El Pulso del 18 de mayo 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.
Modelos de interacción (colaboración humano–IA en tiempo real y multi-stream)
POR QUÉ ENTRA EN EL RADARUna dirección fuerte “post-agéntica”: la interactividad escala con la inteligencia, en lugar de encajar comportamiento en tiempo real con arneses (VAD, detección de turnos, etc.). Su marco de “micro-turnos” / streams continuos es un modelo mental limpio que se puede reutilizar.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los agentes no son el final del juego: la interacción sí.” Mostrar 3 patrones concretos de UI: traducción en vivo, interjecciones a mitad de frase y uso concurrente de herramientas mientras se habla.
Codex desde cualquier lado (dirección desde el celular + Remote SSH + hooks)
POR QUÉ ENTRA EN EL RADARNormaliza un flujo nuevo: los agentes corren donde viven el código y las credenciales, pero vos dirigís y aprobás desde el celular. También destaca Remote SSH + “hooks” como primitivas de primera clase (políticas, escaneo de secretos, logging, memoria).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La verdadera killer feature no es un agente más inteligente: son las aprobaciones en el bolsillo.” Armar una demo narrativa de 60s: bug → el agente corre en el devbox → aprobás desde el celular → aterriza el diff.
Vista de agentes en Claude Code (UX de orquestación de sesiones)
POR QUÉ ENTRA EN EL RADAREl cuello de botella ya no es “¿puede el modelo hacerlo?” sino “¿pueden los humanos supervisar 5–20 hilos en paralelo sin perder el hilo?” Es una respuesta a nivel de UI: vista de lista, peek, respuesta inline, backgrounding.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Tu próxima feature de IDE es un gestor de colas para agentes.” Compararlo con el caos de tmux y por qué la UX de orquestación se vuelve un foso competitivo.
Reimaginar el puntero del mouse para la era de la IA (señalar como captura de contexto)
POR QUÉ ENTRA EN EL RADARUna articulación muy clara de que “la IA debería encontrarse con los usuarios dentro de sus herramientas.” El puntero se vuelve un selector universal de contexto: “esto/aquello” + gesto + voz. También incluye demos concretas en Google AI Studio.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El prompting se está muriendo; señalar es el nuevo prompt.” Mostrar cómo ‘los píxeles se vuelven entidades’ cambia los flujos (tablas → gráficos, PDFs → bullets, listas de productos → comparar).
Una nueva experiencia de finanzas personales en ChatGPT (cuentas conectadas + ‘memorias financieras’)
POR QUÉ ENTRA EN EL RADAREs el empujón más fuerte hacia “datos del mundo real + acción”: cuentas conectadas (Plaid), dashboards y un tipo de memoria específico del dominio. Es un caso de estudio de cómo los asistentes pasan del chat al producto operativo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La próxima ‘categoría de app de IA’ son los copilots con cuentas conectadas.” Cubrir el patrón de producto: conectores → UI de contexto → controles de memoria → acción vía partners.
Paper: Búsqueda en árbol guiada por LLM autónomo para software de forecasting de enfermedades
POR QUÉ ENTRA EN EL RADARUn ejemplo real de LLMs generando código científico ejecutable vía búsqueda/evaluación iterativa, no solo texto. El framing (“cuello de botella del trabajo de modelado”) aplica de forma amplia a otros dominios (forecasting, investigación de operaciones, finanzas).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“LLMs como ‘ingenieros de auto-investigación’ — cuando la evaluación es el producto.” Destacar la nota anti-reward-hacking (métricas de distancia en escala logarítmica) como la lección clave.
Paper + código: Watermarking a nivel de dinámica para modelos generativos de flow-matching
POR QUÉ ENTRA EN EL RADARWatermarking dentro de la dinámica aprendida (campo de velocidad), no en pesos ni salidas. Si se sostiene a escala, es una nueva palanca de provenance en modelos de difusión/flow con detección black-box.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Marcá la física, no los píxeles.” Explicar en lenguaje llano: perturbación keyed en entrenamiento, detección vía queries, la distribución se mantiene (casi) igual.
Paper: La equivalencia de capas depende del test (replacement vs interchange swap-KL)
POR QUÉ ENTRA EN EL RADARAdvertencia práctica para compresión/pruning: si tu historia de “capas redundantes” depende de un solo protocolo, podés estar sacando las capas equivocadas. La idea de que el protocolo de medición cambia la conclusión es una gran meta-historia.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Dejá de decir que las capas son redundantes hasta decir con qué test de redundancia.” Dar un takeaway en 3 pasos: medir replacement swap-KL, medir interchange swap-KL, y recién ahí decidir.