IA
A principios de 2025, OpenAI lanzó su 'Operator' con fanfarria mediática. La idea era simple: un agente de IA que podía navegar por la web, rellenar formularios y hacer compras por ti. Lo que parecía un experimento curioso se ha convertido, dieciocho meses después, en la infraestructura invisible
IA
En enero de 2026, Anthropic publicó un informe técnico que pasó casi desapercibido fuera de los círculos especializados. En él, admitían algo que muchos sospechaban pero nadie había confirmado: el 67% de los datos de entrenamiento de Claude 4.5 provenían de síntesis, no de textos humanos. Dos semanas después,
cloud
En 2019, cuando VMware publicó su primer informe sobre multicloud, el 78% de las empresas encuestadas decían tener una estrategia multicloud. Pero cuando se les pedía detalles, la realidad era menos impresionante: la mayoría tenían su carga de producción en AWS, algunos backups en Azure, y un proyecto piloto en
IA
Hace meses, cuando OpenAI publicó o3 y Anthropic respondió con Claude 4, la comunidad de IA celebró lo que parecía ser un salto cualitativo: modelos que 'piensan en voz alta', que muestran su cadena de razonamiento, que podemos auditar. La promesa era que, si un modelo cometía un
protestware
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
asistentes-personales
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
homelab
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
ia-local
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
MCP
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
home-assistant
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
RAG
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.
home-assistant
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