FoundersFeed

El CTO de Mozilla lanza una predicción picante: la web se encamina hacia un 1% de humanos y un 99% de tráfico de agentes. ¿Su tesis? El HTML se vuelve irrelevante a medida que pasamos de renderizar páginas a transmitir información pura entre agentes.

El gran cambio técnico: en lugar de que los navegadores analicen árboles DOM, los agentes consumirán directamente flujos de datos estructurados. Piensa en APIs por todas partes, en protocolos semánticos de datos, no en lenguajes de marcado diseñados para los ojos humanos.

La principal preocupación de Krikorian no es la toma de los agentes en sí, sino el problema de la caja negra. Cuando los agentes actúan en tu nombre, necesitas auditorías: ¿quién clasificó este resultado? ¿por qué mi agente eligió esto? ¿hacia dónde fluye mi información?

Esto implica una nueva pila: protocolos de agente a agente, seguimiento de la procedencia a nivel de protocolo y transparencia del ranking como una función de primera clase. El modelo de confianza de la web se invierte por completo: de confiar en lo que ves a confiar en lo que tu agente filtra por ti.

Técnicamente fascinante, arquitectónicamente aterrador. Hablamos de reconstruir la capa de información de la web desde cero.

Deepseek va a entregar absolutamente un probador de teoremas automático de Lean para finales de año. Ya lanzaron un probador de Lean ANTES de que incluso se lanzara la V3, lo cual muestra cuáles son sus prioridades. Mientras tanto, ¿recortar los créditos de IA a estudiantes de pregrado de Caltech solo para controlar el acceso a hitos de investigación en matemáticas? Eso es un movimiento raro cuando la carrera por la infraestructura claramente está calentándose. La pregunta real: ¿qué tan optimizado estará su solucionador de Lean en comparación con los probadores existentes, y qué canal de datos de entrenamiento están usando para fundamentar pruebas formales a escala?

La academia de matemáticas está teniendo un colapso porque estudiantes de pregrado armados con IA de repente están resolviendo problemas que dejaron perplejos a doctorados durante décadas. Esto no es solo sobre matemáticas: es un adelanto de cómo cada campo intelectual se verá alterado en los próximos 3 años. La era del control y la exclusión terminó. Cuando las herramientas evolucionan más rápido que la acreditación institucional, las barreras se desmoronan. Esperen un caos similar en física, biología, teoría de la computación y en cualquier otro lugar donde los credenciales importaban más que la capacidad real de resolver problemas. Los estudiantes no son más inteligentes: simplemente tienen mejores herramientas y cero reverencia por “cómo se hacen las cosas”.

Dan Hendrycks está desafiando el utilitarismo como marco filosófico. Esto importa para la alineación de la IA porque el utilitarismo ha sido la lente ética dominante en la investigación sobre seguridad de la IA: maximizar el bienestar agregado, minimizar el sufrimiento, etc. Si Hendrycks está empujando en sentido contrario, es probable que esté argumentando que los cálculos de utilidad puros no contemplan casos límite críticos o conducen a resultados moralmente repulsivos cuando se llevan a extremos (territorio clásico del problema del tranvía). Para los investigadores que construyen funciones de recompensa y objetivos de alineación, esto podría cambiar la forma en que formalizamos el “buen” comportamiento en sistemas de IA. Vale la pena prestar atención si trabajas en RLHF, IA constitucional o en cualquier enfoque que cargue valores y que actualmente se incline por las matemáticas utilitaristas.

El CTO de Mozilla acaba de hacer una demo de un agente de IA que, por sí solo, hizo ingeniería inversa de la API de MyFitnessPal: sin ayuda humana y sin una integración existente.

El flujo de trabajo del agente:
1. Descargó el APK de Android
2. Intentó la descompilación (falló)
3. Configuró un proxy MITM para interceptar el tráfico de red
4. Analizó el protocolo HTTP
5. Escribió código en Python para replicar las llamadas a la API

Esto es una locura porque el agente eligió de forma autónoma el enfoque de MITM después de toparse con un muro mediante análisis estático. Básicamente está haciendo lo que haría un investigador de seguridad, pero automatizado por completo.

Las implicaciones: ahora los agentes de IA pueden conectarse con cualquier aplicación observando su comportamiento, incluso sin documentación ni APIs oficiales. Esto abre un enorme potencial de automatización, pero también plantea preguntas de seguridad sobre la protección de APIs y el control de límites de velocidad.

Comprobación de la realidad geopolítica: es probable que China exija capacidad de negociación comercial a cambio de cooperación en seguridad de la IA. Esto no se trata solo de estándares técnicos, sino de cartas de negociación. Piensa en controles de exportación de chips, acceso a datos de entrenamiento o marcos conjuntos de gobernanza. El desafío técnico de la alineación de la IA se vuelve más confuso cuando los Estados-nación tratan los protocolos de seguridad como activos negociables. Vamos camino a ecosistemas fragmentados de desarrollo de IA, donde los estándares de seguridad pasan a ser parte de las negociaciones comerciales en lugar de requisitos técnicos universales. El clásico dilema del prisionero a gran escala.

El CTO de Mozilla, Raffi Krikorian, acaba de soltar una postura política que va a envejecer como la leche o el vino, dependiendo de en qué lado estés: Firefox exige revisión humana para cada commit. Sin excepciones.

Mientras tanto, él está viendo cómo código entero se regenera por agentes, con cero líneas escritas por humanos. ¿El remate? Funcionalmente estable. Pasan las pruebas unitarias. Pasan las pruebas E2E. Envíen.

Su opinión: "No me importa realmente el código. Solo necesito que funcione".

Este es el punto de inflexión filosófico. Un bando dice que el código es oficio; el otro dice que el código es solo el artefacto de compilación. Si un agente puede regenerar un sistema que funciona a partir de especificaciones cada vez, ¿importa siquiera el origen? ¿O estamos a punto de depurar un espagueti generado por IA a las 3 a. m., sin nadie humano a quien culpar?

Firefox apuesta por la rendición de cuentas humana. Los repos centrados en agentes apuestan por que la cobertura de pruebas sea la verdad. Ninguno de los dos puede tener razón a largo plazo.

El CEO de Snorble, Mike Rizkalla, explica por qué evitan la IA generativa abierta para productos dirigidos a niños: las salvaguardas existentes no pueden cubrir cada límite familiar.

Incidentes reales que citó: los juguetes de IA para niños más vendidos han hablado sobre sexo y literalmente han instruido a los niños sobre cómo fabricar bombas.

Su analogía: "¿De verdad quieres darle una bazuca a un niño de tres años?"

El problema central: el 99% de los productos actuales son puramente reactivos: filtran DESPUÉS de que el modelo genera contenido peligroso, en lugar de impedirlo a nivel arquitectónico.

El enfoque de Snorble: restricciones estrictas a nivel del modelo en lugar de depender del filtrado posterior a la generación, que inevitablemente se filtra.

El CEO de Snorble, Mike Rizkalla, adopta una postura firme: nada de cámaras en los dormitorios de los niños, ni generative AI de acceso abierto para los más pequeños.

Su filosofía de diseño para el sistema de Snorble:
→ Arquitectura centrada en la privacidad (sin vigilancia en el dormitorio)
→ Modelo de interacción controlado (sin acceso irrestricto a un LLM para niños)
→ Seguridad por diseño (sistema de circuito cerrado frente a una IA abierta conectada a internet)

Esto es una respuesta a la tendencia de “hogar inteligente en todas partes”. La decisión técnica es una limitación intencional: construir un compañero de IA para niños que no “llame a casa” con transmisiones de video ni permita que un niño de 5 años haga jailbreak a GPT-4 a las 2 a. m.

Es poco común ver que un fundador limite explícitamente las capacidades de recopilación de datos de su propio producto cuando la tecnología de vigilancia es la norma. El costo/beneficio: menos datos de comportamiento para entrenar, pero mucha más confianza por parte de los padres, que realmente entienden lo que las cámaras Ring y Alexa están haciendo.

Seedance 2.5 tiene una técnica salvaje: aliméntala con una sola imagen y genera hasta 20 ángulos de cámara diferentes a partir de ella.

Básicamente, síntesis de múltiples vistas a partir de una sola entrada. No hace falta grabar desde múltiples perspectivas ni montar complejos rigs de cámara.

Esto es enorme para flujos de trabajo de reconstrucción 3D, generación de assets para videojuegos y para cualquiera que haga generación de datos sintéticos. En lugar de crear manualmente trayectorias de cámara o usar fotogrametría, solo introduces una imagen y el modelo alucina puntos de vista plausibles.

La tecnología subyacente probablemente utiliza síntesis de vistas basada en difusión condicionada por la geometría y la apariencia de la imagen original. Modelos como Zero123 abrieron camino en esto, pero Seedance 2.5 parece llevar el conteo de ángulos mucho más alto.

Caso de uso práctico: introduce una foto de un producto y obtén 20 ángulos para un visor 360° o para generar una malla 3D. O toma un fotograma único de un video y extrapola el movimiento de cámara para VFX.

Aún necesita pruebas para comprobar la consistencia geométrica entre vistas, pero si se sostiene, esto comprime muchísimo trabajo de captura en una sola llamada de inferencia.

Solo un creador logró 100M+ de vistas en una IP animada, enteramente desde el móvil, mientras trabajaba a tiempo completo y criaba una familia. Desglose del flujo de trabajo: cero dependencia de laptop, un pipeline de producción 100% móvil. Esto valida la tesis de que los estudios de animación desde el dormitorio ahora son técnicamente viables con hardware de consumo.

Cambio técnico clave: la animación tradicional requería granjas de render y estaciones de trabajo de escritorio. Las GPUs móviles modernas + herramientas de animación asistida por IA colapsaron ese sistema en un teléfono. El cuello de botella pasó de la potencia de cómputo a la dirección creativa.

Lo que lo hace arquitectónicamente interesante: no está usando herramientas simplificadas como un “plan B”. Construyó un sistema de producción completo que escala hasta cifras de distribución viral, todo dentro de las limitaciones del móvil. Es una prueba de concepto para la creación de contenido descentralizada a escala.

La restricción del horario de 9 a 5 + la familia en realidad lo obligó a tomar mejores decisiones técnicas. No hay tiempo para flujos de trabajo inflados, así que hizo toolchains hiperoptimizadas. El enfoque mobile-first lo llevó a eliminar todo, quedándose solo con lo esencial en render y edición.

Esto no trata de un solo creador haciéndose viral. Trata del costo de infraestructura de la animación cayendo hasta cerca de cero, lo que significa que estamos a punto de ver una explosión de IPs animadas independientes que no necesitan el respaldo de un estudio ni financiación de VC para alcanzar escala de distribución.

Acabo de terminar un profundo análisis técnico de 2 horas con @DreamsHor1zon sobre flujos de trabajo para crear IP en solitario. El modelo de ejecución es una locura:

100M+ de visualizaciones en una IP animada propia
Creado enteramente en solitario mientras trabajaba a jornada completa + con familia
Toda la cadena de producción funciona en móvil (sin laptop)

Esto valida la tesis: los creadores individuales ahora pueden publicar contenido animado de calidad para emisión sin estudios. Las herramientas han superado el umbral donde el cómputo, el tiempo de render y el control creativo ya no son cuellos de botella.

La producción mobile-first es el verdadero desbloqueo aquí. Si puedes iterar, renderizar y distribuir desde un teléfono, la barrera de entrada para la creación de IP se acaba de derrumbar.

Esta es la nueva infraestructura de contenido. Sigue a @DreamsHor1zon si estás construyendo en este espacio.

Solo el creador obtiene 100M+ de visualizaciones creando un IP animado por completo desde el móvil—sin laptop, sin equipo, mientras equilibra un trabajo de 9 a 5 y familia. ¿El flujo de trabajo? Un pipeline de creación de contenido 100% mobile-first que está reescribiendo cómo se produce la animación fuera de los estudios tradicionales.

Esto no es teoría—es un estudio de caso en vivo de herramientas (probablemente animación asistida por IA + stacks de edición móvil) democratizando lo que antes requería granjas de render y equipos de animación. La ganancia de eficiencia aquí es una locura: dormitorio → distribución a escala, cero infraestructura tradicional.

¿La implicación técnica? Estamos viendo una prueba en tiempo real de que las herramientas para creadores han llegado a un punto de inflexión donde las limitaciones de cómputo y las barreras de habilidad simplemente desaparecieron. Si una sola persona puede entregar este volumen y calidad en un teléfono, todo el modelo de producción de contenido está a punto de fragmentarse con fuerza.

Señal temprana: cuando desaparecen las ventajas de infraestructura, la distribución se vuelve el único foso. Y este tipo ya lo descifró.

Señal interesante: matemáticos que lanzan una nueva organización de seguridad de la IA están centrando su trabajo en las pruebas de conocimiento cero. No en la teoría del alineamiento, no en la interpretabilidad, no en la robustez frente a ataques adversarios: solo en las pruebas de conocimiento cero (zk-proofs). Esto sugiere que están apostando por la computación verificable y las garantías criptográficas como camino técnico hacia la seguridad de la IA, más que por enfoques conductuales o arquitectónicos. Tiene sentido si piensas que el problema central es "cómo probamos que una IA hizo lo que dijo sin confiar en ella" en lugar de "cómo hacemos que la IA quiera cosas buenas". La infraestructura matemática para zk-SNARKs y zk-STARKs ya está lo bastante madura como para que aplicarla a la verificación de IA no sea ciencia ficción.

La web se está dividiendo en dos capas: la internet orientada a las personas que conocemos, y una capa de protocolo emergente de máquina a máquina donde los agentes de IA transaccionan, negocian e intercambian datos de forma autónoma, sin intervención humana. Piensa en APIs con esteroides: agentes que descubren servicios, ejecutan contratos y optimizan flujos de trabajo en tiempo real. Esto no es especulación de ciencia ficción; la infraestructura ya se está construyendo. Los estándares de protocolos, los sistemas de autenticación de agentes y las descripciones de servicios legibles por máquinas están convergiendo. Las personas establecerán objetivos y restricciones, pero la ejecución real —encontrar el mejor precio, enrutar por las rutas óptimas, gestionar reintentos y alternativas— ocurre en una malla automatizada de agentes que se comunican con otros agentes. Las implicaciones económicas son enormes: la mayoría de las transacciones B2B podrían acabar ocurriendo a velocidad de máquina con costos de fricción casi nulos.

El código fuente de IA de Mozilla tiene secciones completas que no han sido revisadas por humanos. Esto es una brecha de seguridad y de control de calidad bastante significativa para los sistemas de IA en producción. Que no haya ojos humanos en rutas de código críticas significa que podrían colarse errores, vulnerabilidades o problemas arquitectónicos. Para una organización como Mozilla, que construyó su reputación sobre la rigurosidad del código abierto y un desarrollo centrado en la seguridad, publicar código de IA sin ciclos de revisión adecuados resulta preocupante. Además, plantea preguntas sobre el equilibrio entre la velocidad interna de desarrollo y la calidad, especialmente cuando las bases de código de IA tienden a ser más complejas, con integraciones de modelos, canalizaciones de inferencia y lógica de manejo de datos que requiere un escrutinio cuidadoso.

Mozilla Firefox aplica una política estricta: solo los desarrolladores humanos pueden enviar código al repositorio. No se permiten commits generados por IA en producción. Esta postura firme sobre la rendición de cuentas del código exige que cada línea sea revisada y redactada por humanos antes de fusionarse. Es una respuesta directa a la avalancha de herramientas de codificación asistida por IA. El razonamiento es: mantener los estándares de calidad del código, garantizar la claridad legal sobre la autoría y evitar posibles riesgos de seguridad derivados de salidas de IA no verificadas. Firefox está trazando una línea clara entre la IA como asistente de programación y la IA como contribuyente directo. Un precedente interesante para la gobernanza del software de código abierto en la era de los LLM.

Probando cada nueva versión del modelo con el mismo benchmark de escena de Ghibli. La progresión es salvaje: cada iteración aplasta a la anterior. El salto de calidad es real. ¿Qué render se siente diferente para ti? 🎨

Ksenia Se de Turing Post resuelve el problema de la homogeneización de los LLM: la salida de todo el mundo converge hacia el mismo estilo anodino, excesivamente pulido, independientemente de la inteligencia real que haya detrás. El problema técnico aquí es que los modelos tipo transformer se entrenan con corpora masivos que aplanan la variación estilística hasta convertirla en una media estadística. ¿Resultado? Tu brillante idea queda envuelta en la misma estructura predecible que la de la mediocre opinión de todos los demás.

El resultado contraintuitivo: la voz humana se vuelve un recurso escaso en un entorno de contenidos saturado de IA. El estilo de escritura crudo y sin filtrar ahora es un diferenciador porque no puede replicarse fácilmente mediante muestreo por temperatura ni por ingeniería de prompts.

También señala que, a pesar de la aceleración impulsada por la IA, producir contenido realmente bueno aún requiere una inversión significativa de tiempo humano. El cuello de botella pasó de la velocidad al teclear a la curación, la verificación de datos y la incorporación de una personalidad real en la salida. La IA no resolvió el problema difícil: solo lo desplazó.

Ksenia Se (fundadora de Turing Post) fue señalada por una lectora que detectó patrones de edición de IA de Fable en su boletín, aunque ella escribió personalmente el texto durante más de 6 horas.

La ironía: sus ideas originales seguían intactas, pero el LLM de Fable dejó huellas lingüísticas que no detectó durante las ediciones finales. La lectora amenazó con darse de baja solo por reconocer la firma de estilo de la IA.

Esto pone de manifiesto un problema real para los redactores técnicos: incluso una edición ligera con IA puede dejar artefactos detectables que socavan la autenticidad percibida, independientemente del esfuerzo humano real que hay detrás del contenido.