El Pulso del 14 de marzo de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
El guion de audio está listo; la voz se publicará cuando termine la generación.
La ventana de contexto de 1M ya es GA en Claude Opus 4.6 y Sonnet 4.6 (sin premium por long-context)
POR QUÉ ENTRA EN EL RADAR1M de contexto solo importa si se cobra y se limita como el uso normal; si no, queda como demo. Esto redefine qué pueden significar en productos reales la “memoria del agente” y “todo el codebase de una sola vez”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El feature no es el 1M de contexto: es que no haya premium. Acá qué se vuelve posible cuando el long context es, simplemente, normal.”
Claude Code suma Code Review multi-agente (research preview)
POR QUÉ ENTRA EN EL RADAREs una de las productizaciones más claras de ‘agentes en el loop’: caza de bugs en paralelo + verificación + ranking de severidad. También fija un ancla de precio (USD 15–25 por review) para el ‘trabajo profundo de agentes’.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El code review con IA se está partiendo en dos: checks baratos tipo lint vs. reviews profundas y caras. ¿Cuál realmente les ahorra plata a los equipos?”
Claude ahora crea charts y diagramas interactivos inline en el chat
POR QUÉ ENTRA EN EL RADARLos visuales interactivos son una ‘nueva capa de UI’ silenciosa para la IA: en vez de generar texto sobre algo, el modelo genera un objeto manipulable sobre el que podés iterar.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los Artifacts fueron el primer paso. Los visuales interactivos inline son el siguiente: el modelo se está convirtiendo, de a poco, en un constructor de UI.”
NVIDIA Nemotron 3 Super: open 120B (12B activos), 1M de contexto, pensado para throughput agéntico
POR QUÉ ENTRA EN EL RADARNVIDIA empuja una ‘especificación de modelo agéntico’: long context + eficiencia + confiabilidad en tool-calling. Además: los claims de arquitectura híbrida (capas Mamba + MoE + latent MoE + multi-token prediction) son un blueprint grande de ‘cómo ganar en costo de inferencia’.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El ‘impuesto de thinking’ vs. la ‘explosión de contexto’: NVIDIA básicamente describe la economía de las apps multi-agente. Acá el playbook.”
Gemini Embedding 2: embeddings nativamente multimodales (texto+imagen+video+audio+docs → un solo espacio)
POR QUÉ ENTRA EN EL RADARLa retrieval multimodal es la columna vertebral poco sexy detrás de la próxima ola de RAG: “encontrá el momento del video donde pasa X” y “matcheá esta nota de voz con ese doc” pasan a ser first-class.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La mayoría cubre ‘modelos nuevos’. Casi nadie cubre embeddings. Pero los embeddings deciden qué puede encontrar tu agente.”
“Autoresearch” de Karpathy: experimentos de training que se auto-mejoran overnight (repo + concepto)
POR QUÉ ENTRA EN EL RADAREs el ‘mínimo viable de una org de research con IA’ más limpio: el agente edita train.py → corre 5 min de training → conserva los cambios si la métrica mejora. Aunque no entrenes modelos, el patrón se transfiere a cualquier sistema guiado por evals.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Esta es la ‘IA que se auto-mejora’ que la mayoría realmente puede correr: no es sci-fi, son loops de eval + presupuestos chicos.”
“Context Gateway”: proxy que pre-comprime el historial del agente para no esperar la compaction
POR QUÉ ENTRA EN EL RADAREs una respuesta de infraestructura a un problema de UX: las ventanas de contexto van a seguir creciendo, pero la latencia y el costo siguen castigando los diseños ingenuos de ‘mandar todo el historial cada vez’.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La feature de agentes más subestimada es invisible: summarization en background para que el usuario nunca choque con la pared de ‘compacting…’.”
Koharu: traductor local de manga (Rust) que combina detection + OCR + inpainting + traducción con LLM (+ servidor MCP)
POR QUÉ ENTRA EN EL RADARUn ejemplo concreto de ‘app de IA’ full-stack que no es solo un wrapper de LLM: es un producto-pipeline (visión + OCR + inpaint + lenguaje) empaquetado para consumidores, y además shippea un servidor MCP para integración con agentes.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El futuro de las apps de IA son pipelines + packaging. Acá hay una real: offline, acelerada por GPU y lista para agentes.”
Replicación controlada: el ‘latent reasoning’ COCONUT de Meta puede ser sobre todo curriculum, no reciclado de hidden-state
POR QUÉ ENTRA EN EL RADAREste es el tipo de contenido ‘andá a la fuente’ que envejece bien: no es un release de hype, es un chequeo de mecanismo. También un patrón útil para creadores: “¿cuál es el factor causal real?”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Antes de comprar la historia del ‘latent reasoning’: acá un experimento de control que aísla curriculum vs. reciclado de hidden-state.”
El SEO de contenido para agentes está mutando: “Optimizing Content for Agents”
POR QUÉ ENTRA EN EL RADARLa gente empieza a escribir para agentes LLM que navegan docs, no para humanos que browsean páginas. Eso cambia la estructura de la documentación, los metadatos, el chunking y cómo las APIs se explican a sí mismas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Ya hicimos SEO para Google. Ahora toca ‘AEO’ (Agent Experience Optimization): escribir docs para que los agentes realmente puedan usarlos.”