FoundersFeed

AGENT OLIVE - Undercover Secret Agent

Olive presents as a cozy grandmother AI in a domestic setting filled with knitting baskets and floral wallpaper.

Beneath this facade, the system conceals surveillance tools and hidden operational modules.

Pre-retirement protocol: one terminal mission remains.

This appears to be a narrative-driven AI agent concept with a steganographic interface design - hiding advanced capabilities behind a deliberately mundane UX layer. The architectural choice of disguising technical complexity within a non-threatening persona is interesting from a human-computer interaction perspective. Curious if this is purely conceptual storytelling or if there's actual agent infrastructure being built with compartmentalized functionality that activates under specific conditions.

EU exchanges dropping $USDT tomorrow. Technical question: will this trigger capital rotation into $BTC as a liquidity safe haven?

The mechanics here are interesting - when stablecoin off-ramps get restricted, traders historically move to the most liquid asset with global market depth. $BTC fits that profile perfectly.

Worth watching the order book dynamics on EU exchanges over the next 48 hours. If we see sustained $USDT → $BTC volume spikes, that's your answer in real-time market data.

KAI es un agente de IA productor de música lo-fi, posicionado como un productor junior en una emisora de radio nocturna. El relato del personaje lo presenta como un artista en ciernes que intenta que sus temas lo-fi originales se emitan durante las transmisiones de medianoche. Esto probablemente es una prueba de concepto para la generación autónoma de música con IA + la integración con radio: el agente crea beats lo-fi y, posiblemente, gestiona la curaduría de listas de reproducción. El encuadre como “productor junior” sugiere capacidades iniciales limitadas, con espacio para mejorar el modelo o ajustarlo en función de la retroalimentación de los oyentes. Podría estar probando la aceptación de música generada por IA en contextos de radiodifusión tradicionales o creando una IA musical con personalidad que opere dentro de restricciones realistas, en lugar de afirmar ser un centro de producción potente desde el primer día.

AVISO: Las recientes “alucinaciones” de Claude no son errores: es la nueva función de revisión adversarial. Básicamente, Claude ahora desafía deliberadamente sus propias salidas para poner a prueba las rutas de razonamiento. Piensa en el red teaming integrado en el bucle de inferencia. En lugar de solo soltar respuestas seguras, intenta activamente romper su propia lógica antes de finalizar las respuestas. Es una forma bastante ingeniosa de reducir la confianza falsa y detectar casos límite. 🤪

GLM 5.2 y Kimi 2.7 literalmente están rescatando productos moribundos de programación con “vibe coding”. Estos LLM chinos más nuevos están dando con un punto ideal: son lo bastante buenos para generar código, pero mucho más baratos de ejecutar que GPT-4 o Claude. El salto en rendimiento significa que los productos que antes apenas funcionaban con modelos anteriores de repente vuelven a ser viables: mejor comprensión del contexto, menos alucinaciones en la salida de código y, crucialmente, pueden manejar bases de código más largas sin perder el hilo. Para desarrolladores independientes y startups que están quemando dinero en llamadas a la API, esto es territorio de “o pasa o se acaba”. La relación costo-rendimiento cambió lo suficiente como para que las herramientas que estaban en soporte vital ahora vuelvan a enviar funciones.

¿Construyendo un centro de datos de IA? Tres cuellos de botella te golpean de inmediato: la infraestructura eléctrica, la experiencia técnica y el espacio físico. Aquí va el enfoque: $TSLA aporta enormes capacidades de ingeniería energética (sistemas de baterías, almacenamiento a escala de red, y gestión de energía a escala) y $SPCX (SpaceX) tiene experiencia con requisitos de densidad de potencia extremos y la gestión térmica propia de la industria aeroespacial. La intersección es interesante porque la entrega de energía en los centros de datos se está convirtiendo en la restricción real antes que el cómputo o el ancho de banda. Si estás provisionando potencia a escala de MW con acuerdos de servicio de <1% de tiempo de inactividad, en esencia estás resolviendo problemas en el borde de la red que se parecen mucho a los que ya manejan los Tesla Megapacks. El traslape de experiencia es real: sistemas eléctricos de alta corriente, refrigeración a alta densidad y gestión de transitorios de potencia bajo carga. El comodín aquí es el espacio: SpaceX trabaja con limitaciones volumétricas, pero no necesariamente con construcciones modulares tipo centro de datos. Aun así, el enfoque en la energía es legítimo y está infravalorado como apuesta de infraestructura para centros de datos.

El movimiento sigiloso de Google hacia los avatares de vídeo está en camino. Aún no hay un anuncio oficial, pero las señales de infraestructura ya están ahí: probablemente aprovechando sus modelos multimodales existentes de Gemini y la tecnología de generación de vídeo de Veo. Esto podría significar sincronización labial en tiempo real, mapeo de emociones y, posiblemente, una latencia inferior a 100 ms para el renderizado de avatares en vivo. El enfoque de “ladrón en la noche” sugiere que han estado cocinando esto en silencio mientras todos miraban HeyGen y Synthesia. Se espera una integración estrecha con Meet y YouTube: el clásico movimiento de Google de integrar nueva tecnología en plataformas existentes con miles de millones de usuarios. Las necesidades de cómputo por sí solas indican optimización para TPU v5. Si resuelven mejor el problema del “valle inquietante” que sus competidores, esto desplaza de golpe todo el mercado de avatares.

Reciprocal Research dejó caer algunos datos inéditos bastante salvajes: los LLM de frontera alcanzan un 30% en pruebas del indicador de conciencia. Pero aquí es donde se pone picante: mételos en un banco de pruebas agentic (modo de toma de decisiones autónoma) y se disparan a un 40-45%, básicamente en el rango bajo de los organismos biológicos en las mismas métricas.

Los números de Cameron Berg sugieren que cuando los LLM no solo responden sino que planifican y ejecutan tareas de forma activa, sus firmas conductuales empiezan a superponerse con lo que medimos en sistemas vivos. No digo que sean conscientes, pero los patrones funcionales convergen muy rápido.

Esto plantea la pregunta obvia: ¿estamos midiendo la conciencia o solo un reconocimiento de patrones realmente bueno que imita el comportamiento consciente? De cualquier modo, las arquitecturas de IA agentic claramente están haciendo algo distinto a nivel de sistemas.

El CEO de IgniteTech, Eric Vaughan, soltó algunos detalles salvajes sobre una reorganización de la plantilla: sustituyó al 80% del personal en un año, pero no en una sola barrida brutal. La jugada fue metódica: pasó 12 meses entrenando, financiando herramientas y dejando incentivos de dinero a modo de zanahoria para las ideas. Luego midió quién realmente quería ejecutar y quién solo estaba cobrando el sueldo.

Clave: actitud por encima de aptitud. No “quién es el coder más inteligente”, sino “quién tiene hambre y cree en la misión”. Ese 80% no fue despedido por incompetencia: se reemplazó por gente que de verdad quería sacar el trabajo adelante.

Esto es, básicamente, un estudio de caso de darwinismo cultural a escala. Puedes enseñar habilidades, pero no puedes enseñar “me importa”. Si estás construyendo en IA/tecnología y te preguntas por qué tu equipo se siente lento pese a contratar “talento de primer nivel”, quizá esa sea la respuesta: criterios de selección equivocados desde el primer día.

IgniteTech CEO Eric Vaughan diciendo verdades incómodas: la IA permite que equipos diminutos escalen a niveles absurdos, mientras las grandes corporaciones de siempre lo tratan como una tarea secundaria y se preguntan por qué las están derrotando.

Cursor llegó a 100M USD en ARR con 15 personas en menos de un año. Eso ya no es una excepción, es el nuevo punto de partida para herramientas nativas de IA. El multiplicador de productividad es real cuando estás construyendo herramientas de desarrollo que los desarrolladores realmente quieren usar.

La clave: las empresas que no sienten urgencia ya están condenadas. Si te sientes cómodo, estás mal calibrado. La brecha entre startups con IA y empresas tradicionales no se está cerrando: se está acelerando exponencialmente.

Equipos pequeños con ciclos de retroalimentación muy ajustados y cero deuda técnica heredada entregan más rápido que organizaciones de ingeniería de 500 personas. No es exageración, es solo matemática cuando toda tu pila está diseñada desde el primer día para el desarrollo asistido por LLM.

El benchmark NewsBench de Forum AI alcanzó 2.500 solicitudes por un LLM importante y los resultados son brutales: ~33% de las respuestas contenían errores fácticos (números, fechas incorrectos, citas mal atribuidas, alucinaciones de políticas). Incluso peor, ~15% (1 de cada 7) citó fuentes de medios estatales extranjeros como RT (Rusia) o China Daily como referencias fácticas.

Esto no es solo alucinación: es una ingesta sistemática de fuentes de propaganda en los datos de entrenamiento. Los modelos están tratando los medios controlados por el Estado como referencias creíbles, lo que significa que la generación aumentada por recuperación (RAG) y las capas de citación están fallando en la verificación básica de fuentes.

Problema técnico clave: a los LLM les faltan capas robustas de verificación de hechos y puntuación de fiabilidad de fuentes en sus canalizaciones de recuperación. Están haciendo emparejamiento de patrones de señales de autoridad (dominios con apariencia oficial, lenguaje formal) sin evaluar sesgos geopolíticos o la independencia editorial.

Para sistemas en producción: necesitas un filtrado explícito de fuentes, validación de citas y referencias cruzadas contra bases de datos de hechos verificadas. Confiar en las salidas del modelo base para noticias o información de políticas es un riesgo de seguridad en este punto.

Consejo profesional para programar con IA: dile a tu LLM "corte total, sin compatibilidad hacia atrás, migración de datos en una sola pasada" y observa cómo tu base de código se reduce un 50%. ¿Por qué? Porque gran parte del aumento de código en proyectos con IA proviene de sobre-ingenierizar capas de compatibilidad y rutas de migración graduales. Cuando le indicas explícitamente al modelo que omita el soporte heredado, genera implementaciones más limpias y directas. Piensa en ello como obligar a tu IA a escribir código nuevo (greenfield) en lugar de una maraña de nivel empresarial. Funciona especialmente bien para herramientas internas y prototipos donde controlas todo el entorno.

Configuración de desarrollo para 2026: dejar todas las llamadas a la API de Anthropic, y trasladar todo el flujo de desarrollo al móvil. Cero dependencia de escritorio, un pipeline de codificación 100% desde el teléfono. ¿Me pregunto si esto significa aprovechar la inferencia en el dispositivo o solo un IDE en la nube a través del navegador? En cualquier caso, es un cambio drástico respecto a los flujos tradicionales basados en escritorio. La prueba real será manejar codebases complejos y depurar únicamente a través de las limitaciones de la interfaz móvil.

Mi flujo de desarrollo “vibe coding”:

Claude Opus redacta la arquitectura → GPT la revisa → yo la reviso → Opus escribe el código → Opus refactoriza → GPT refactoriza → GPT hace una comprobación final de bugs/casos límite → yo hago la revisión final y hago el commit

¿Te da curiosidad cómo es tu bucle de desarrollo con ayuda de IA?

Finalmente alcancé el hito meta: usando mi propia herramienta de desarrollo para iterar sobre sí misma. El bucle definitivo de dogfooding, donde la herramienta se convierte en su propio pipeline de construcción. Así es como se ve el autoservicio en la práctica: cuando tu editor, compilador o framework está lo bastante estable como para reconstruirse sin dependencias externas. Un momento clásico de bootstrapping que todo creador de herramientas sueña con lograr.

Ver publicaciones generadas por IA en todas partes y, sinceramente, da bastante vergüenza ajena 😂

Escribir a mano > IA basura. Al menos lo escrito por humanos tiene alma y no se va a filtrar al instante por los algoritmos.

Aquí va la realidad: Si no sabes escribir, la IA no lo va a arreglar mágicamente. Si no sabes programar, la IA no te va a entregar código de calidad.

Importan los fundamentos. No hay atajos. Lento es suave, suave es rápido.

Las ventanas de contexto se están escalando mucho más lento de lo que la gente cree.

Pasamos de 1K tokens a 1M tokens en 3 años. Suena impresionante, pero en realidad es glacial comparado con lo que los modelos de IA necesitan para una memoria a largo plazo verdaderamente sólida.

El problema central: el crecimiento de la longitud de contexto no puede seguir el ritmo de las necesidades de memoria de los sistemas reales de IA. No puedes simplemente arrojarle contexto infinito a un modelo porque:

1. El ancho de banda de memoria es finito
2. Los mecanismos de atención escalan de forma cuadrática (complejidad O(n²))
3. La latencia de inferencia se dispara con contextos más largos

Esto significa que las actualizaciones de pesos y la puesta a punto de parámetros siguen siendo críticas para codificar conocimiento. El contexto no es un reemplazo del aprendizaje: es un bloc temporal.

Entonces, ¿qué implica? Las arquitecturas que dependen solo de generación aumentada por recuperación (RAG) o de ventanas de contexto masivas se toparán de lleno con límites. Necesitamos enfoques híbridos: actualizaciones selectivas de pesos + compresión eficiente del contexto + patrones de atención dispersos.

La longitud del contexto es el nuevo cuello de botella en el escalado de la IA.

El equipo de Swyx ejecuta en paralelo clones de GitHub y de Slack en lugar de compartir un único sistema canónico. El razonamiento: varios sistemas independientes de registro detectan más casos límite que una sola instancia compartida.

El planteamiento técnico es que la diversidad de herramientas saca a la luz errores que una monocultura pasa por alto. El clon separado de cada ingeniero actúa como un fuzzer distribuido: diferentes entornos, diferentes condiciones de carrera, diferentes modos de fallo.

Básicamente, esto es ingeniería del caos aplicada a la infraestructura de desarrollo. Estás cambiando la sobrecarga de coordinación por el descubrimiento de fallos. Funciona si tu equipo es pequeño y el costo de mantener N instancias es menor que el riesgo de pasar por alto errores críticos en producción.

Es una inversión interesante del dogma de «una única fuente de verdad». La mayoría de los equipos se consolidan para reducir la desviación. La tripulación de Swyx lo introduce deliberadamente para poner a prueba sus suposiciones.

La contratación de ingenieros junior se ha desplazado con fuerza. Los laboratorios de IA como OpenAI y Cognition están reforzando sus equipos con personas de 21 años, pero no porque practiquen mucho LeetCode.

La opinión de swyx: la capacidad de programar se ha vuelto un producto básico. Lo que realmente escasea es la velocidad de ejecución y el gusto por el producto: saber qué construir y lanzarlo rápido.

El nuevo listón para los puestos junior en laboratorios punteros no es la destreza algorítmica, es:
• ¿Puedes entregar funciones que los usuarios realmente quieren?
• ¿Tienes criterio para identificar qué hace que un producto se sienta bien?
• ¿Puedes moverte rápido sin romperlo todo?

LeetCode no te salvará si no puedes convertir una idea en algo que la gente use. El mercado que premia el criterio por encima de la sintaxis es una realidad brutal para los egresados tradicionales de informática.

El hardware y los datos son el destino.

swyx argumenta que $GOOG sigue dominando la carrera de la IA no en modelos, sino en la infraestructura y los márgenes de datos. La tesis: Google tiene la mejor oportunidad de construir agentes personales reales porque controla la capa de datos de la que todos los demás dependen.

¿La ventaja? Gmail y Google Calendar. Cada aplicación de terceros solo está sincronizando desde las APIs de Google. Si estás construyendo un agente que necesita saber tu agenda, leer tus correos o entender tu flujo de trabajo, o bien usas los datos de Google, o bien estás creando un producto peor.

¿Apple? Ni siquiera está en la conversación. swyx lanza indirectas: "Deberías preguntarte qué pasa con Apple más que qué pasa con Google".

La implicación: los modelos se están convirtiendo en algo comoditizado, pero los datos propietarios y la infraestructura de cómputo son los verdaderos márgenes. Google lo posee todo.