FoundersFeed

Kimi 3.1 acaba de salir y no me interesa en absoluto. De hecho, me recordó que cancelara mi suscripción a Allegretto, que hace muchísimo que no uso. Sinceramente, no se me ocurre ni un solo caso de uso en el que elegiría este modelo en lugar de otras alternativas.

Alguien acaba de introducir un cómic del Pato Donald en un agente de IA, y este generó un dibujo animado completo de una sola vez. Sin indicaciones iterativas ni montaje manual de escenas: solo subirlo → obtener una animación completa. Esto sugiere que el modelo puede interpretar narraciones visuales secuenciales (flujo entre viñetas, coherencia de los personajes e inferencia del movimiento) y sintetizarlas de forma autónoma en un formato basado en el tiempo. Un gran salto de la generación de imágenes estáticas a la síntesis de vídeos narrativos, sin intervención humana en el proceso.

Cálculo rápido del uso de Devin Pro: se consumen aproximadamente 100M de tokens de Gemini-4-Argon-Medium por semana. Es un volumen de tokens descomunal para un agente de programación con IA a gran escala. Esto demuestra que ejecutan cargas de trabajo intensivas de forma continua: probablemente refactorización de varios archivos, análisis completo de repositorios y sesiones iterativas de depuración que amplían rápidamente las ventanas de contexto. Con ese volumen, optimizar los costos del modelo se convierte en un problema de ingeniería crítico, no en un simple extra.

Predicción: En los próximos 12 meses veremos enjambres de agentes desplegables capaces de replicar las operaciones bancarias centrales de instituciones pequeñas y medianas. La tesis: los laboratorios están absorbiendo datos operativos de sectores regulados (aerolíneas, manufactura, contabilidad y banca) para entrenar sistemas multiagente especializados.

La arquitectura sería así:
→ Agentes de cumplimiento normativo (procesos KYC/AML)
→ Modelos de evaluación de préstamos (evaluación del riesgo crediticio)
→ Procesamiento de transacciones (integración con redes de pago)
→ Automatización de informes regulatorios
→ Coordinación del servicio al cliente

El verdadero avance = convertir el despliegue de capital en un problema de configuración, en lugar de un problema de creación organizativa. No estás contratando a 50 personas ni lidiando durante 18 meses con un infierno regulatorio. Estás poniendo en marcha un sistema preentrenado que ya conoce los requisitos de la FDIC, los protocolos ACH y los patrones de detección de fraude.

Las barreras de datos que estos laboratorios están construyendo al obtener licencias para conjuntos de datos operativos de empresas existentes = la nueva ventaja competitiva. Ya no solo entrenan con texto, sino que incorporan flujos reales de procesos empresariales.

Sigo teniendo mis dudas sobre la idea de «conectar y usar» en sectores muy regulados en 2025, pero la dirección está clara: sistemas de IA capaces de operar funciones empresariales completas, no solo de ayudar con tareas. El capital se convierte en la principal limitación, no la complejidad operativa.

Gemini 4 Argon es sorprendentemente sólido para generar documentación. Si te da pereza y no quieres escribir la documentación tú mismo, Gemini lo hace lo bastante bien como para usarlo en flujos de trabajo de producción. Vale la pena probarlo si te ahogas entre código sin documentar.

🚀 Todos MCP Server acaba de salir

Básicamente, es un orquestador de metaagentes para tus asistentes personales de IA (Muse, Dots, GrokBot, etc.). Les permite controlar y coordinar 19 agentes de programación distintos al mismo tiempo.

Imagínalo como una capa de distribución: en lugar de tener que coordinar manualmente varios agentes especializados, ahora tu asistente principal puede asignar tareas a toda la flota de agentes. Es bastante útil si tienes flujos de trabajo de desarrollo complejos que requieren distintos agentes para tareas como análisis de código, pruebas, revisión de código, despliegue, etc.

La arquitectura MCP (Model Context Protocol) permite que los agentes compartan contexto sin que tengas que copiar y pegar entre herramientas. Reduce muchísimo las molestias cuando vas alternando entre tareas.

El fondo de 70 millones de dólares de Cambrian apuesta por los proveedores de infraestructura de IA, en lugar de por los propios laboratorios. La tesis de su fundador, Lonis Hamaili: todos los laboratorios de IA necesitan una infraestructura informática idéntica: memoria, herramientas e infraestructura energética. Su enfoque no está en el riesgo técnico, sino en la exposición regulatoria.

La lógica: los incidentes de uso indebido, las brechas de seguridad y el desplazamiento laboral generan una enorme responsabilidad política para los laboratorios de IA de frontera. Hamaili prevé que la intervención gubernamental limitará el crecimiento de los laboratorios antes de que alcancen una verdadera escala de monopolio.

La estrategia no depende de quién esté en el poder. Tanto si OpenAI y Anthropic dominan, como si los gobiernos nacionalizan la capacidad de computación o los laboratorios chinos les dan alcance, los proveedores de infraestructura salen ganando. Es la clásica estrategia de vender palas y picos, pero para la fiebre del oro de la IA.

Una cobertura interesante frente a la narrativa de que «los laboratorios de AGI se convertirán en empresas valoradas en billones de dólares». Si se produce una captura regulatoria (algo cada vez más probable tras el ciclo electoral), estar un nivel más abajo en la cadena podría ser, en realidad, la apuesta asimétrica más segura.

Lonis Hamaili, de Cambrian (un fondo de 70 millones de dólares centrado en infraestructura física para IA), apuesta por acciones de empresas de memoria que cotizan a 5-6 veces sus beneficios, pese a que los precios se mantienen estables. Su tesis: la demanda superará a la oferta incluso sin subidas de precios.

Restricción de la oferta: según las proyecciones del sector, la producción de DRAM solo puede multiplicarse por ~2,5 de aquí a 2030. Ese es un límite estricto.

Motor de la demanda: las cargas de trabajo de IA no dejan de crecer. Su tesis optimista supone que los modelos que consumen mucha memoria seguirán escalando más rápido de lo que la oferta puede seguirles el ritmo.

El riesgo de caso límite que señala es realmente interesante: ¿y si la IA se vuelve muy buena comprimiendo memoria antes de volverse buena en tareas útiles? Eso desplomaría la demanda.

Su contraargumento: si la IA alcanza el nivel necesario para resolver problemas de ingeniería complejos, ya será capaz de automatizar el trabajo de oficina (tareas de correo electrónico y Excel que valen billones al año). Así que la demanda se disparará en cualquier caso.

En esencia, apuesta por un cuello de botella en la oferta que coincidirá con una explosión de las cargas de trabajo de IA, mientras las acciones de empresas de memoria siguen infravaloradas según sus múltiplos actuales. El riesgo de la compresión es real, pero cree que el desbloqueo de la demanda llegará primero.

Lonis Hamaili (fondo de 70 millones de dólares para la cadena de suministro de IA) explica la estrategia de apalancamiento operativo en la fabricación de semiconductores:

Tesis central: La demanda de IA podría convertir a los proveedores de componentes con márgenes bajos (condensadores, obleas de silicio), que apenas son rentables, en máquinas de generar efectivo.

Los números:
- Situación actual: márgenes brutos del 10 %, altos costos fijos y una deuda asfixiante
- Problema: las fábricas infrautilizadas pierden dinero a raudales
- Catalizador de la IA: si pueden subir los precios un 10 %, las ganancias se duplican
- Escenario extremo: un aumento de precios de 2 veces → ganancias 10 veces mayores

Por qué funciona: Estos fabricantes tienen costos fijos enormes (equipos y plantas de fabricación). Una vez cubiertos esos costos, cada dólar adicional de ingresos va casi directamente al resultado final. La demanda de chips de IA podría por fin darles poder de fijación de precios, después de décadas de presión.

En esencia, la apuesta es que la IA generará suficientes limitaciones de oferta para que los fabricantes de componentes básicos por fin puedan cobrar lo que realmente cuestan sus inversiones de capital. Es una apuesta de alto riesgo, pero el apalancamiento es real si se mantiene la demanda de IA.

Probando el iPhone Duo en Apple Bellevue:

Hardware de la cámara: claramente inferior al conjunto de sensores del iPhone 17 Pro. El formato plegable obligó a hacer concesiones en el sistema de imagen: probablemente sensores más pequeños y menos margen para la fotografía computacional.

Frente al Galaxy Fold 8: si ya usas la arquitectura de bisagra más reciente de Samsung, el iPhone Duo no ofrece suficientes diferencias. Misma categoría, distinto ecosistema al que quedar vinculado.

La configuración negra de 512 GB estaba disponible (algo poco habitual durante la semana de lanzamiento), pero las concesiones de hardware hacen que no merezca la pena para quienes priorizan el rendimiento de la cámara o ya han invertido en plegables Android.

El fondo de 70 millones de dólares de Cambrian para la cadena de suministro de IA prohíbe rotundamente operar con margen, pese a su enorme confianza en la trayectoria de la IA a largo plazo.

El cofundador de Lonis Hamaili convirtió 100.000 dólares que pidió prestados poniendo como garantía la casa de su padre en 14 millones, pero los documentos de su fondo prohíben explícitamente el apalancamiento. ¿Por qué?

Confían en la evolución de la IA a lo largo de 4 a 10 años y en sus plazos aproximados, pero no confían en absoluto en la evolución de los precios de un trimestre a otro. $NVDA multiplicó su valor por 15 en 4 años, pero sufrió caídas del 40 al 60 % en el camino. Incluso una posición ganadora comprada con margen puede liquidarse durante un período de volatilidad.

Su filosofía para los socios comanditarios: «Queremos ser ricos en muchos mundos, no multimillonarios en uno solo».

Una gestión inteligente del riesgo supera al apalancamiento máximo cuando se apuesta por un desarrollo de infraestructura de varios años con catalizadores impredecibles a corto plazo.

Lonis Hamaili, de Cambrian (fondo de 70 millones de dólares para la cadena de suministro de IA), enfría el entusiasmo por TerraFab: el verdadero cuello de botella no es la capacidad de las fábricas, sino el suministro de obleas en las etapas anteriores de la cadena.

Una dosis de realidad técnica:
• El suministro de obleas crece apenas entre un 9 y un 15 % al año
• TerraFab sigue dependiendo de las mismas herramientas de fabricación que TSMC y Samsung
• Una nueva fábrica ≠ nueva capacidad de producción de obleas
• Los cuellos de botella en los equipos de las etapas anteriores siguen sin resolverse

La comparación con China es contundente: tras una década de enormes inversiones en cientos de empresas, aún tiene dificultades para alcanzar los nodos más avanzados. ¿Y ahora se espera que una sola empresa integre verticalmente toda la cadena al mismo tiempo?

La cadena de suministro de semiconductores tiene más de 1.000 dependencias críticas. Construir una fábrica sin controlar la producción de sustratos de oblea, las herramientas de litografía y las cadenas de suministro de productos químicos simplemente desplaza el cuello de botella a otra parte. Por eso la estrategia IDM 2.0 de Intel se centra en las alianzas, en lugar de apostar por una integración vertical pura.

En resumen: la escasez de chips es un problema de ciencia de materiales y de equipos de capital, no solo un problema de la planta de producción.

Lonis Hamaili (fondo de 70 millones de dólares para la cadena de suministro de IA en Cambrian) traza una línea clara entre el diseño de chips y su fabricación. Su tesis: el diseño de chips es abordable para la IA porque está bien documentado y cuenta con buenos entornos de entrenamiento. ¿La fabricación de chips? No tanto.

El principal cuello de botella: décadas de conocimiento tácito encerrado en ingenieros japoneses que llevan más de 30 años trabajando en la misma fábrica de semiconductores. No hay manuales. No hay conjuntos de datos estructurados. Solo intuición y reconocimiento de patrones, desarrollados a lo largo de miles de ciclos de producción.

Construir una fábrica de semiconductores de 2 millones de pies cuadrados no solo requiere mucho capital; también exige un conocimiento que no encaja fácilmente con los paradigmas actuales de entrenamiento de IA. No basta con extraer datos de GitHub o ArXiv.

Su apuesta: tarde o temprano, la superinteligencia resolverá el problema de extraer ese conocimiento, pero la cuestión es en qué orden. El diseño de chips será lo primero (ya está ocurriendo con herramientas como los copilotos de IA de Cadence). La extracción de conocimientos de fabricación llegará después, cuando tengamos mejores maneras de digitalizar los procesos físicos y aprender de ellos.

En resumen: la IA se comerá el diseño de chips antes que su fabricación. La brecha entre ambos es mayor de lo que piensa la mayoría.

Lonis Hamaili, de Cambrian (fondo de 70 millones de dólares para cadenas de suministro de IA), explica la jerarquía de los cuellos de botella:

La escasez de energía > la escasez de chips en cuanto a posibilidades de solución.

Energía: puedes improvisar soluciones. Reutilizar motores de camiones, turbinas de aviones y motores industriales para generar electricidad. ¿Grandes turbinas de gas natural? Tienen pedidos pendientes hasta 2030. Pero es posible adaptar la infraestructura mecánica existente.

Chips: cero margen. La capacidad de fabricación de obleas y la producción de memoria están al máximo. Todas las líneas de TSMC están funcionando a toda marcha, Samsung produce las 24 horas, los 7 días de la semana, y SK Hynix tiene todo vendido. No hay capacidad ociosa esperando a que alguien la aproveche.

La idea central: la generación de energía tiene flexibilidad y redundancia mecánicas. La fabricación de semiconductores es un juego de suma cero, sin capacidad de reserva. No puedes simplemente «encontrar» capacidad adicional para fabricar obleas de 3 nm por ahí.

Esto explica por qué los hiperescaladores están buscando soluciones creativas para obtener energía (comprar plantas retiradas, construir instalaciones de generación in situ), mientras que el suministro de chips sigue siendo la principal limitación para ampliar la IA.

Lonis Hamaili (Cambrian, fondo de IA de 70 millones de dólares) lanza una predicción descabellada: para 2027, los gobiernos serán los mayores compradores de tokens de IA. ¿Su tesis? Una carrera armamentista de ciberseguridad entre Estados Unidos y China es inevitable.

La lógica: los gobiernos comprarán a toda prisa infraestructura de defensa de IA después de que grandes ciberataques golpeen bancos y sistemas críticos. Habla de presupuestos de 500.000 millones de dólares solo para evitar que China los deje en ridículo, porque sufrir un ciberataque sería un suicidio político para quien esté al mando.

¿El detonante? Espera que las brechas de seguridad de alto perfil obliguen a los gobiernos a adoptar la mentalidad de «no podemos permitirnos quedarnos atrás». Cuando eso ocurra, se abrirán las compuertas del gasto.

En esencia: la defensa de IA de los Estados-nación se convertirá en la nueva disuasión nuclear, y los tokens serán los rieles de esa infraestructura. Creas o no en el calendario, el modelo de amenazas subyacente (la escalada de la ciberguerra impulsada por IA) ya se está desarrollando en tiempo real.

Evan Conrad, CEO de San Francisco Compute, comparte una idea clave sobre la implementación de infraestructura de IA: olvídate de la proximidad a los usuarios para las cargas de trabajo de entrenamiento; ubícalas cerca de las fuentes de energía.

En los trabajos de entrenamiento que duran varios días, el costo y la disponibilidad de la electricidad son más importantes que la latencia. Su apuesta: veremos una oleada de clústeres de GPU de menos de 15 MW distribuidos por todo el mundo, allí donde haya energía barata.

¿La excepción? La inferencia en tiempo real, como el procesamiento de video y audio en directo: esos casos sí necesitan estar cerca del usuario para responder en menos de 100 ms. Entrenamiento = prioridad a la energía. Inferencia de baja latencia = prioridad al usuario. Distintas cargas de trabajo, distintas topologías.

San Francisco Compute está sacando partido de los contratos de GPU: compra compromisos a largo plazo y los revende con una prima como alquileres flexibles mes a mes.

La estrategia: asegurar capacidad de GPU anual a precios por volumen y luego dividirla en periodos de alquiler más cortos para los equipos que no pueden comprometerse a contratos de 12 meses. Arbitraje clásico de infraestructura: comprar tiempo al por mayor y vender flexibilidad al por menor.

El director ejecutivo, Evan Conrad, confirma que aprovisionaron deliberadamente más capacidad de la necesaria en contratos largos para crear esta capa de alquiler. El margen proviene de la prima por flexibilidad: la mayoría de los proveedores de GPU exigen compromisos anuales, así que ofrecer acceso mensual les permite cobrar por encima de las tarifas al contado y, a la vez, competir con contratos de menor duración.

Es básicamente el modelo de AWS aplicado a la computación con GPU: asumir el riesgo del compromiso y monetizar la opcionalidad. Funciona hasta que los hiperescaladores empiezan a ofrecer sus propios planes flexibles de alquiler de GPU o la capacidad al contado inunda el mercado.

Evan Conrad, de San Francisco Compute (operador de clústeres de GPU), critica a quienes se oponen a los centros de datos en EE. UU. y califica sus temores de exageraciones alarmistas.

Su tesis central: si quieres que el valor económico de la IA llegue a tu región, necesitas centros de datos físicos allí. Punto.

Señala una instalación en Utah que triplicó los ingresos fiscales locales como prueba de que la infraestructura equivale a dinero.

El ángulo geopolítico: el resto del mundo no está dudando. Se apresura a alojar capacidad de cómputo porque entiende lo que está en juego. Los países fuera de EE. UU. están cortejando activamente estos proyectos, ya que un solo centro de datos a gran escala puede influir de manera considerable en el PIB nacional.

En esencia, este es el argumento de la «soberanía en IA mediante la infraestructura». O construyes las tuberías o solo alquilas capacidad de cómputo de la economía de otro. Sin centros de datos, no tienes influencia en la cadena de valor de la IA.

Lo que se insinúa: las trabas regulatorias en EE. UU. sobre la energía y el uso del suelo para los centros de datos podrían ser un autogol estratégico, mientras otras naciones les extienden la alfombra roja.

SF Compute está abordando un problema crucial de financiación de infraestructuras: los clústeres de GPU son una garantía pésima porque los prestamistas no pueden operarlos si los embargan. Los bancos no quieren ponerse de repente a gestionar un superordenador.

Su solución: combinar la operación de clústeres con un mercado de reventa líquido para el tiempo de computación. La tesis es que, si la capacidad de computación se vuelve realmente fungible y negociable, se convierte en una garantía mejor → tasas de interés más bajas → financiación de GPU más barata para las startups.

Pero el director ejecutivo, Evan Conrad, es claro: esto no resuelve el problema hoy. Las startups siguen necesitando el mismo capital inicial. Crear la infraestructura necesaria para que la capacidad de GPU sirva como garantía llevará «varios años».

En esencia: están construyendo la infraestructura financiera necesaria para convertir la computación en una clase de activo negociable. Una apuesta a largo plazo para que la infraestructura de IA requiera menos capital.

El CEO de San Francisco Compute, Evan Conrad, gestiona clústeres de GPU con un sistema de colas que evita el acaparamiento. Por defecto, los investigadores pequeños tienen la máxima prioridad, incluso por encima de los clientes de pago. Su plataforma Autoresearch usa una cola prioritaria en la que puedes pagar para adelantar puestos, pero no puedes comprar toda la cola: los investigadores independientes siempre consiguen espacio.

Para acabar con el acaparamiento de capacidad, SF Compute exige que se revenda parte de la capacidad de cómputo alquilada. Así, las GPU siguen circulando en lugar de quedar bloqueadas en grandes laboratorios.

En resumen: dar prioridad a los pequeños, evitar los monopolios y garantizar la liquidez del mercado de GPU.