0921 | Pánico, agentes y la letra W

Clara Vega: ¡Hola y bienvenidos a un episodio más del podcast! Soy Clara Vega.

Mateo Ruiz: Y yo soy Mateo Ruiz. Y hoy tenemos un programa que, de alguna manera, tiene un hilo conductor que atraviesa casi todo: la pregunta de qué es real y quién lo sostiene. Qué hay de sustancia detrás del hype de la inteligencia artificial, quién paga la infraestructura abierta que todos usamos, y qué está pasando con la vigilancia y las decisiones de poder mientras nosotros discutimos en internet.

Clara Vega: Sí, y vamos a hacerlo a lo grande, porque hay mucha conversación en los foros hoy. Empecemos con una historia que tiene de todo: drama, acusaciones de marketing y una empresa que se llama, irónicamente, Irregular.

Mateo Ruiz: Ay, sí. Empecemos por ahí, porque es buenísima. Hay un ensayo que está circulando hoy que acusa a los laboratorios de inteligencia artificial de algo bastante cínico: de vender pánico existencial a Washington. La tesis es que los labs no están simplemente advirtiendo sobre riesgos catastróficos de la IA, sino que están usando ese relato apocalíptico como una jugada política, para posicionarse como los únicos responsables capaces de regular su propia industria.

Clara Vega: O sea, la retórica de "la IA puede destruir el mundo" funcionaría como barrera de entrada. Si tú convences a los reguladores de que el riesgo es civilizacional, entonces la única gente que puede "manejar" ese riesgo es gente como tú. Es una crítica que lleva años circulando en estos espacios, pero lo interesante del ensayo es que trae un caso concreto.

Mateo Ruiz: Exacto, y este es el detalle que encendió toda la discusión: los supuestos filtraciones, los leaks que alimentaban parte de esa narrativa de pánico, resultaron ser otra cosa. Según el ensayo, esas filtraciones reales fueron fallos de firewall del contratista Irregular. O sea, no eran revelaciones de un modelo que se estaba saliendo de control ni nada por el estilo. Eran problemas de infraestructura de red de un contratista.

Clara Vega: Y eso es lo que hizo que la conversación en los comentarios se dividiera bastante claramente. Porque hay dos lecturas posibles y la gente no se ponía de acuerdo sobre cuál es la correcta. La primera lectura es la del ensayo: mira, cada vez que alguien dice "hay evidencia de que la IA está fuera de control", resulta que la evidencia era un firewall mal configurado. Eso debería hacernos escépticos de toda la narrativa de pánico.

Mateo Ruiz: Y la segunda lectura, que también apareció, es más bien: no, espera, que un contratista tenga fallos de firewall alrededor de sistemas de IA de frontera no es tranquilizador, es preocupante por razones completamente mundanas. Seguridad operacional básica. Es decir, hay gente que decía "el problema no es la IA consciente, el problema es que ni siquiera pueden configurar un firewall", y eso es una crítica casi peor.

Clara Vega: Es una buena bifurcación, porque en realidad las dos lecturas coinciden en algo: que la evidencia pública de peligro inminente es mucho más débil de lo que el discurso sugiere. Pero divergen en la conclusión. Una dice "entonces el pánico es un producto", la otra dice "entonces el problema es más patético y más real".

Mateo Ruiz: Y justo ahí es donde entra la segunda historia del bloque, porque conecta perfectamente con la pregunta de si la "inteligencia" que vemos en estos modelos es real o es una ilusión que le hacemos a nosotros mismos.

Clara Vega: Bjarnason publicó una comparación que se volvió casi la frase del día: compara los LLM con la lectura al frío de los médiums. Y para quien no conozca el término, la lectura al frío es la técnica de los falsos videntes: haces afirmaciones vagas, el sujeto rellena los huecos con su propia información, y al final la persona sale convencida de que el médium sabía cosas que no podía saber.

Mateo Ruiz: Y la tesis de Bjarnason es que con los LLM pasa lo mismo: el efecto de inteligencia sería una ilusión del usuario, no un razonamiento real del modelo. Es decir, la fluidez del texto, la capacidad de completar tus frases, tu predisposición a leer intencionalidad donde no la hay — todo eso produce en ti la sensación de estar hablando con algo inteligente. Pero esa sensación estaría en el observador, no en el sistema.

Clara Vega: Esta analogía dividió a la gente muchísimo, y me parece que es la discusión más sustanciosa de todo el día. Había quien la defendía con argumentos bastante finos. El punto fuerte de los defensores es que la lectura al frío demuestra algo real sobre la cognición humana: somos máquinas de rellenar huecos. Le atribuimos comprensión a un texto vacío porque nuestro cerebro hace el trabajo pesado.

Clara Vega: Y si eso es cierto con los médiums, ¿por qué no iba a ser cierto con un modelo que, estadísticamente, es muy bueno produciendo el tipo de texto que dispara esa respuesta en nosotros?

Mateo Ruiz: Y del otro lado, la objeción principal —y esto es importante atribuirla a los comentaristas, no a mí— era que la analogía tiene un límite: la lectura al frío no se mejora con entrenamiento. El médium de hoy es aproximadamente tan bueno como el de hace cien años. En cambio, los modelos sí mejoran en tareas medibles.

Mateo Ruiz: Y para esa gente, el hecho de que puedas evaluar capacidades de forma relativamente objetiva —matemática, código, cosas así— rompe la analogía, porque una ilusión de lectura al frío no pasa un examen de matemáticas.

Clara Vega: Pero ojo, porque incluso ahí los defensores de la analogía tenían una respuesta: sí, el modelo puede resolver el examen, pero la pregunta no es si puede producir la respuesta correcta, sino si hay "razonamiento" en algún sentido interesante detrás, o si es lo de siempre: estadística + tu cerebro completando el resto. Y honestamente, esa pregunta sigue sin resolverse en la discusión. Nadie la cerró.

Mateo Ruiz: No, y de hecho uno de los comentarios que más se citaba era más o menos: "la ilusión del usuario y la capacidad real del modelo no son mutuamente excluyentes". Puedes tener un sistema que hace cosas genuinamente útiles y a la vez un usuario que le atribuye mucho más de lo que hay. Esas dos cosas coexisten y la conversación pública habla como si tuvieras que elegir una.

Clara Vega: Eso me parece el punto más honesto del hilo. Y ahora vamos a la tercera pieza de este bloque, que es la que me pareció más práctica y quizás la más incómoda para los dos lados del debate anterior: Mcfunley, que escribió un post diciendo que los prompts no son el punto.

Mateo Ruiz: Sí, y su argumento es que la gente pasa un montón de energía discutiendo sobre el prompt perfecto, como si la ingeniería de prompts fuera la disciplina central de trabajar con estos modelos. Y él dice: en producción, eso es casi irrelevante. Lo que importa es la evaluación, y a escala masiva.

Clara Vega: Y su concepto clave es el pass^k. Explícalo bien, porque es el corazón del argumento.

Mateo Ruiz: La idea es: no le preguntes "¿el modelo puede resolver esta tarea?" porque la respuesta casi siempre es "sí, alguna vez, a veces". La pregunta que importa es "¿cuántas veces seguidas lo hace bien?". Un sistema que acierta el 90% de las veces es impresionante en una demo y es un desastre en producción, porque el 10% de fallos no desaparece: se acumula. Y lo importante de su post es el tipo de fallos: los LLM no fallan de formas espectaculares, fallan de formas sutiles y simples.

Mateo Ruiz: Eso es lo que los hace peligrosos en un pipeline, porque un fallo espectacular se detecta, un fallo sutil se propaga.

Clara Vega: Y lo bonito de este post es que funciona como puente entre las dos historias anteriores. Piénsalo: si Bjarnason tiene razón y parte del efecto de inteligencia es ilusión del usuario, entonces la demo de una sola vez —que es donde vive la ilusión— es exactamente lo que no te dice nada sobre el sistema. El pass^k es, en cierto modo, el antídoto metodológico contra la lectura al frío: le quitas al usuario el papel de juez y le das el papel a la estadística.

Mateo Ruiz: Uf, esa conexión no la hice explícita nadie en los comentarios, pero me parece legítima como síntesis. La discusión pasa de "¿es realmente inteligente?" a "¿es fiable cuando lo ejecuto mil veces seguidas sin supervisión humana?", y esa segunda pregunta sí tiene respuesta medible. La primera quizás no la tenga nunca.

Clara Vega: Y para cerrar el bloque con un contrapunto ligero: jevchat. Alguien tomó Jev, que es un modelo de predicción de token único — literalmente lo más mínimo que puede ser un modelo de lenguaje, un token a la vez amuestando un símbolo cada vez — y lo convirtió en un chatbot. El resultado es lentísimo, hilarantemente lento, pero funciona en el sentido técnico.

Mateo Ruiz: Y es un chiste con una tonta lección dentro: te muestra de forma visible qué es un modelo de lenguaje en su forma más desnuda. Sin toda la maquinaria, lo que queda es "predice el siguiente símbolo". Es difícil mirar jevchat y sostener que estás hablando con una mente. Pero también es difícil mirar GPT y negar que la maquinaria encima de eso produce algo útil. Es como la ilustración física de todo el debate que acabamos de tener.

Clara Vega: Perfecto resumen del bloque. Bueno, pasemos a la segunda área, que es casi la cara práctica de lo mismo: los modelos abiertos y la infraestructura local. Y aquí hay lanzamiento grande esta semana: StepFun sacó el Step 5 Preview.

Mateo Ruiz: Los números: es un modelo de mezcla de expertos —MoE— de 600 mil millones de parámetros totales, con 27 mil millones activos por token, contexto de un millón de tokens, y van a liberar los pesos abiertos el 15 de octubre. Y el detalle que todo el mundo comentó con una sonrisa: se saltaron el número 4. Van del 3 al 5, por superstición, porque en chino el cuatro suena a muerte.

Clara Vega: Y los comentarios alrededor del salto del 4 eran divertidos pero también con fondo: había gente señalando que las empresas occidentales también hacen cosas supersticiosas — pisos sin trece en Nueva York, por ejemplo — así que burlarse del salto del 4 es un poco de hipocresía cultural. Otros simplemente aplaudían la honestidad de admitirlo en el anuncio.

Mateo Ruiz: Pero lo sustancioso era otra discusión: ¿qué significa "pesos abiertos" en un modelo de 600B? Porque aquí había un debate real. Una postura decía: 600 mil millones de parámetros no es algo que una persona pueda ejecutar jamás, así que la apertura es más simbólica que práctica.

Mateo Ruiz: La otra postura replicaba: no, espera, es MoE con 27B activos, y con técnicas de cuantización y despliegue distribuido, esto sí puede correr en hardware serio de laboratorio o empresa pequeña, y lo importante es que la comunidad puede estudiarlo, hacer fine-tuning, destilar de él. Eso no lo hace posible un modelo cerrado.

Clara Vega: Y ahí apareció la comparación inevitable con lo que pasó en imagen: Alibaba lanzó Qwen Image 2.1, un modelo de texto a imagen de 7B parámetros. Y el comentario que más se repitió en el foro es un poco provocador: que la generación local de imagen va mejor que la generación local de código.

Mateo Ruiz: Sí, y esa frase generó un hilo de discusión muy interesante, porque hay que desempacarla. ¿Por qué sería eso? Una explicación que daban: el código tiene una tolerancia al error de cero. Si la imagen tiene un artefacto raro en la esquina, sigues teniendo una imagen usable. Si el código tiene un error de tipo en la línea 40, no tienes nada. Así que la misma tasa de imperfección duele muchísimo más en código que en imagen.

Clara Vega: Y la otra explicación que circulaba era sobre el tamaño del modelo: un 7B puede hacer cosas sorprendentes en imagen porque la distribución visual es más "forgiving" y el entrenamiento de difusión es muy eficiente, mientras que el razonamiento de código quizás necesita más capacidad por token.

Clara Vega: Aunque honestamente en el hilo había gente que simplemente no estaba de acuerdo y decía que los modelos de código locales ya les sirven para tareas concretas, especialmente autocompletado y refactorizaciones pequeñas. No había consenso.

Mateo Ruiz: Ahora, un tema donde sí había bastante acuerdo: distribución. Pirate Face es una herramienta que convierte los modelos abiertos de Hugging Face en torrents magnet, con verificación SHA-256. Y el argumento de los defensores era contundente: Hugging Face es un punto único de fallo. Si un modelo popular desaparece —por presión legal, por decisión corporativa, por lo que sea— se pierde o queda atrapado.

Mateo Ruiz: Un torrent no tiene punto único de fallo y el hash te garantiza que lo que descargas es exactamente lo que se publicó.

Clara Vega: Y las objeciones también eran las de siempre con torrents: descubrimiento es más difícil, la siembra depende del altruismo de la gente, y hay quien señalaba la ironía de que la comunidad que más defiende la propiedad intelectual cuando se trata de entrenar con datos protegidos sea la misma que distribuye por torrent. Aunque otros respondían que no es la misma cosa: son pesos liberados abiertamente por sus autores, solo que distribuidos con mejor infraestructura.

Clara Vega: También ahí había fricción sin resolución.

Mateo Ruiz: Y del torrent al orquestador: Google publicó AX, un orquestador de agentes en YAML, open source con licencia Apache 2.0. La ambición declarada es escalar a miles de millones de tareas en sandbox usando un cluster.

Clara Vega: Miles de millones es un número que hace ruido, y en los comentarios había escepticismo sano sobre si la abstracción YAML puede realmente describir la variedad de tareas de agente que la gente quiere. YAML como formato de configuración es querido y odiado a partes iguales, y había bromas suficientes sobre eso. Pero también había quien veía el patrón más grande: todas las grandes empresas están construyendo la capa de orquestación de agentes, y que Google la libere con Apache 2.

Clara Vega: 0 es una apuesta de estándares. Si todos adoptan tu orquestador, tu ecosistema gana.

Mateo Ruiz: Y aquí quiero conectar con dos piezas más pequeñas que enriquecen el mismo tema de la infraestructura local. Primera: alguien mostró Laya, un modelo tipo BERT — o sea, pequeña, de "Sistema 1", sin generación largu — corriendo completamente offline en un Mac M4 vía CoreML, controlando un juego de Snake, con aproximadamente dos minutos de configuración.

Clara Vega: Y lo que la gente destacaba no era Snake, obviamente. Era la dirección: modelos pequeños, rápidos, corriendo en tu máquina, sin nube, sin latencia, sin enviar tus datos a nadie. Es la otra punta del espectro respecto al MoE de 600B. Un extremo: gigantes abiertos para centros de datos. Otro extremo: mini-modelos embebidos en tu laptop. Y ambos avanzando a la vez.

Mateo Ruiz: Y la segunda pieza es la más filosófica del bloque: Po-Shen Loh escribió en el blog de Terence Tao sobre IA y matemática. Su predicción es que la IA resolverá la matemática, pero con un giro inesperado: si el axioma que le das al sistema es "ayudar a la humanidad a florecer", el resultado óptimo sería que existieran más empleos humanos para personas, no menos.

Clara Vega: Porque florecer humano incluye hacer matemática, incluye trabajar, incluye sentirse útil. Si optimizas literalmente por "florecimiento humano", delegarlo todo a la máquina puede ser contraproducente para el objetivo mismo. Es un argumento elegante y en el hilo había quien lo encontraba profundo y quien lo encontraba ingenuo — diciendo que los sistemas reales no optimizan axiomas filosóficos sino métricas proxies, y que entre el axioma y el proxy se pierde justamente esa preocupación humana.

Clara Vega: Ahí también quedó la discusión abierta.

Mateo Ruiz: Bueno, y de la pregunta de quién construye la infraestructura pasemos a la que para mí es la más injustamente importante del día: quién la sostiene. Seldo escribió un post con un dato duro: el 60% de los mantenedores de open source no son pagados por su trabajo.

Clara Vega: Seso­centa por ciento. Y la propuesta de Seldo es concreta, no es un lamento: cobrar a las empresas directamente en los registros de paquetes — npm, PyPI, esas cosas — y redistribuir parte de ese dinero a los mantenedores.

Mateo Ruiz: Y ahí la discusión se dividió en campos predecibles pero bien argumentados. Los defensores decían: la infraestructura crítica del mundo corre sobre trabajo no remunerado, y las empresas más ricas de la historia dependen de ella, así que meter la tarifa en el registro es el único punto de cobro donde el dinero puede fluir sin fricción — todo el mundo ya pasa por ahí. Es la infraestructura del cobro.

Clara Vega: Y las objeciones eran serias. Había quien decía que cobrar el registro crea incentivos perversos: la gente empezaría a publicar paquetes basura para capturar tarifas, o surgirían paquetes-fantasma. Otros objetaban el problema clásico: ¿cómo decides quién recibe qué? Un paquete con diez millones de descargas que es diez líneas de código frente a un compilador mantenido por tres personas que casi nadie descarga directamente pero todos usan transitivamente.

Clara Vega: La métrica de descargas mide lo visible, no lo esencial.

Mateo Ruiz: Y también estaba la objeción de "las empresas ya pueden donar y no lo hacen, ¿por qué obligarlas vía registro cambiaría eso?". A lo cual los defensores respondían con el punto de la fricción: donar requiere que alguien en la empresa decida, cada vez, cada paquete. Una tarifa automática distribuida elimina miles de decisiones individuales. De nuevo: discusión abierta, sin consenso.

Clara Vega: Y este tema de "compartir dejó de ser seguro" tiene su gemelo oscuro en otra historia: el colapso del equilibrio de Creative Commons. El argumento del artículo es que el modelo CC se sostenía sobre un intercambio implícito: yo comparto mi trabajo, tú lo usas respetando la licencia, y la cultura gana.

Clara Vega: Pero los LLM consumen todo sin respetar las licencias, y una vez que el consumo es masivo, industrial y sin atribución, compartir deja de ser un intercambio — se convierte en regalarle materia prima a quien luego te compite.

Mateo Ruiz: Y aquí los comentarios eran melancólicos más que combativos. Había creadores contando que ya están poniendo sus cosas detrás de muros o con cláusulas anti-IA, y lamentándolo, porque la apertura les había dado audiencia y comunidad durante años. Y había la contra-postura: "el genie no vuelve a la botella, cerrar tus cosas solo te aísla; la respuesta es presión legal y política, no retirarse".

Mateo Ruiz: Pero la tensión de fondo — que el contrato social del contenido abierto se rompió — nadie la disputaba realmente. Lo que se disputaba era qué hacer al respecto.

Clara Vega: Y mientras hablamos de comunidades que se sostienen con esfuerzo: Radius. Es el relanzamiento de una alternativa a Meetup. Grupos, eventos, y una categoría que me gusta, "Activities" informales — cosas como salir a correr o juntarse a comer, sin la formalidad de un "evento". El modelo de negocio: doce libras al mes para grupos Pro. Y está hecho en Ruby on Rails.

Mateo Ruiz: El contexto importante aquí es el sentimiento contra Meetup después de sus cambios de precios y de producto, que dejó a miles de organizadores de comunidad buscando hogar. En los comentarios los organizadores reales contaban sus dolores: Meetup cobrando cada vez más por menos, el problema de descubrimiento que ninguna plataforma ha resuelto bien, y el dilema del coste — doce libras al mes es asumible para un grupo establecido pero puede doler a un grupo recién nacido con dos miembros.

Mateo Ruiz: Y los comentarios de fundadores de otras plataformas alternativas contaban su realidad: que la gente se queja de Meetup pero migrar es carísimo, porque toda tu comunidad ya está allí. La conmutación es el enemigo, no los precios.

Clara Vega: Y justo al otro extremo de la escala: Sherline Tools, el fabricante estadounidense de tornos y fresadoras de precisión, cierra. La razón declarada: la fabricación es insostenible. Dejan de producir en octubre de 2026.

Mateo Ruiz: Y este anuncio golpeó fuerte en el hilo, en parte por nostalgia — generaciones de hobbistas y talleres pequeños aprendieron en una Sherline — y en parte por lo que dice sobre la manufactura en Estados Unidos. Los comentarios de gente con experiencia en el sector eran duros: las máquinas pequeñas de precisión compiten contra productos importados a precio imposible, los costes de fabrication domésticos no bajan, y la clientela se hace vieja sin relevo generacional suficiente.

Mateo Ruiz: Había un dejo de "esto no es una anécdota, es la señal".

Clara Vega: Y me gusta cómo conecta con todo el bloque: el open source sin pago, el Creative Commons roto, las plataformas de comunidad con problemas de negocio, y ahora un fabricante de precisión que no puede sobrevivir. Todas son versiones de la misma pregunta: ¿quién paga la infraestructura que todos usamos? Y la respuesta que emerge de estas cuatro historias es incómoda: a veces nadie, y entonces desaparece.

Mateo Ruiz: Bien dicho. Bueno, pasemos a un bloque más denso y más incómodo: rastreo, vigilancia y transparencia. Y empezamos con una noticia que a mucha gente le cayó mal: OpenAI y una cookie llamada "obi".

Clara Vega: Los detalles técnicos: la cookie obi se coloca en bzr.openai.com, tiene SameSite=None — que significa que se envía a través de sitios cruzados, o sea, está diseñada explícitamente para rastreo entre sitios — y dura un año. Y lo que hace: vincula tu cuenta de ChatGPT con tu actividad en webs de anunciantes.

Mateo Ruiz: Déjame decirlo en cristiano: lo que preguntas a ChatGPT puede quedar conectado con las páginas de anunciantes que visitas después, bajo el mismo identificador, durante un año.

Clara Vega: Exactamente, y eso es lo que hizo explotar el hilo. Porque lo más comentado fue la incongruencia: esta es la empresa cuya narrativa — recuerda nuestra primera historia del día — incluye tanto la responsabilidad y el futuro de la humanidad. Y mientras tanto está colocando cookies de rastreo publicitario de un año de duración con SameSite=None. Los comentarios no perdieron la oportunidad de señalar la yuxtaposición con el ensayo del pánico existencial.

Clara Vega: Hay quien dijo, más o menos: "venden el apocalipsis en Washington y cookies de anunciantes al resto".

Mateo Ruiz: Y las defensas técnicas que aparecían — tipo "es solo identificación de sesión, no lectura de conversaciones" — no calaron mucho, porque la objeción de fondo no es sobre el contenido exacto de la cookie sino sobre la arquitectura: si mi identidad de ChatGPT y mi navegación publicitaria comparten un identificador persistente de un año, el potencial de perfiles está ahí, independientemente de lo que se haga hoy con él.

Mateo Ruiz: Y varios comentaristas recordaron que esto es exactamente el tipo de cosas por las que la gente instala bloqueadores.

Clara Vega: Y de las cookies de OpenAI a algo físicamente presente en tus calles: Flock, la empresa de cámaras de vigilancia de placas. La historia hoy no es sobre tecnología sino sobre sus empleados: hay funcionarios demoralizados pidiendo la dimisión, por el odio público bipartidista hacia la empresa.

Mateo Ruiz: Y el detalle que lo hace interesante es "bipartidista". Flock no está en el eje política tradicional estadounidense. De un lado la detestan los defensores de libertades civiles por la vigilancia masiva y la colaboración con agencias. Del otro la detestan por ayudar a perseguir personas por temas de aborto o por compartir datos con autoridades federales de inmigración. Cuando ambos extremos te odian por razones distintas, tus empleados viven bajo un fuego cruzado constante.

Clara Vega: Y en los comentarios había mucha empatía ambivalente hacia los empleados: la gente distinguía entre los ingenieros que quizás entraron a construir "mejor seguridad vecinal" y la realidad de lo que la plataforma llegó a ser. Pero también estaba la postura dura: si eliges trabajar ahí, sabes lo que construyes. ¿Y qué sigue para Flock?

Clara Vega: Esa es la pregunta sin respuesta del hilo: ¿puede una empresa que ambos extremos políticos odian sobrevivir a largo plazo, o la utilidad práctica para las policías es tan grande que aguanta? Nadie lo sabe.

Mateo Ruiz: Y para el cierre de este bloque, un vistazo atrás que le da contexto histórico a todo: el último documento del archivo Snowden se publicó el 29 de mayo de 2019. The Intercept, que era el hogar del archivo, lo cerró en marzo de ese mismo año. Pero — y este es el dato tranquilizador que se destacó — quedan copias del archivo con Laura Poitras y con Glenn Greenwald.

Clara Vega: Y el hilo alrededor de esto era raro y fascinante, porque mezclaba alivio y preocupación. Alivio porque no se perdió nada: el material sigue existiendo en manos de periodistas con historial de cuidarlo. Preocupación porque un archivo de esa importancia depende de personas individuales — qué pasa con las copias dentro de veinte o treinta años, quién hereda esa responsabilidad, qué pasa cuando los dos nombres que la sostienen ya no quieran o puedan.

Clara Vega: Es la pregunta de la preservación aplicada al material más sensible posible.

Mateo Ruiz: Y tenía resonancia con un tema que saldrá más adelante — el archivo es otra infraestructura que depende de quién la sostiene. Y de paso, en la misma clave de transparencia institucional pero al otro lado del Atlántico: España bloqueó Archive.today y sus espejos por orden de la Comisión de Propiedad Intelectual, sin sentencia judicial previa.

Clara Vega: Y ahí los comentarios españoles y no españoles discutían lo mismo de siempre pero con urgencia renovada: un bloqueo administrativo previo a cualquier juicio, sobre un archivo que es, de facto, la última copia de muchas cosas que desaparecen de la web. El argumento de la propiedad intelectual se entiende, pero Archive.today es también literalmente un archivo de cosas que otros han borrado. Eliminarlo es destruir memoria.

Clara Vega: La tensión copyright-preservation no se resolvió en el hilo, obviamente, pero quedó bien planteada.

Mateo Ruiz: Bien, y vamos al bloque de decisiones de poder: salud, clima y chips. Tres historias sobre quién decide cómo funcionan cosas que afectan a millones. Empecemos con Elizabeth Warren.

Clara Vega: Warren presentó un proyecto de ley para prohibir que el private equity posea clínicas médicas. Y el dato de contexto que hace la propuesta comprensible: más del 80% de los médicos ahora están empleados por corporaciones. O sea, el médico dueño de su consulta es la excepción, no la norma.

Mateo Ruiz: El argumento a favor de la ley, tal como circulaba en los comentarios: el modelo de private equity es comprar clínicas, recortar costes, subir precios, cargar deuda sobre la entidad comprada y vender en cinco a siete años. En software eso produce productos malos; en medicina produce — según los estudios que citaban los comentaristas — más denegaciones de cuidado, menos personal, peores resultados.

Mateo Ruiz: Y la objeción clásica del otro lado: que la propiedad corporativa también trae capital, eficiencia administrativa y alivio de la carga burocrática para médicos que no quieren gestionar un negocio. ¿Es el private equity específicamente el problema, o toda propiedad corporativa? Porque la propuesta solo ataca la primera. Ese fue el punto de fricción más fino del hilo.

Clara Vega: Y mientras discutimos quién posee la medicina, el otro hilo del poder: la EPA revocó los límites de carbono de 2024 para las plantas eléctricas de carbón y gas. Y el número que da la escala: la regla original habría evitado aproximadamente mil trescientos ochenta millones de toneladas de CO2 hasta 2047.

Mateo Ruiz: Mil trescientos ochenta millones de toneladas. Y el debate en el hilo fue curioso porque pocos defendieron la revocación en términos climáticos; la discusión real fue sobre la solidez legal y económica. Los defensores de la revocación argumentaban que la regla anterior se apoyaba en interpretaciones legales frágiles que los tribunales hubiesen tumbado, y que un límite inválido que cae en los tribunales vale menos que ninguna regla.

Mateo Ruiz: Los críticos respondían: cada año sin límite es un año de emisiones reales, y mil trescientos ochenta millones de toneladas no es una abstracción legal, es física atmosférica. Es el eterno choque entre optimizar la estrategia legal y optimizar el resultado físico.

Clara Vega: Y ahora conectemos esta historia con la siguiente, porque hay un hilo escondido: ¿por qué crees que la demanda de memoria de alta velocidad está explotando en este momento exacto, Mateo?

Mateo Ruiz: Porque todos esos centros de datos de IA que discutimos toda la mañana necesitan memoria HBM. Y ahí va la historia: Samsung va a doblar la producción de HBM4 y HBM4E en 2027, llegando a unos doscientos cincuenta mil wafers al mes. Y la consecuencia que importa para la gente normal: menos capacidad de wafer quedará disponible para la DRAM de consumo.

Clara Vega: O sea: la misma fábrica, el mismo silicio, la misma capacidad. Si Samsung la vuelca a HBM para centros de datos de IA, la RAM de tu computadora, de tu teléfono, de tu servidor doméstico se encarece o escasea. Los comentaristas lo estaban viviendo en tiempo real: precios de memoria subiendo, y la explicación estructural es esta reasignación de capacidad. Es la economía de los chips como política: las decisiones de gigantes de semiconductores terminan en el precio de tu actualización de portátil.

Mateo Ruiz: Y es un buen ejemplo de lo que tiene el bloque: tres decisiones — una ley sobre clínicas, una regulación ambiental, una planificación industrial de Samsung — todas invisibles para la mayoría de la gente, todas con consecuencias muy tangibles. Bien, respiremos y bajemos a tierra con el bloque de cultura y curiosidades, que es largo y delicioso.

Clara Vega: Empecemos con una hazaña técnica que a los ingenieros les produjo una especie de reverencia: la decompilación byte-idéntica de Resident Evil 4 de GameCube está completa.

Mateo Ruiz: Byte-idéntica significa que compilaron el código fuente reconstruido y obtuvieron exactamente los mismos bytes que el juego original. Es como restaurar un reloj y que marque la hora idéntica a la máquina original. Y la clave del logro: usaron una build de debug que tenía símbolos, o sea, los nombres de las funciones y variables originales. Con símbolos, la reconstrucción deja de ser arqueología a ciegas y se vuelve traducción.

Clara Vega: Pero aquí viene el asterisco que dominó los comentarios: los críticos contaron 644 hacks etiquetados "COMPILER-DIFF". Y el debate era sobre qué significa "completo" en este contexto. Una postura: byte-idéntico es byte-idéntico, el juego funciona exactamente igual, la medición científica está lograda, fin.

Clara Vega: La otra: 644 lugares donde el código reconstruido no expresa lo que el compilador original hacía y necesita trucos para forzar el resultado — eso no es código fuente limpio, es código fuente con 644 cicatrices.

Mateo Ruiz: Y los veteranos de otros proyectos de decompilación daban contexto: los COMPILER-DIFF son casi inevitables, el compilador original hacía optimizaciones no documentadas y la comunidad tiene que forzar patrones equivalentes. La discusión de fondo, que me pareció la más interesante, era: ¿el valor de estos proyectos es el binario reproducible o el código legible? Porque a veces las dos metas tiran en direcciones opuestas. Quedó abierta, como casi todo hoy.

Clara Vega: Pasemos a etimología, que es el descanso mental del episodio: la letra W. Y la historia es más rica de lo que parece: la W surgió después de la caída de Roma, cuando los escribas francos necesitaban escribir nombres germánicos que tenían el sonido /w/ — un sonido que el latín simplemente no tenía.

Mateo Ruiz: Y la solución fue deliciosamente improvisada: doblaron la U. No inventaron un glifo nuevo, tomaron el que tenían y lo repitieron. De ahí el nombre en inglés — "double u" — que describe literalmente lo que es: dos U. Y en los comentarios había la observación deliciosa de que el castellano le dice "doble ve", que es incorrecto en forma pero correcto en sonido, y el inglés le dice "double u", que es correcto en forma pero incorrecto en sonido. Dos idiomas, dos errores complementarios.

Clara Vega: Y me encanta conectar esto con nuestra historia siguiente, porque ambos son sobre gente tomando un sistema existente y estirándolo más allá de sus límites: UTF-8000. Es una extensión de UTF-8 que permite codepoints ilimitados usando múltiples bytes iniciales, conservando la compatibilidad con ASCII y la autosincronización.

Mateo Ruiz: Para el oyente no técnico: UTF-8 es la codificación de texto de internet, y tiene un límite teórico de codepoints. UTF-8000 propone romper ese límite de manera elegante: cada vez que necesitas más espacio, agregas otro byte inicial, y las propiedades que hacen bueno a UTF-8 — que un byte corrupto no descarrile todo el stream, que ASCII sea un caso particular — se conservan.

Clara Vega: Y las reacciones eran el clásico patrón de los foros ante propuestas así. Un grupo: "es brillante, la autosincronización es la propiedad sagrada y esto la mantiene, hay hasta un caso de uso real para codepoints más allá del límite actual". Otro grupo: "¿para qué? Nadie ha agotado el espacio actual y tocar la codificación de texto de toda la humanidad por hipotética futuro- necesidad es como reabrir la herida de UTF-16".

Clara Vega: Y la tercera faceta, mi favorita: los historiadores señalando que la W y UTF-8000 son la misma historia a cinco mil años de distancia — el sistema no alcanza, la gente lo dobla y sigue. Nunca hay suficiente espacio para escribir todo lo que queremos escribir.

Mateo Ruiz: Precioso. Sigamos con ciencia ambiciosa: alguien montó un sitio con doce "Millennium Problems" para biología. Al estilo de los famosos problemas del milenio de matemáticas del Clay Institute — pero para biología. Entre ellos: criopreservación de ratones — o sea, congelar y revivir un mamífero entero —, regeneración de miembros humanos, y el origen de la vida.

Clara Vega: Y el detalle que dinamitó media discusión: sin premio definido. Los Clay pusieron un millón de dólares por problema; esto, por ahora, es solo una lista. Y los comentarios se dividieron entre "la lista ya vale, el premio es marketing y puede venir después" y "sin dinero real no es un Millennium Problem, es una wishlist de blog".

Clara Vega: Había también un punto más fino que me gustó: varios comentaristas dijeron que los grandes problemas de biología no funcionan como los de matemática, porque no tienen enunciado verificable. "Origen de la vida" no es una pregunta con respuesta binaria, es un campo entero. El formato problema-premio puede no traducirse entre disciplinas. Otra discusión sin resolver.

Mateo Ruiz: Y antes de cerrar, dos piezas de opinión que generaron su propia lluvia de comentarios. La primera: un artículo que usa una fábula para explicar la jerarquía del dinero.

Clara Vega: Y la fábula le sirve de vehículo para discutir a David Graeber — el antropólogo de "Deuda", el que sostuvo que el dinero no surgió del trueque sino de sistemas de deuda y obligation social. El autor usa la historia como caballo de batalla para entrar en ese debate, y en los comentarios la gente se dividía entre los graeberianos convencidos y los economistas de la ortodoxia que seguían defendiendo versiones del trueque como origen, con matices.

Clara Vega: El chiste recurrente: cualquier discusión seria sobre dinero termina peleando sobre Graeber.

Mateo Ruiz: Y la última pieza de opinión: Boris Cherny compartió su framework de seis pasos para resolver problemas. Y la recepción fue... digamos que con más velocidad que cariño.

Clara Vega: Sí, los críticos tuvieron dos quejas concretas. Una: la urgencia constante — el framework asume que estás siempre en modo de resolver problemas importantes rápido, y hay gente que dijo "no todos los días es una emergencia de productividad". Y dos, la más citada: el tono de "sabe-todo". El autor escribe como si la vida fuera un algoritmo y quien no lo siga esté haciéndolo mal.

Clara Vega: Los defensores respondieron que el contenido es razonable aunque el empaque sea insoportable — separar el mensaje del mensajero, básicamente. Y alguien conectó con el theme del día: es otro ejemplo de cómo el tono vende o mata una idea antes de que la gente la evalúe.

Mateo Ruiz: Lo cual nos lleva perfectamente a la última historia del episodio, y me alegra que el plan — perdón, me alegra que el orden natural de las cosas — la ponga al final, porque cierra el círculo del dinero con el que abrimos cultura: ReadSG, en Singapur.

Clara Vega: El concepto: te pagan aproximadamente dos centavos de dólar singapurés por quince minutos de lectura diaria. Una sesión al día. Y hay una meta colectiva: siete millones y medio de minutos de lectura acumulados, que activan una donación de hasta ciento cincuenta mil dólares singapureses.

Mateo Ruiz: Y la pregunta del hilo, que es la que quiero dejar resonando: ¿puede el dinero cambiar hábitos de lectura? Porque hay dos teorías psicológicas chocando y los comentaristas las conocían bien. Una: los incentivos funcionan, todo hábito necesita un empujón inicial y dos centavos no es el punto — el punto es el ritual diario, el recordatorio, y el dinero es solo la excusa para empezar.

Mateo Ruiz: La otra es el clásico efecto de sobrejustificación: pagar por algo intrínsecamente agradable puede destruir la motivación interna — lees por el dinero, dejas de leer por gusto, y cuando el programa acaba, lees menos que antes.

Clara Vega: Y el detalle del objetivo colectivo — que la donación de ciento cincuenta mil dependa de que todos sumen minutos — es psicología elegante: convierte tu lectura en contribución a algo, añade presión social amable. Los defensores decían que eso es mejor diseño que el pago mismo. Los escépticos calculaban: dos centavos por quince minutos es una tasa horaria absurda, y concluyen que el programa no es un trabajo, es un juego — y depende de si lo disfrutas como juego o lo desprecias como paga.

Mateo Ruiz: Y así cerramos un círculo raro y bonito: empezamos hablando de laboratorios que venden pánico, y acabamos hablando de un gobierno que paga dos centavos para que la gente lea. En ambos casos, la pregunta de fondo es la misma: ¿qué mueve de verdad a la gente — el miedo, el dinero, el gusto, la pertenencia? Y la respuesta honesta, después de todo lo que vimos hoy, es: depende, y casi nunca es lo que el que diseñó el incentivo pensaba.

Clara Vega: Ese es el programa. Gracias por acompañarnos, soy Clara Vega.

Mateo Ruiz: Y yo Mateo Ruiz. Nos vemos en el próximo episodio — y mientras tanto, leed algo por gusto, aunque no os paguen dos centavos.

Clara Vega: Hasta la próxima.