empieza cuando quieres que esa infraestructura sea usable: múltiples modelos, filtros de contenido, control de costes, integración con herramientas externas y una interfaz que no asuste a usuarios no técnicos. Ahí es donde