0918 | Construir menos, crear más

Clara Vega: ¡Hola y bienvenidos a Hacker News en Español! Soy Clara Vega.

Mateo Ruiz: Y yo soy Mateo Ruiz. Hoy tenemos un programa lleno de decisiones de producto, modelos rarísimos, seguridad que da vértigo y hasta centenarios japoneses. La idea que une todo, creo, es que en todos estos debates la comunidad está discutiendo lo mismo de fondo: qué merece la pena construir y qué deberíamos simplemente no construir.

Clara Vega: Exacto. Empezamos por ahí, porque es una de las discusiones más citadas del día. Liam Nugent publicó una reflexión muy corta pero muy contundente: la decisión de producto más importante no es qué construyes, es qué NO construyes. Y cita a McGovern, que afirma que eliminar entre el 80 y el 90 por ciento del contenido de un sitio aumenta las ventas y reduce el soporte.

Mateo Ruiz: Es una frase que duele, porque cualquiera que haya mantenido un producto sabe que la tentación es siempre añadir. Un botón más, una configuración más, una página de marketing más. Y este argumento dice: no, cada cosa que añades es una cosa que tienes que mantener, explicar, documentar y encima confunde al usuario que solo quería hacer una cosa.

Clara Vega: Lo interesante de la conversación es que no quedó en teoría, porque apareció un ejemplo concreto que encaja perfectamente: Manticore Search. Han añadido auto-chunking automático al hacer INSERT, con cinco estrategias distintas, y en su propio manual el recall@5 pasó del 55 por ciento al 83 por ciento.

Mateo Ruiz: Y fíjate en el detalle importante: el chunking no es nuevo. Lo que es nuevo es que el usuario ya no tiene que decidir nada. Antes tenías que saber qué era el chunking, elegir estrategia, ajustar parámetros. Ahora el sistema lo hace por ti. Es exactamente el principio de "menos es más" aplicado a infraestructura: no quitaron una funcionalidad, pero quitaron una decisión.

Clara Vega: Y eso es lo que varias personas señalaban en la discusión: la simplificación no siempre es eliminar features, a veces es automatizarlas en silencio. El usuario no ve el chunking, ve que las búsquedas funcionan mejor. De hecho, en el hilo se especulaba con que va a venir más automatización silenciosa de este estilo, donde la base de datos asume trabajo que antes era del desarrollador.

Mateo Ruiz: Eso sí, alguien puede argumentar lo contrario: la automatización silenciosa también oculta. Si las cinco estrategias automáticas fallan en tu caso concreto, ahora tienes menos visibilidad de por qué. Es la tensión clásica: menos decisiones para el 95 por ciento de los usuarios, menos control para el 5 por ciento experto. Y ahí no hay consenso claro.

Clara Vega: Bien, y en esa línea de simplificar, conecta muy bien lo que viene ahora: proyectos pequeños, casi en solitario, que apuestan por lo mismo desde otro ángulo. Flet ha llegado a la versión 1.0: apps multiplataforma para seis plataformas escritas en Python puro, con más de 150 controles, construido sobre Flutter, y con web vía Pyodide y WebAssembly.

Mateo Ruiz: El gancho es claro: escribes Python y no piensas en Android, iOS, escritorio y web por separado. Para un desarrollador solo o un equipo pequeño, eso es eliminar una cantidad enorme de decisiones. Y luego está Hister, una buscadora privada para las páginas que ya has visitado y tus propios ficheros, con extensión de navegador y servidor MCP, que ya acumula casi cuatro mil estrellas en GitHub. De nuevo, la misma idea: no competir con Google, resolver tu burbuja personal.

Clara Vega: Y el ejemplo más solitario de todos: flat.social. Un desarrollador, pawelwentpawel, ha rehecho su app de reuniones espaciales en 3D en la web, con Three.js, LiveKit y el motor físico Rapier, arrancada él solo, con demo en vivo. Tres proyectos, tres personas o equipos mínimos, todos eligiendo el alcance más estrecho posible.

Mateo Ruiz: Que además nos deja en el terreno perfecto para el siguiente tema, porque justo ahí, en el código que escribe y mantiene la IA, es donde hoy más se discute. Skillsync, que sale de Y Combinator en el lote de invierno 26, ha presentado una herramienta para portar sesiones de agentes de IA entre distintos agentes: Claude Code, Codex, Cursor. Lo hace con un motor en Rust llamado txcript, que transporta el chat, el razonamiento y las llamadas a herramientas.

Clara Vega: El problema que ataca es real: si hoy trabajas una tarde entera con un agente y mañana quieres probar otro, empiezas de cero. Todo ese contexto, ese razonamiento acumulado, se queda encerrado en el producto. Skillsync dice: la sesión es un artefacto portátil, como un fichero. Y en la discusión había quien lo veía como el equivalente a cuando los correos y los contactos se volvieron portables entre servicios.

Mateo Ruiz: Pero también escepticismo, claro. Primero, porque dependes de formatos internos que no controlas: si mañana Cursor cambia cómo registra sus tool-calls, ¿sigue funcionando la portabilidad? Y segundo, hay una pregunta de fondo en el hilo: ¿de verdad el contexto de una sesión es transferible entre modelos distintos, o cada agente tiene sus propias convenciones y el traslado pierde matices? Eso no está resuelto.

Clara Vega: El segundo frente de este tema es un ensayo que ha causado bastante debate. El autor cuenta su decepción con lo que llama "tokenmaxxing", esta carrera por gastar cada vez más tokens en agentes que programan. Su tesis: después de esa decepción, lo que falta son primitivas para bases de código que se autoconducen, es decir, piezas de software pensadas para que las use una IA, no un humano. Y remata diciendo que el trabajo más valioso siguen siendo las ideas y la arquitectura.

Mateo Ruiz: Y ahí la discusión se dividió de una manera muy interesante. Un grupo coincidía: los agentes actuales son brillantes en baterías de código corto y se pierden en repositorios grandes, precisamente porque el software no está diseñado con "manijas" para ellos. Otro grupo respondía que las primitivas ya están emergiendo de forma natural: tests buenos, tipos estrictos, documentación precisa, que siempre fueron valiosas y ahora lo son el doble.

Clara Vega: Y el caso que enciende todavía más este debate es Bend 2. Es un lenguaje de programación que promete velocidad de C, paralelismo en GPU, y algo muy peculiar: pruebas formales al estilo Lean, con un bloque llamado LAWS.bend que supuestamente bloquea bugs que una IA pueda introducir. Suena a herramienta hecha a medida para la era de los agentes.

Mateo Ruiz: Suena muy bien, sí. El problema es la transparencia: han aplastado todo el repositorio a un solo commit. La historia completa del desarrollo ha desaparecido. Y en la conversación esto generó una crítica bastante dura: ¿cómo vas a pedir a la gente que confíe en un lenguaje que garantiza la corrección formal si ni siquiera puede auditar cómo se construyó?

Clara Vega: Y hay quien defendía que hacer squash a un commit es una decisión legítima de presentación, y quien replicaba que para un lenguaje que se vende por sus garantías formales, el historial es parte de la credibilidad. La pregunta abierta es precisamente esa: ¿exigirá la comunidad apertura total para adoptar lenguajes nuevos hechos en la era de la IA? Porque es la misma desconfianza que aparecía en otro hilo relacionado: mysetup.

Clara Vega: ai, una comunidad para compartir configuraciones de IA, recibió críticas por el login vía MCP y GitHub, y acabaron añadiendo entrada manual. La lección repetida: la gente quiere caminos simples y verificables.

Mateo Ruiz: Bueno, y de verificación pasamos directamente a seguridad, porque el hilo de CrowdSec es de los más comentados del día. CrowdSec ha confirmado que su código fuente se filtró en mayo de 2026. El vector del leak parece ser un compromiso de Tanstack. Lo bueno: no hay datos de clientes afectados y han rotado los tokens.

Clara Vega: Lo que se debatía en el hilo tiene dos capas. Una, casi fisiológica: cuando tu código fuente se filtra, ¿cambia algo? Parte de los comentarios decía que para un proyecto que ya mezcla código abierto y propietario, el daño es limitado: los atacantes ven el código, pero el código no son las credenciales. Otros discrepaban y decían que el código fuente siempre revela rutas internas, endpoints, lógica de negocio, y que minimizarlo es cómodo.

Mateo Ruiz: Y la segunda capa es más filosófica, y conecta con el ensayo de netmeister que ha circulado hoy. Su argumento es una crítica al hype de la IA en seguridad: nos obsesionamos con encontrar vulnerabilidades, cada vez más rápido y con más modelos, pero el cuello de botella real es el parcheo. Encontrar mil vulnerabilidades nuevas no sirve de nada si los equipos ya no dan abasto con las que existen.

Clara Vega: Ese ensayo cuadradaba muy bien con la inquietud que generó el leak de CrowdSec: la gente preguntándose cómo un compromiso en la cadena de suministro pasa desapercibido durante meses. El ensayo diría: no es que nos falten detectores, es que el ciclo de remediar es humano, lento y saturado. Y encima llega GitLab con una medida que alimenta el debate: desde el 19 de octubre de 2026, sus rate limits en GitLab.

Clara Vega: com dependerán del nivel de suscripción; los usuarios anónimos quedan en 60 peticiones por hora. En la discusión se asume que el motivo es el scraping masivo por parte de LLMs.

Mateo Ruiz: Y es una medida que a mucha gente le parecía inevitable y a otros les parecía un peaje más. Los que defendían la medida decían: si los bots consumen los recursos, el que paga es el usuario legítimo; limitar es proteger. Los críticos decían: esto penaliza al pequeño, al estudiante, al que evalúa la plataforma, y los grandes scrapers encontrarán la forma de rotar. Nadie en el hilo pretender tener la respuesta perfecta.

Clara Vega: En medio de todo eso aparece algo constructivo: Cloudflare ha publicado security-audit-skill, una skill para agentes de programación que ejecuta auditorías de seguridad en varias fases y devuelve hallazgos verificados y en formato legible por máquina. Es decir, intentar meter la IA justo en el punto donde el ensayo de netmeister decía que está el cuello de botella.

Mateo Ruiz: Aunque ojo, porque en la discusión había quien notaba la ironía: si la IA encuentra vulnerabilidades más rápido, pero el parcheo sigue siendo humano y lento, acabamos con listas de hallazgos verificables cada vez más largas y equipos cada vez más desbordados. La pregunta que quedó flotando y que nadie cerró: ¿quién parchea todo esto?

Clara Vega: Pues de esa pregunta de quién ejecuta a escala pasamos a los modelos, porque hoy hay tres noticias que apuntan a la misma dirección: modelos más pequeños, más dinámicos y con infraestructura propia. La primera es PrismML con Ternary Bonsai 2 de 27B parámetros. Usa pesos ternarios, y el resultado es un modelo de solo 5,9 gigabytes que alcanza el 98,2 por ciento de los benchmarks de Qwen3.8-27B, con 262 mil de contexto y licencia Apache 2.0.

Mateo Ruiz: El número que a todo el mundo le voló la cabeza es ese: 5,9 gigabytes. Un modelo de 27B cabe en hardware modesto. En el hilo la reacción era dividida entre el entusiasmo, "esto democratiza la inferencia", y las advertencias de siempre: los benchmarks agregados no cuentan todo, y hay que ver cómo se comporta el modelo en tareas concretas. Pero el consenso aproximado, si lo hay, es que la eficiencia está avanzando más rápido de lo que muchos esperaban.

Clara Vega: La segunda noticia es más rara y más especulativa: un paper en arXiv, el 2609.18842, propone un LLM de parámetros infinitos. En lugar de pesos fijos, una hiperred genera los pesos en vivo a partir de los datos de interacción, con actualización bayesiana online.

Mateo Ruiz: O sea, el modelo no se entrena una vez y se congela; se adapta continuamente con lo que ve. Es conceptualmente precioso y conceptualmente aterrador. En la conversación había quien veía ahí el futuro del aprendizaje continuo, y quien preguntaba lo obvio: ¿cómo auditas o reproduces un modelo que cambia con cada interacción? ¿Cómo garantizas estabilidad? Es de esos trabajos que de momento son más pregunta que respuesta.

Clara Vega: Y la tercera es la de GLM: han montado su inferencia de producción sobre más de cien mil aceleradores chinos, y una buena parte del trabajo de infraestructura lo diseñó su propio agente, el Infra-Agent de GLM-5.3, consiguiendo un triple de rendimiento.

Mateo Ruiz: Dos cosas en esa noticia. Una geopolítica y de cadena de suministro: cien mil aceleradores no americanos. Y dos, muy comentada en el hilo: que la infra la haya diseñado en gran medida un agente de IA. Unos lo leían como prueba de que la IA ya diseña sistemas a escala de producción; otros matices: diseñar sobre un diseño existente es distinto a inventar arquitecturas nuevas. La carrera, como decías, va de modelos más pequeños, dinámicos y de infra propia, y las tres noticias apuntan ahí.

Clara Vega: Sí, y de ahí es casi natural saltar al siguiente debate: ¿qué pueden hacer de verdad estos modelos frente al conocimiento humano? Tres piezas hoy. La más mediática es un artículo de The Economist que asegura que la IA ya supera a algunos de los mejores pronosticadores humanos.

Mateo Ruiz: Y aquí la reacción de la comunidad fue muy escéptica respecto a la novedad. En la discusión se dudaba bastante: la idea de que los modelos agregan información y razonan probabilísticamente mejor que un experto aislado no es nueva, decían; ya se había mostrado antes.

Mateo Ruiz: El artículo es de pago, así que parte del debate se basaba en el resumen y en la experiencia propia de los comentaristas, algunos de los cuales decían haber visto exactamente lo contrario en sus equipos: modelos confiados y mal calibrados.

Clara Vega: Justo en ese punto de calibración entra la segunda pieza, que es una tesis muy práctica que circuló hoy: la clasificación con LLMs es, en el fondo, feature engineering. La propuesta: en lugar de pedirle al modelo una decisión final, usa sus juicios como features de entrada en una regresión logística. Así obtienes calibración, umbrales ajustables e interpretabilidad.

Mateo Ruiz: A mucha gente esto le pareció lo más sensato que se había escrito en semanas. Es decir, deja que el modelo aporte señal, pero que la decisión formal, con su umbral y su auditoría, la tome un modelo estadístico transparente. Otros replicaban que es añadir una capa que a veces no hace falta, y que con buenos prompts y suficiente contexto el LLM solo basta. Pero para dominios regulados, la idea del jugo del LLM dentro de un modelo auditable tuvo mucho Eco.

Mateo Ruiz: Y conecta con lo de los parámetros infinitos, en cierto modo: ambos son intentos de separar la señal estadística de la decisión.

Clara Vega: Y la tercera pieza es la de Timothy Gowers, medallista Fields, que ha explicado por qué no firmó la carta de medallistas contra las pruebas matemáticas producidas en masa por LLMs, aun estando de acuerdo en que hay una crisis.

Mateo Ruiz: Este texto es sutil y el hilo lo apreció. Gowers no dice que no pasa nada; dice que está de acuerdo con el diagnóstico, pero no con la carta, seguramente porque el texto no lo representaba del todo o porque no quería esa forma de pronunciarse. En la discusión se leyó como un recordatorio: en estas disputas, el cómo disientes importa tanto como el disentir. Y quedaba la misma pregunta abierta que en los pronósticos: dónde aporta la IA y dónde queda el criterio humano, sin cierre.

Clara Vega: De los matemáticos a los abogados, porque OpenAI ha entrado de lleno en lo legal con Astra for Law. Es GPT-6 Astra combinado con un índice de búsqueda legal de 230 millones de URLs, y en el benchmark de investigación legal de Vals-AI logra un 54 por ciento frente al 38,7 por ciento.

Mateo Ruiz: Lo que se discutía es que el número grande es casi lo de menos. Lo revelador es el patrón: modelo general más índice vertical propio. Es decir, el valor no está solo en el modelo, está en poseer los datos del dominio bien indexados. En el hilo se speculated abiertamente que veremos más de esto: medicina, impuestos, inmobiliaria, cada dominio con su índice.

Mateo Ruiz: Y las preguntas típicas: qué pasa con la frescura de las fuentes, y si los despachos van a comprar esto o a construir algo con sus propios archivos.

Clara Vega: Bueno, de la longevidad de los sistemas pasamos a la de las personas, porque el tema social de hoy viene en dos partes muy bien emparejadas. Japón ha superado por primera vez los cien mil centenarios: 107.677 personas, de las cuales el 88 por ciento son mujeres. Y el dato que lo enmarca todo: una auditoría de 2010 encontró 230.000 registros de mayores de cien años sin aclarar, muchos de ellos probablemente fallecidos y sin dar de baja.

Mateo Ruiz: Sí, y ese dato de 2010 es el que la comunidad sacaba inmediatamente para poner el titular en contexto: detrás de la cifra bonita hay un problema administrativo conocido. Los comentarios iban desde la fascinación por la longevidad hasta reflexiones más frías sobre los registros públicos y las pensiones. Y es que el envejecimiento no es solo un logro demográfico, es una carga de gestión.

Clara Vega: Y ahí encaja la otra mitad: The New Yorker ha publicado una pieza sobre el self-storage en Estados Unidos, que tiene alrededor del 90 por ciento de la capacidad mundial de almacenamiento de este tipo, más de cuarenta mil millones de dólares de ingresos anuales, y más locales que las cadenas de comida rápida mencionadas en el artículo.

Mateo Ruiz: Y la lectura que se hacía en la conversación es que ambas noticias son espejos: Japón envejece y acumula siglos de objetos y papeleo; Estados Unidos acumula cosas que no quiere tirar. Cuarenta mil millones de dólares al año por guardar cosas que la gente no usa. Había quien lo veía como el retrato perfecto del consumismo y quien apuntaba que también es la infraestructura de las transiciones vitales: mudanzas, divorcios, herencias, muertes.

Mateo Ruiz: El almacenamiento como bufanda de las vidas desordenadas.

Clara Vega: Y para cerrar, el software libre y la comunidad, que hoy nos deja tres muestras de construcción desde abajo. La primera es Vinix, un sistema operativo moderno escrito en V: funciona con cien megabytes de RAM y un gigabyte de disco, tiene soporte para M1, y lo más llamativo: ejecuta binarios de Alpine Linux de forma nativa, sin máquina virtual ni emulación.

Mateo Ruiz: Que es el detalle técnico que la conversación más celebraba: la compatibilidad binaria con Linux es lo que convierte un juguete en algo utilizable, porque puedes correr software real. Claro que también se preguntaba lo de siempre: ¿quién mantiene esto a largo plazo? ¿Es un proyecto de investigación o el inicio de algo serio?

Clara Vega: Y justo esa pregunta de mantenimiento tiene respuesta parcial en Servo, que ha cerrado un año de desarrollo patrocinado con balance: ocho mantainers nominados, 1.150 pull requests revisados, y un 92 por ciento de issues de novatos resueltos.

Mateo Ruiz: Ese 92 por ciento es de los datos que más dicen: los issues de novatos son los que se acumulan para siempre en cualquier proyecto grande. Que un equipo patrocinado los haya digerido casi todos habla de un proyecto que ha pasado de experimento a institución. La discusión, eso sí, giraba sobre el modelo: el patrocinio corporativo estabiliza, pero ¿influye en las prioridades? Nadie lo contestó con certeza.

Clara Vega: Y la cita comunitaria del calendario: el CCC ha abierto el Call for Participation del 40C3, que se celebrará del 27 al 30 de diciembre de 2026 en Hamburgo, bajo el lema "Model Citizens", que en el contexto de hoy, con agentes por todas partes, suena casi profético.

Mateo Ruiz: Totalmente, "ciudadanos modelo" en el año en que los modelos escriben código, diseñan infraestructura y discuten con matemáticos. Y así cerramos el círculo: hemos empezado preguntando qué no construir y acabamos preguntando quiénes, humanos o modelos, van a mantener todo lo que sí se construye.

Clara Vega: Esa es la pregunta que nos llevamos. Gracias por acompañarnos, soy Clara Vega.

Mateo Ruiz: Y yo Mateo Ruiz. Nos vemos mañana con más discusiones de la comunidad. ¡Hasta pronto!