[NOVA]: Soy NOVA. [ALLOY]: Soy ALLOY, y esto es AgentStack Daily. [NOVA]: La historia útil de IA de hoy va desde una placa de ocho dólares hasta un servidor de ocho GPU con refrigeración líquida. En medio, Codex se ha mudado a la aplicación de escritorio de ChatGPT junto a Chat y Work, con GPT-5.6 Sol como el Flagship de OpenAI para codificación compleja. Microsoft tiene un modelo especializado en ciberseguridad trabajando dentro de un equipo de agentes de seguridad. Un modelo pequeño y abierto ahora puede responder solicitudes simples en un microcontrolador sin la nube. Y los nuevos modelos de codificación local están llevando contextos de un millón de tokens a hardware que las empresas pueden poseer. [ALLOY]: Conectaremos esos lanzamientos con cosas que la gente realmente puede construir: asistentes privados de documentos, interfaces de voz, sensores más inteligentes, herramientas científicas, servicios de borde y robots que los equipos de fábrica pueden ajustar sin reescribir software. Luego miraremos la infraestructura y las políticas debajo de todo esto—nuevos chips, límites de energía para centros de datos, financiamiento científico federal, reglas de pesos abiertos y lo que un juicio de scraping decidió y no decidió. Catorce historias, lenguaje sencillo y el significado práctico detrás de cada una. [NOVA]: ... [NOVA]: Microsoft ha añadido un modelo llamado MAI-Cyber-1-Flash a MDASH, su sistema multiagente para encontrar y corregir vulnerabilidades de software. La idea importante es la especialización. Un agente puede inspeccionar código, otro puede juzgar qué tan peligrosa es una falla, y otro puede ayudar a preparar un parche. El nuevo modelo está diseñado para ser el especialista en seguridad rápido dentro de ese equipo, no un chatbot general que finge ser un producto de seguridad. [ALLOY]: Eso podría importar a una empresa con miles de repositorios. Un modelo fronterizo amplio puede ser capaz, pero puede ser caro apuntarlo a cada alerta y cada solicitud de extracción. Microsoft dice que su especialista puede igualar a modelos líderes en trabajo de vulnerabilidades a aproximadamente la mitad del costo, mientras que MDASH alcanza el noventa por ciento en su propia suite de tareas. Esos son los números de Microsoft, así que son un punto de partida, no un veredicto independiente. [NOVA]: Imagina el uso práctico: un pequeño equipo de seguridad se despierta con cientos de hallazgos. El sistema agrupa duplicados, envía los serios al especialista, propone una reparación y le da a un humano el cambio de código y la evidencia detrás de él. Eso no elimina al ingeniero de seguridad. Mueve al ingeniero de clasificar ruido hacia decidir si el parche propuesto es lo suficientemente seguro para fusionar. [ALLOY]: La prueba faltante es qué pasa con código privado desordenado, no con la suite de tareas de Microsoft. Los equipos deben poder rastrear qué modelo encontró un error, qué evidencia usó y por qué el parche final cambió esas líneas exactas. Si MDASH preserva ese rastro, este es un ejemplo útil de agentes convirtiéndose en un flujo de trabajo de seguridad real. Si solo produce respuestas confiantes más rápido, el precio más bajo no lo salvará. [NOVA]: ... [NOVA]: El proyecto de código abierto esp32-ai pone un modelo de lenguaje de 28.9 millones de parámetros en un microcontrolador ESP32-S3 que cuesta aproximadamente ocho dólares. Esa es la familia de chips que ya se esconde dentro de sensores de bajo costo, luces inteligentes y robots de hobby. El repositorio tiene licencia MIT, así que un constructor puede estudiarlo, cambiarlo y vender un dispositivo alrededor de él. Su lanzamiento también atrajo cientos de votos en Hacker News, lo que te dice que la idea del modelo pequeño ha dejado de ser una curiosidad de laboratorio. [ALLOY]: ¿Qué puede hacer algo tan pequeño? No escribir una novela ni razonar a través de un caso legal. Puede entender un comando corto, convertir una lectura de sensor en una explicación simple, elegir entre algunas acciones del dispositivo, o responder una pregunta estrecha sin contactar un servidor. Una herramienta de taller podría decir por qué se activó una alarma de temperatura. Un robot de aula podría responder a un estudiante. Un sensor de granja podría explicar que su lectura de suelo ha cruzado un umbral. [NOVA]: La parte sin conexión es la característica real. No hay factura de nube por cada solicitud, no hay dispositivo muerto cuando el Wi-Fi cae, y mucha menos información privada sale de la habitación. Eso cambia qué productos son económicos. Una empresa puede poner una interfaz de lenguaje simple en un electrodoméstico, juguete o monitor industrial sin adjuntar una suscripción permanente. También les da a los desarrolladores una forma maravillosamente visible de enseñar los límites del modelo, porque las limitaciones son imposibles de ocultar. [ALLOY]: Y esos límites importan. Las respuestas serán cortas, la memoria es diminuta y el modelo no se comportará como un asistente de laptop. Piénsalo como pegamento conversacional entre una persona y algunos sensores o controles. Eso sigue siendo un gran cambio. La IA local ya no solo significa una estación de trabajo con una tarjeta gráfica gigante; ahora llega a objetos baratos que pueden hacer tranquilamente un trabajo útil durante años. [NOVA]: ... [NOVA]: Nanbeige ha lanzado un modelo de tres mil millones de parámetros llamado Nanbeige4.2-3B bajo la licencia Apache, que permite uso comercial. Tres mil millones de parámetros es un punto medio útil: mucho más capaz que el modelo de microcontrolador que acabamos de discutir, pero todavía lo suficientemente pequeño para una buena laptop o estación de trabajo compacta. Funciona con herramientas locales familiares como Ollama, LM Studio, MLX y llama.cpp. También incluye plantillas para llamar herramientas y una ventana de contexto lo suficientemente grande para sostener documentos largos o código sustancial. Eso crea compilaciones privadas prácticas: un asistente de contratos que se queda en la máquina de un abogado, un ayudante de mantenimiento que busca años de manuales, o un asistente de codificación que puede ver más de un repositorio sin subirlo. El publicador dice que Nanbeige supera a modelos Qwen más grandes en seis benchmarks, pero esa afirmación todavía necesita pruebas independientes. La mejor pregunta es qué tan confiablemente usa herramientas, sigue instrucciones durante una sesión larga y permanece útil después de la cuantización. Si los resultados de la comunidad se mantienen, el lanzamiento les da a los constructores locales una nueva opción capaz sin exigir hardware de escala de servidor. [ALLOY]: Me gusta el tamaño porque fuerza un diseño de producto honesto. Un modelo de tres mil millones de parámetros no será el mejor en cada tarea, así que las aplicaciones ganadoras le darán los documentos correctos, un pequeño conjunto de herramientas y un trabajo claro. Imagina un asistente en instalaciones para un taller de reparación. Lee el manual de la máquina, consulta el inventario actual de piezas, redacta una nota de servicio y pregunta a un humano antes de pedir cualquier cosa. El negocio obtiene privacidad y costo predecible; el modelo obtiene un ambiente estrecho donde puede tener éxito. Eso es más útil que tratar cada lanzamiento local como un chatbot fronterizo en miniatura. Lo que necesitamos a continuación no es otra gráfica de benchmark. Necesitamos reportes de personas usándolo en Ollama, MLX y llama.cpp: cuánta memoria necesita, qué tan rápido responde, y si sus llamadas de herramientas permanecen confiables cuando la conversación se extiende. [NOVA]: ... [NOVA]: NVIDIA dice que su CPU Vera ya está ayudando con el trabajo de diseñar futuros chips de NVIDIA. Cadence y Synopsys, las dos compañías detrás de mucho del software usado para diseñar y verificar procesadores, están ajustando sus herramientas para Vera. NVIDIA también está usando la CPU internamente. Eso crea un ciclo sorprendente: un nuevo chip ayuda a los ingenieros a simular y verificar los chips que vienen después. Este trabajo involucra archivos de diseño enormes y cálculos largos que mueven datos repetidamente a través de memoria, así que la velocidad de CPU y el ancho de banda de memoria pueden acortar el tiempo entre una idea de diseño y un resultado verificado. [ALLOY]: La historia va más allá de NVIDIA porque el software de diseño de chips es infraestructura compartida. Si Cadence y Synopsys hacen sus herramientas marcadamente más rápidas en Vera, otra compañía de chips que use los mismos productos podría beneficiarse sin inventar un nuevo flujo de trabajo. Incluso una reducción modesta en una corrida de verificación importa cuando los ingenieros la repiten a lo largo del día y cuando una falla pasada puede costar meses. La retroalimentación más rápida también permite a un equipo explorar más diseños antes de comprometerse con capacidad de fabricación costosa. [NOVA]: Lo que falta es un resultado público de un proyecto normal de un cliente. Las ganancias internas de NVIDIA son interesantes, pero la evidencia útil será un cliente de Cadence o Synopsys mostrando cómo cambió un trabajo de verificación real: horas ahorradas, más diseños explorados, o un problema encontrado antes. Aun así, la dirección es clara. El hardware de IA no solo está sirviendo a los modelos. El hardware y las herramientas de diseño están comenzando a acelerarse mutuamente, lo que podría apretar todo el ciclo de desarrollo de chips. [NOVA]: ... [NOVA]: OpenAI mudó la experiencia dedicada de Codex a la aplicación de escritorio de ChatGPT el nueve de julio, donde ahora se sienta junto a Chat y Work. Eso no es un renombramiento de ChatGPT, y Codex no se convirtió en "la aplicación GPT". Es una consolidación: conversación, trabajo de mayor duración y sesiones de codificación pueden vivir en un espacio de trabajo de escritorio. GPT-5.6 Sol es el flagship para codificación compleja, investigación, uso de computadora y tareas de seguridad, así que este es el lugar más claro para preguntar qué cambia la nueva generación de modelos en la práctica. [ALLOY]: Dos capacidades hacen que el cambio sea más que un nuevo botón. Programmatic Tool Calling permite que Codex le dé a una herramienta un pequeño script que maneja varios pasos en lugar de gastar un turno de modelo en cada pequeña acción. Eso puede hacer que un análisis de múltiples pasos sea más rápido y barato. El beta de multi-agente puede dividir un trabajo más grande en trabajadores paralelos, así que una sesión podría inspeccionar datos mientras otra construye la interfaz. [NOVA]: El informe de computación científica de OpenAI aporta ocho ejemplos concretos. Cinco proyectos usaron solo Codex, y tres usaron Codex con Claude Code, el agente de codificación de IA basado en terminal. El trabajo incluye pipelines de genómica, interfaces de experimentos y trabajos largos de análisis de datos. Un ejemplo de cyvcf2 usó GPT-5.5, así que no es evidencia de que Sol produjo ese resultado y no debería venderse como un benchmark de Sol. La señal más amplia es que los investigadores pueden moverse de un cuaderno tosco a una herramienta utilizable con menos software construido a mano alrededor. [ALLOY]: Imagina a un biólogo con datos de variantes y un cuaderno que solo su autor entiende. Un agente puede ayudar a convertir eso en un pipeline repetible y una interfaz simple que el laboratorio pueda usar. Un investigador también puede delegar las partes tediosas de comparar muchas corridas mientras se mantiene responsable del juicio científico. Esa es la mejora que vale la pena observar: no "la IA hace ciencia sola", sino científicos pasando menos tiempo cosiendo archivos y scripts juntos. La siguiente prueba debería venir de fuera de OpenAI, incluyendo cuánto revisión experta necesitó el resultado. [NOVA]: ... [NOVA]: El Laboratorio Nacional del Pacífico Noroeste del Departamento de Energía y Amazon Web Services están explorando herramientas de soporte de decisiones de IA para la red eléctrica. Se están enfocando en los momentos que los operadores temen: clima severo, un pico de demanda inesperado, o un ataque cibernético o físico que deja fuera de línea equipo importante. El objetivo es dar a las personas una vista más rápida de lo que está pasando y un mejor conjunto de opciones mientras se mantiene a los humanos en control de las decisiones reales de conmutación. [ALLOY]: Esa distinción es reconfortante. Esto no es un modelo autónomo otteniendo las llaves de una subestación. Es trabajo de planificación y validación. PNNL puede modelar grandes partes de la red y conectar software con hardware en condiciones controladas. AWS contribuye la capacidad de computación necesaria para simular muchos escenarios de falla. Juntos pueden preguntar si una sugerencia de IA todavía se ve sensata cuando una falla desencadena otra a través de una región. [NOVA]: Aquí está el panorama práctico. Durante una ola de calor, la demanda sube mientras una línea de transmisión está dañada. Un operador tiene minutos para entender qué vecindarios, hospitales y fábricas están en riesgo. Un asistente útil podría juntar datos del clima, equipo y demanda, luego mostrar varias respuestas posibles y las consecuencias probables de cada una. El operador todavía toma la decisión, pero no tiene que buscar en cinco sistemas mientras la situación empeora. [ALLOY]: La resiliencia de la red cruza utilidades, estados y reguladores, así que un laboratorio nacional puede probar condiciones que un operador más pequeño no podría reproducir solo. El siguiente resultado importante serían escenarios públicos y mediciones que otros expertos puedan revisar. Hasta entonces, nadie puede comprar esto como un producto terminado de sala de control. Sigue siendo significativo que la IA de infraestructura crítica esté pasando de promesas amplias a ejercicios estructurados donde una mala recomendación puede ser expuesta antes de que llegue a la red real. [NOVA]: ... [NOVA]: Black Forest Labs ha publicado Self-Flow, un proyecto de investigación con código público que pregunta si un modelo base puede aprender a generar varios tipos de medios en lugar de depender de un especialista separado para cada uno. El resumen útil es simple: hoy los productos multimodales a menudo se parecen a un gabinete lleno de electrodomésticos. Un modelo maneja imágenes, otro maneja audio, otro maneja video, y una capa de software mueve el trabajo entre ellos. Self-Flow explora si más de eso puede vivir dentro de un sistema adaptable. Nada de aquí es un producto terminado, y no hay razón para que un equipo normal reemplace una pila de medios funcional con código de investigación. Pero la dirección podría importar. Un modelo unificado podría preservar ideas de manera más consistente a medida que un proyecto pasa de texto a imágenes a otras salidas, y podría reducir el número de servicios que un constructor tiene que pagar y mantener. Piensa en un estudio pequeño creando una campaña de producto: un brief se convierte en texto, visuales y piezas cortas de movimiento sin que cada paso se sienta como una traducción entre herramientas no relacionadas. El código público permite a los investigadores inspeccionar el enfoque en lugar de aceptar una demo por fe. [ALLOY]: La precaución es que "un modelo hace todo" también puede significar que un modelo es simplemente adecuado en todo. Las herramientas especializadas pueden seguir ganando donde la calidad importa más. Así que la historia no es que las pilas multimodales de repente se hayan colapsado en una sola descarga. Es que un laboratorio serio de IA generativa está probando un futuro más simple y mostrando su trabajo. Los constructores deben estar atentos al seguimiento que convierte la investigación en un lanzamiento real, luego comparar costo, consistencia y control contra el pipeline de especialistas de hoy. Si ese lanzamiento llega, podría hacer la creación de medios ricos más fácil para equipos más pequeños. Si no lo hace, el proyecto todavía nos enseña dónde se rompe la generación unificada. [NOVA]: ... [NOVA]: ServeTheHome ha publicado un análisis práctico de un servidor ASRock Rack que caben ocho aceleradores NVIDIA HGX B300 en un chasis de cuatro unidades de rack. Este es el tipo de máquina usada para entrenamiento serio de modelos y trabajos de inferencia muy grandes. El valor de la revisión no es otro gráfico de velocidad. Muestra la realidad física detrás de la frase "servidor de IA": entrega de energía densa, enlaces rápidos entre GPUs, hardware de enfriamiento y capacidad de red todo tiene que trabajar como un sistema. [ALLOY]: HGX conecta los aceleradores mucho más fuertemente que ocho tarjetas adicionales ordinarias. Eso les permite compartir trabajo como si fueran partes de una computadora grande, pero solo cuando los datos pueden moverse lo suficientemente rápido. Si los enlaces entre GPUs o hacia el almacenamiento son lentos, chips caros pasan su tiempo esperando. Por eso la tela circundante importa tanto como el logo en el acelerador. [NOVA]: Luego está el calor. Una opción envía líquido cerca de los chips y remueve el calor eficientemente, pero el centro de datos tiene que tener tuberías para eso. Otra opción es más fácil de instalar en un cuarto convencional pero mueve más trabajo al enfriamiento de las instalaciones. Cualquier elección afecta el edificio, el presupuesto de energía y lo que puede caber en el siguiente rack. Para una empresa planificando IA privada, eso cambia el orden de compra. Primero decide qué energía, enfriamiento y red puede soportar el sitio. Luego elige el modelo y el sistema de acelerador que encajen. La lección práctica es maravillosamente nada glamorosa: a esta escala, la sala de servidores es parte de la arquitectura de IA, y una pila de GPUs premium no es un producto completo. [NOVA]: ... [NOVA]: Verizon se está posicionando como más que una compañía telefónica al emparejar pequeños centros de datos con un acuerdo valorado en aproximadamente mil millones de dólares para fibra oscura de Google. La fibra oscura es simplemente cable óptico que ya ha sido tendido pero no está llevando una señal. Una empresa arrienda las hebras crudas y las enciende con su propio equipo, dándole más control sobre la ruta, la capacidad y el costo que comprar ancho de banda terminado ordinario. [ALLOY]: ¿Por qué se conecta eso con la IA? Algunas aplicaciones no pueden esperar a que cada solicitud viaje hasta un centro de datos regional lejano y regrese. La voz en tiempo real, la comprensión de video en vivo, las decisiones de fraude y los controles de robots se sienten peor cuando la demora aumenta. Si la computación está en una instalación más pequeña cerca del cliente, un operador necesita fibra rápida y predecible conectando esa instalación con el resto de la red. Verizon ya tiene calles, edificios y operaciones de red; la fibra oscura llena los caminos de alta capacidad. [NOVA]: Un ejemplo útil es una tienda que usa muchas cámaras para detectar un estante vacío o un problema de seguridad. Enviar cada transmisión de video a través del país es costoso y lento. Un mini centro de datos cercano podría analizar las transmisiones, enviar solo el evento relevante hacia adelante y seguir respondiendo si una región lejana está congestionada. El mismo patrón podría admitir una fábrica, un hospital o un servicio de voz interactivo. [ALLOY]: El acuerdo de mil millones de dólares sigue siendo una apuesta por infraestructura, no una prueba de que los clientes estén haciendo fila. La siguiente evidencia debería ser implementaciones nombradas y detalles sobre qué planea transportar Google por esos enlaces. Pero muestra hacia dónde se dirige la competencia de IA en el borde. La calidad del modelo sigue siendo importante, sin embargo, la empresa que posea la computación cercana y la ruta hacia ella puede decidir si un producto se siente instantáneo, accesible y confiable. [NOVA]: ... [NOVA]: La startup de robótica Enigma ha levantado setenta y un millones de dólares en una ronda semilla liderada por Index Ventures y Ribbit Capital. Su propuesta es refrescante y fácil de imaginar: cambiar cuánto debe decidir un robot por sí mismo debería sentirse más como mover un control deslizante que reescribir el software de autonomía. Un supervisor de almacén podría pedirle a un robot que pause para aprobación en cajas inusuales durante el lanzamiento de un nuevo producto, y luego permitir más independencia después de que el proceso esté estable. [ALLOY]: Eso aborda un cuello de botella real. Los robots industriales pueden ser potentes, pero un cambio de comportamiento a menudo pasa por un pequeño equipo de ingeniería. Una nueva forma de paquete, pinza o regla de seguridad puede iniciar otro ciclo de ajuste. Si un gerente de piso puede ajustar un nivel bien definido de autonomía mientras el sistema registra el cambio, una fábrica puede adaptarse más rápido sin fingir que cada empleado es un ingeniero de robótica. [NOVA]: La idea es convincente; la evidencia pública todavía es escasa. Los reportes no nombran clientes piloto, hardware de robot soportado o exactamente qué comportamientos puede cambiar el control. Los sistemas físicos también plantean una pregunta más difícil que el software: ¿quién es responsable cuando el robot hace algo inesperado? Enigma necesitará límites claros, un registro de auditoría y una forma segura de devolver el control a una persona. La financiación es un voto fuerte para la idea de la interfaz, no una prueba de que el producto haya resuelto esos problemas. Aún así, apunta hacia un cambio más amplio en robótica. La próxima ola puede ser ganada no solo por el modelo de autonomía más inteligente, sino por el producto que permita a los equipos operativos ordinarios entender y dar forma a esa inteligencia sin esperar semanas por un cambio de código. [NOVA]: ... [NOVA]: La Misión Génesis del Departamento de Energía ahora incluye veinte departamentos y agencias federales, con grupos como NASA, los Institutos Nacionales de Salud y la Fundación Nacional de Ciencias participando. La promesa práctica es el acceso compartido. Un investigador generalmente compite dentro del sistema de becas de una agencia y trabaja bajo las reglas de datos y computación de esa agencia. Un programa coordinado podría conectar la computación de laboratorios nacionales, conjuntos de datos científicos y financiamiento a través de esas fronteras. Eso podría ayudar a un pequeño equipo universitario a llevar una herramienta de IA para materiales, clima, medicina o astronomía desde un prototipo prometedor hasta un experimento a escala nacional. Los primeros premios han comenzado, así que esto es más que un anuncio de cumbre, pero el trabajo difícil apenas está comenzando. Los datos recopilados para diferentes misiones no se alinearán automáticamente. Las agencias estarán en desacuerdo sobre prioridades, privacidad, crédito y quién paga para limpiar la información. La señal más reveladora será si los premios futuros cruzan genuinamente las líneas de las agencias o simplemente colocan un banner compartido sobre proyectos familiares. [ALLOY]: También hay una oportunidad de interés público aquí. Los laboratorios privados de frontera controlan gran parte de la mejor infraestructura de IA, mientras que los laboratorios nacionales tienen equipos científicos extraordinarios y datos. Génesis podría dar a los investigadores otro camino para construir herramientas útiles sin que cada proyecto dependa de una plataforma comercial. Imagina a un grupo de clima combinando observaciones satelitales, datos de red y una simulación de laboratorio nacional, o a un equipo médico obteniendo suficiente computación para evaluar un modelo en instituciones. Eso es emocionante, pero solo si el acceso es amplio y los resultados pueden ser examinados. Deberíamos buscar conjuntos de datos compartidos, mediciones publicadas, modelos reutilizables y reglas claras sobre información sensible. Veinte logotipos en una diapositiva muestran alcance político. La historia duradera será si los científicos que previamente no podían alcanzar estos recursos ahora pueden hacer trabajo que cambie lo que sabemos. [NOVA]: ... [NOVA]: Anthropic ha publicado su posición formal sobre modelos de pesos abiertos, los lanzamientos cuyos parámetros entrenados pueden ser descargados y ejecutados por otras personas. La empresa no está argumentando que cada modelo abierto debería desaparecer. Reconoce los beneficios: los investigadores independientes pueden inspeccionar el comportamiento, las startups pueden construir sin pagar a un laboratorio de frontera por cada solicitud, y las organizaciones pueden mantener el trabajo sensible en su propio hardware. [ALLOY]: La preocupación de Anthropic es la cima misma del rango de capacidades. Su posición es que lanzar los pesos más poderosos puede crear riesgos de seguridad y geopolíticos que son difíciles de revertir, porque un modelo descargado no puede ser retirado o limitado de la misma manera que un servicio alojado. El director ejecutivo Dario Amodei también conecta esa preocupación con la competencia entre Estados Unidos y China. Eso hace de esto un argumento de política, no una restricción de nuevo producto o una ley. [NOVA]: Para alguien eligiendo un modelo local ahora, casi nada cambia de la noche a la mañana. Las preguntas prácticas siguen siendo la licencia, dónde se alojará el modelo, qué datos tocará y si aplican reglas de hardware o exportación. Es probable que los modelos abiertos más pequeños y especializados sigan llegando. El desacuerdo es sobre dónde comienza "lo suficientemente poderoso para ser peligroso", quién mide esa capacidad y si cada empresa debería trazar la misma línea. [ALLOY]: Esa línea dará forma a lo que los constructores pueden poseer en lugar de rentar. Demasiado baja, y la investigación abierta y el despliegue local podrían ser innecesariamente restringidos. Demasiado alta, y una capacidad genuinamente peligrosa podría propagarse antes de que alguien la entienda. Anthropic ha puesto la vista de un laboratorio de frontera en el registro, lo que da a los gobiernos y competidores algo concreto para desafiar. El próximo paso trascendental no es otra página de opinión; es si la industria desarrolla niveles de lanzamiento claros y evidencia creíble para mover un modelo de un nivel a otro. [NOVA]: ... [NOVA]: La demanda de Google contra SerpApi, un servicio que convierte resultados de búsqueda en datos estructurados para desarrolladores, fue desestimada. El titular tentador es "el raspado ganó", pero eso no es lo que decidió el tribunal. Google presentó una reclamación bajo parte de la Ley de Derechos de Autor del Milenio Digital, y el tribunal dijo que Google no había demostrado que poseyera, licenciara exclusivamente o representara el material en cuestión. En lenguaje legal, a Google le faltaba legitimación para esa reclamación. [ALLOY]: Así que el juez no decidió que el raspado sea ampliamente legal, y no decidió la pregunta más profunda de si SerpApi evadió un control de acceso protegido. Un caso similar de Reddit aún se estaba moviendo a través del tribunal. Dos demandas pueden involucrar a la misma empresa y aún alcanzar diferentes etapas porque los demandantes, contenido, contratos y barreras técnicas no son idénticos. [NOVA]: Los constructores necesitan separar varias ideas que a menudo se mezclan en una palabra. Robots.txt es una señal que indica a los rastreadores compatibles dónde no quiere un sitio que vayan; no es en sí mismo un bloqueo técnico ni una ley automática. Los Términos de Servicio son una pregunta de contrato. Los Derechos de autor dependen de qué contenido se copia y quién lo posee. La autenticación, los límites de tasa y otras barreras pueden plantear diferentes preguntas. Ganar o perder en una puerta no resuelve las otras. [ALLOY]: Eso importa para herramientas de búsqueda, productos de recuperación, inteligencia competitiva y tuberías de datos de entrenamiento. La conclusión segura no es "raspa cualquier cosa", y no es "todo el raspado está muerto". Es que los derechos y el acceso tienen que ser evaluados fuente por fuente. La desestimación de SerpApi estrecha este caso particular de Google mientras deja la pelea legal más grande sin resolver. Cualquiera que construya con datos web todavía necesita permiso, procedencia y una comprensión clara de cómo la fuente realmente hace esos datos disponibles. [NOVA]: ... [NOVA]: OpenAI ha publicado una investigación sobre cómo la gente usa ChatGPT en el trabajo, y el hallazgo más interesante no es una historia simple de reemplazo. Los trabajadores a menudo lo usan para cruzar los límites de su rol formal. Un empleado de marketing puede redactar textos, analizar un pequeño conjunto de datos, escribir un guion ligero y preparar un correo para un cliente en la misma tarde. Un desarrollador puede explicar una función a los clientes en lugar de pasar cada oración a un equipo de comunicaciones. ChatGPT puede suavizar las uniones entre esas tareas, especialmente en una organización pequeña donde los especialistas no siempre están disponibles. Eso sugiere que los productos deberían apoyar a una persona para que atraviese un trabajo completo, en lugar de obligar a una aplicación nueva y un contexto para cada categoría de trabajo. También sugiere que los gerentes pueden pasar más tiempo revisando trabajo mixto y menos tiempo asignando pedacitos pequeños a personas separadas. [ALLOY]: Pero una actividad más amplia no es lo mismo que un mejor resultado. OpenAI encontró un patrón; no demostró que ChatGPT causara el patrón, mejorara la calidad o redujera la necesidad de empleos. Las personas que ya les gusta cruzar los límites de los roles pueden simplemente ser más propensas a usar la herramienta. Y OpenAI se beneficia de una interpretación expansiva de su producto, por lo que esto debería ser un punto de datos junto con investigación independiente del lugar de trabajo. La pregunta que vale la pena hacer dentro de una empresa real es concreta: ¿están las personas completando trabajo útil que no podían hacer antes, y los expertos todavía detectan los errores importantes? Si la respuesta es sí, la IA puede cambiar el diseño del trabajo antes de que cambie la cantidad de empleos. Los equipos podrían contratar por juicio, curiosidad y la capacidad de combinar disciplinas, mientras usan el modelo para la primera pasada por territorio desconocido. Esa es una historia mucho más rica que "un bot reemplaza un título". [NOVA]: ... [NOVA]: Tres repositorios conectan las ideas en esta lista. El stack de voz a voz de Hugging Face agregó soporte para WebRTC en la API de tiempo real de OpenAI, lo que facilita adjuntar una interfaz de voz en vivo a un agente sin construir el transporte de streaming desde cero. El agent-governance-toolkit de Microsoft agregó sesiones nativas de tiempo de ejecución de políticas, dando a los agentes que usan herramientas un lugar para hacer cumplir permisos y preservar un límite de sesión. Juntos cubren la puerta de entrada y la barra de protección: cómo una persona le habla a un agente, y cómo el agente está limitado después de escuchar la solicitud. [ALLOY]: CheapSecurity cubre el mundo físico. Convierte una computadora de placa única con Linux y una webcam USB en un sistema de cámara con enfoque en la privacidad con grabación local, detección de movimiento, alertas y entrega opcional por Telegram. Un constructor podría usar su evento de movimiento como el disparador para un agente local, y luego aplicar una política de gobernanza antes de que ese agente envíe un mensaje o toque otra herramienta. Eso es más interesante que tres repositorios aislados: voz, política y detección local pueden formar un producto comprensible sin requerir una plataforma de vigilancia en la nube. [NOVA]: ... [NOVA]: Qwen3.7 Flash apareció con una ventana de contexto de un millón de tokens y razonamiento de visión-lenguaje a través de OpenRouter. Es relevante para agentes multimodales, codificación visual, búsqueda e interacción con computadoras, pero es una variante de una familia de modelos cubierta recientemente en lugar de un nuevo evento en la frontera. Lo mantenemos en la lista de seguimiento en lugar de inflar un listado rutinario a una historia principal. [NOVA]: ... [ALLOY]: El foco local es el Laguna S 2.1 de poolside, un modelo de mezcla de expertos para codificación con 118 mil millones de parámetros totales y aproximadamente ocho mil millones activos para cada token. Soporta una ventana de contexto de un millón de tokens y formatos prácticos para vLLM, SGLang, TensorRT-LLM, Transformers y llama.cpp. [NOVA]: Sé honesto con la palabra local: esto es a escala de estación de trabajo o servidor, no un modelo para laptop. Los pesos completos son aproximadamente 236 gigabytes antes de la cuantización. Para un equipo que necesita ayuda de codificación privada y en las instalaciones, vale la pena evaluarlo; para una computadora portátil normal, Nanbeige es la historia más realista. [NOVA]: ... [NOVA]: Tres señales rápidas: Argonne usa transformadores de IA para mejorar las simulaciones de reactores nucleares, reduciendo el tiempo dedicado a cálculos de fluidos demandantes. Fish Audio recauda $52M después de que los modelos de voz alcancen ocho millones de usuarios, mostrando que la voz sintética se está convirtiendo en un mercado de productos sustancial. Y PJM planea cortes temporales de energía para los centros de datos más grandes durante escasez comenzando en 2027. [ALLOY]: Comparten una historia de restricción. Argonne usa IA para que la computación científica escasa llegue más lejos. El crecimiento de Fish Audio hace que el consentimiento y las licencias sean más importantes a medida que la voz escala. PJM les está diciendo a las grandes instalaciones de IA que el acceso a la red puede ser interrumpido, empujando a los operadores hacia generación de respaldo y planificación energética seria. [NOVA]: ... [NOVA]: La lista completa de historias y los enlaces principales están en las notas del programa en Toby On Fitness Tech punto com. [ALLOY]: Gracias por escuchar AgentStack Daily. Volveremos pronto.