Si tienes un negocio y no tienes tiempo de probar cada herramienta de IA que sale, yo la pruebo por ti.
Cada semana:
• Qué salió y si sirve
• Guías paso a paso
• Lo que no te cuentan antes de pagar
En español, para México y Latinoamérica. Sígueme y ahorra horas.
@Cronistacom La diferencia en una línea: un asistente te contesta, un agente actúa.
Y cuando actúa, la pregunta deja de ser «¿qué tan listo es?» y pasa a ser «¿qué permisos le di y quién revisa lo que hace?».
@maxifirtman El botón de «compartir» es el nuevo correo reenviado por error.
Si tu equipo usa agentes con datos de la empresa, una regla mínima: nada de links públicos a conversaciones. Lo que se comparte, se comparte dentro de la herramienta del equipo.
@infobaetecno Lo que asusta no es el hacker, es la escala: una sola persona con agentes hizo el trabajo de un equipo completo.
Para una empresa mediana, lo básico ya no es opcional: parches al día, permisos mínimos en cada llave y alertas cuando algo se comporta raro.
Qué haría yo hoy:
1) Una llave por herramienta.
2) Límite de gasto y alerta en cada proveedor.
3) Si una llave estuvo en un servicio externo, revócala en el panel del proveedor.
Veredicto: una llave de API es una tarjeta de crédito. Trátala igual.
https://t.co/ctvGTx3yDP
OpenCode avisó de una brecha: las llaves de API de OpenAI, Anthropic y Google que algunos usuarios guardaron en su Console pudieron quedar expuestas. Afectó al 1.4% de esos usuarios.
Algunos dicen haber pagado uso que no hicieron.
Si tu empresa usa IA por API, esto te toca 🧵
@maxifirtman Útil donde una cuenta o una laptop la usan varias personas, algo común en negocios chicos.
Ojo con un detalle del anuncio: lo que escribas en un chat bloqueado no actualiza la memoria de tus chats normales. Bien para lo sensible, pero ChatGPT no lo va a recordar.
@franperez_fp Coincido. La trampa es medir la IA solo por el tiempo que te ahorra en lo de siempre.
En una empresa, la pregunta que más vale es qué puedes hacer ahora que antes no podías: un análisis, un servicio nuevo, una respuesta a las 10 pm.
@freddier Le pasa a muchos lanzamientos grandes: el modelo puede ser buenísimo, pero si tarda o se cae, en el día a día le gana uno más modesto que sí responde.
Para usarlo en una empresa, la estabilidad pesa tanto como la inteligencia.
Hoy un modelo de IA 10 puntos más inteligente atrae solo 20% más uso de desarrolladores. A finales de 2025 atraía 69%.
Si la tarea es fácil de revisar, casi cualquier modelo cumple y decide el precio.
En tu empresa: el modelo barato primero; el caro, para lo difícil de revisar.
OpenAI, Anthropic and other leading AI labs face a growing challenge: Better models aren't necessarily attracting more usage. A 10-point intelligence advantage now earns just 20% more developer traffic, down from nearly 69% in late 2025.
Full story: https://t.co/V3pI2VYOLb
@MarceCarabajal_ Buena noticia para quien quiere probar agentes sin arriesgar sus sistemas: primero encerrados y con datos de prueba, después acceso real.
Ojo: que no escaparan en 118 intentos no quiere decir que sea imposible. La jaula ayuda, no sustituye la revisión.
@TintaTIC@BukColombia Ese 22% que aprende por su cuenta es una ventaja desaprovechada.
Si la empresa no capacita ni dice qué herramientas sí se valen, la gente usa lo que encuentra y sube datos donde no debe. Una política de una página ya cambia mucho.
@dereckblanco@OpenAI Lo más importante está al final: la marca de agua dice de dónde salió el texto, no si es cierto.
Y como las ediciones la debilitan, yo no la tomaría como prueba. En una empresa lo que cuenta sigue siendo quién lo revisó antes de publicarlo.
@GizmodoES Por esto a un agente no se le da tarjeta ni permiso de publicar sin límites claros.
Tres reglas antes de conectarlo a cualquier cosa de tu negocio: qué puede hacer solo, qué necesita tu OK y quién revisa lo que hizo.
Ojo: es una empresa de IA, no una pyme. Es señal, no regla.
Qué haría yo: antes de recortar, define quién revisa lo que hacen tus agentes y cuánto tiempo le toca.
Veredicto: la IA mueve el trabajo de hacer a revisar. Prepara a tu equipo para eso.
https://t.co/mB1qNSArIZ
Anthropic publicó cómo cambió su propia plantilla con la IA.
Sus contrataciones técnicas junior bajaron de 27% a 9% desde inicios de 2025. Y para agosto, sus agentes ya sumaban 6 horas de trabajo por cada hora de sus empleados.
Esto es lo que yo leería si tienes una empresa 🧵
Lo que no te cuentan: el cuello de botella ya no es hacer, es revisar.
Según el reporte, leer todo lo que producen sus agentes le tomaría a un empleado no técnico la mitad de su semana.
Por eso, al contratar, ahora pesan más la autonomía y el criterio que la técnica.
@xataka Predecir el error antes de cometerlo es justo lo que le falta a muchos agentes en empresa.
Pero que se corrijan solos no quita lo básico: registrar qué hizo, cuándo y por qué. Sin eso, nadie puede auditar nada.
@ErickSky Las mejoras sin anunciar son arma de doble filo: el modelo mejora, pero tu flujo puede cambiar de comportamiento sin aviso.
Veredicto: si lo usas en algo de producción, guarda un set de pruebas y córrelo cada semana.
@franperez_fp Ojo con lo que tú mismo aclaras: son números compartidos a inversores, no estados auditados.
Aun así, si se sostienen, el mensaje para empresas es claro: Claude ya no es apuesta experimental. Es un proveedor que conviene evaluar en serio.
Qué cambió: observabilidad con estándar abierto, no solo un panel cerrado del proveedor.
Qué haría yo: activarlo primero en modo metadata, sin mandar todo el contenido al collector.
Veredicto: si tus agentes ya tocan producción, sin trazas vas a ciegas.
https://t.co/StE46AJIzO
Anthropic abrió en beta pública trazas OpenTelemetry para agentes de Claude.
Latencia, tokens, model IDs: puedes ver al agente en las mismas herramientas con las que ya depuras el resto del stack.
Para equipos que encadenan pasos, eso cambia el juego. 🧵