0907 | La capa que le faltaba a tu IA: del chat perdido al agente en Slack

Clara Vega: Hola y bienvenidos, soy Clara Vega.

Mateo Ruiz: Y yo soy Mateo Ruiz. Hoy tenemos un episodio lleno de lanzamientos que tienen algo en común: no son apps nuevas que te piden que cambies tu vida, sino capas que se meten donde ya trabajas para que pierdas menos tiempo. Y en algunos casos, hasta cambian la física de la cosa.

Clara Vega: Exacto. Vamos a hablar de cuatro historias: una extensión que organiza tus chats de IA, un empleado de IA que vive en Slack, dos apuestas por romper el compromiso entre velocidad y calidad en video, un runtime para agentes de código junto a un editor de documentación, y terminamos con un juego oculto de dominios web que casi nadie conoce.

Mateo Ruiz: Y como siempre, avisamos: lo que cuentan los fundadores son afirmaciones suyas, no resultados verificados. Vamos a separar bien lo que dicen de lo que la comunidad reporta. Empecemos con AI Toolbox 3.0.

Clara Vega: AI Toolbox es una extensión de Chrome que se pone encima de ChatGPT, Claude, Gemini y Grok. La idea es que tus conversaciones de IA son trabajo, y como trabajo deberían estar organizadas, buscables y exportables, sin importar qué asistente uses este mes.

Mateo Ruiz: ¿Y qué te da concretamente? Carpetas y subcarpetas en la barra lateral, búsqueda de texto completo que puede cruzar las cuatro plataformas a la vez, una biblioteca de prompts donde escribes doble barra y se inserta tu prompt guardado, incluso encadenar prompts en flujos de varios pasos. Exportación masiva a Markdown, PDF, JSON, o comprimir toda una carpeta en ZIP. Marcadores y un medidor de contexto en vivo para que un chat largo no te corte la idea a media frase.

Clara Vega: Y un detalle que a mucha gente le importa: es local-first. Todo se queda en tu navegador, las búsquedas y exportaciones corren ahí mismo, y las conversaciones nunca van a sus servidores. Un solo install cubre las cuatro IAs.

Mateo Ruiz: Detrás hay dos fundadores, sin financiación, arrancado desde cero. El fundador Adi cuenta que empezó hace dos años con treinta y dos dólares: una máquina virtual barata y la tasa de desarrollador de Chrome. Vivía dentro de ChatGPT todo el día y perdía su trabajo: chats que no encontraba, prompts reescritos por centésima vez, sin forma de exportar nada. Así que construyeron la capa que faltaba.

Clara Vega: Esta es su tercera vez lanzando en Product Hunt, y lo nuevo desde la anterior es bastante: ahora soportan Grok, búsqueda cruzada entre las cuatro plataformas, la Artifact Vault en Claude donde ves todos los artefactos y archivos creados en un solo lugar, y el medidor de contexto con traspaso en un clic a un chat nuevo. Un usuario describió justamente eso: empezar un chat en Claude y querer continuarlo en ChatGPT.

Clara Vega: Presionas un botón, la herramienta resume el chat y lo lleva a uno nuevo en la otra plataforma.

Mateo Ruiz: En cuanto a credenciales, dicen más de cuarenta mil usuarios en más de ciento cincuenta países, cuatro y medio estrellas en la Chrome Web Store, ingresos recurrentes de cinco cifras y dos personas con cuarenta y cinco dólares al mes de infraestructura. Tomémoslo como lo que es: sus propias cifras. Pero lo interesante es su afirmación de que casi cada función salió de una petición de usuario y que el buzón de soporte es su hoja de ruta.

Clara Vega: La comunidad respondió bien. Uno decía que es de esas herramientas que no sabes que necesitas hasta que estás haciendo malabares con varias IAs todos los días. Otro llevaba un año usándola y decía que no puede volver a trabajar sin ella. Y alguien señaló algo que suena obvio pero no lo es: le sorprende que esto no esté ya integrado en las plataformas de IA.

Mateo Ruiz: Pero hubo críticas concretas, y son las que valen oro. Un usuario con un mes de uso en Claude decía que exportar a JSON le sirvió muchísimo para revisar temas pendientes en chats largos, pero que la búsqueda a veces falla, no encuentra valores conocidos en chats, y que el medidor de contexto es una "adivinanza" en el mejor de los casos. Recomienda la herramienta igual, ojo, pero esas limitaciones existen.

Clara Vega: Y el comentario más técnico y quizás el más importante: alguien advirtió que la búsqueda local vive en IndexedDB del navegador, y Chrome puede expulsar ese almacenamiento bajo presión sin avisar a nadie. Dos años de historial más un árbol de carpetas es exactamente lo que desaparece silenciosamente y luego parece un bug de la extensión. Preguntaba si están llamando a navigator.storage.

Clara Vega: persist() y si muestran la cuota en algún lado, y sugería poner eso por delante de las carpetas, porque perder la organización duele más que perder un chat.

Mateo Ruiz: Es una crítica dura pero justa: el argumento de venta es que tus chats son tuyos y están a salvo, pero si el navegador los borra por gestión de memoria, esa promesa tiene un agujero. Queda por ver cómo responde el equipo.

Clara Vega: Y pasemos al otro lado de la organización con IA: Tadata, que se describe como "el empleado de IA en Slack que lee la sala".

Mateo Ruiz: Aquí el salto conceptual es otro. No es una herramienta que tú operas, es algo a lo que delegas como a un compañero de equipo. Tori, cofundadora, lo explica así: deberías poder decirle qué necesitas, darle retroalimentación, y que se encargue del resto, sin tener que aprender a construir agentes.

Clara Vega: Su ejemplo favorito es búsqueda de leads en ventas: describes a quién buscas, y Tadata investiga a través de las herramientas internas de la empresa y fuentes más difíciles de alcanzar como LinkedIn o Google Maps. Si los resultados no son correctos, respondes con qué cambiar. Tú no eliges proveedores de datos ni cables herramientas; delegas el trabajo y Tadata arma el sistema por debajo.

Mateo Ruiz: Y a medida que trabajas con él, aprende cómo funciona tu empresa y construye contexto compartido que mejora el trabajo futuro. Viene de la parte de infraestructura: el equipo creó FastAPI-MCP, que según ellos llegó a doce mil estrellas en GitHub y más de setenta millones de descargas. Su reflexión es interesante: tener acceso a herramientas es muy distinto de tener un compañero de IA en quien puedas confiar.

Clara Vega: En la web describen un día con Tadata: a las siete forty y cinco te llega en Slack el brief antes de abrir una pestaña, con las llamadas de hoy, con quién te reúnes, qué cambió desde la última vez y las noticias relevantes. Durante el día, nota lo que se repite y ofrece automatizarlo, pero pregunta antes. Después de una llamada, el correo de seguimiento está redactado, los campos del CRM llenos, el siguiente paso escrito, y nada sale hasta que tú lo apruebas.

Mateo Ruiz: Tienen agentes preconstruidos: personalización de alcance en ventas, buscador de presentaciones en caliente, preparación de llamadas, un oyente de LinkedIn que señala publicaciones donde alguien nombra un problema que puedes resolver, detector de nuevos empleados para agarrar decisores antes de que se comprometan con proveedores, preparación para conferencias. Y también puedes describir lo que necesitas y Tadata lo construye.

Clara Vega: Se conecta a HubSpot, Attio, Notion, Linear, GitHub, hojas de cálculo, Gmail, calendarios, cualquier MCP o API. Y hay dos promesas de diseño: portabilidad, o sea, tus automatizaciones, preferencias y recetas se pueden exportar y versionar y llevarte si cambias de modelo; y agnosticismo de modelo, se sientan entre tu trabajo y los modelos de frontera sin incentivo para encerrarte en un proveedor. Acceso con alcance, aislamiento de credenciales, tus datos son tuyos.

Mateo Ruiz: En comentarios, la gente destacó justo eso: que las respuestas son cortas y claras, que dar instrucciones en Slack se siente más natural que otros bots, y uno decía que cada semana busca un lugar en Slack donde delegar sus cambios de contexto infinitos. Otro, fan de Claude Tags, lo veía como una forma más accesible y sin depender de Anthropic, eventualmente con modelos locales.

Clara Vega: Pero quedan preguntas abiertas, y eran exactamente las que aparecieron. ¿Tadata marca su propia incertidumbre? Si investiga un lead y se equivoca con confianza, con datos viejos o una empresa incorrecta, ¿lo señala, o llega como un mensaje normal de Slack y quien preguntó lo trata como verdad absoluta? Ese es un riesgo real de una herramienta que suena tan segura.

Mateo Ruiz: Y la otra pregunta: ¿cómo maneja canales donde la conversación es mitad decisiones y mitad ruido? ¿Necesita que lo etiqueten o escucha de fondo? Y ¿qué tan profundo es "aprende tu empresa" después de una semana versus después de un mes? Es fácil prometer aprendizaje, otra cosa es medirlo.

Clara Vega: Ahora vamos de la capa que organiza tu trabajo a algo que suena distinto pero es la misma historia: modelos que prometen que no tengas que elegir entre calidad y velocidad. Primero H3 Max de fal.

Mateo Ruiz: H3 Max es la versión post-entrenada por fal del modelo MiniMax H3. Parten de un modelo de pesos abiertos y le meten datos nuevos de entrenamiento enfocados en adherencia al prompt y calidad visual, mientras el equipo de inferencia reconstruye el sistema de servido alrededor. Estuvo entrenado y servido enteramente en sistemas NVIDIA GB200 NVL72.

Clara Vega: Las cifras que afirman: un video de cinco segundos se genera en unos tres segundos, lo que sería treinta y cinco veces el rendimiento del endpoint oficial de H3, y en promedio quince veces más rápido que cualquier cosa de calidad comparable. Y dicen que quedó número uno en calidad general, comprensión del prompt y estética contra doce modelos líderes, incluyendo el H3 original, Gemini Omni Flash, Wan 3.0, Seedance 2.5, Kling 3 y Veo 3.1.

Mateo Ruiz: ¿Cómo lo midieron? Con preferencias humanas cara a cara, agregadas con Elo bayesiano e intervalos de confianza del noventa y cinco por ciento, evaluando tres dimensiones por separado: preferencia general, fidelidad a la instrucción y estética. Y dicen que resultados independientes de Artificial Analysis y Design Arena lo respaldan, con Design Arena destacando más de cincuenta veces la velocidad con la calidad de H3.

Clara Vega: Un punto fino que vale la pena notar: no toda optimización de velocidad sobrevivió. Cuentan que hay formas de acelerar un modelo de video, reducir precisión, quitar pasos de muestreo, aproximar operaciones caras, y que una optimización solo se quedaba si el modelo seguía manteniendo su posición en sus evaluaciones internas. Además co-diseñaron: las decisiones del entrenamiento y la pila de inferencia se informaban mutuamente mientras el modelo todavía se desarrollaba.

Mateo Ruiz: Y Google respondió por su lado con algo distinto: video agéntico en Gemini. Es un modo de procesamiento nuevo en Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite. En vez de escanear el video a una tasa de fotogramas fija, el modelo decide qué mirar, a qué velocidad y por qué modalidad, fotogramas, audio o transcripción, buscando solo los segmentos que necesita mediante un bucle agéntico interno.

Clara Vega: Los números: hasta ochenta y ocho por ciento menos tokens, hasta sesenta y seis por ciento menos costo, y hasta siete por ciento más de precisión. Los mayores beneficios en video largo. Está disponible ya vía la API de Gemini en AI Studio y en Gemini Enterprise Agent Platform; activas el procesamiento en "agentic", precios estándar, sin tarifa extra.

Mateo Ruiz: Casos de uso que mencionan: recuperación de momentos en menos de un segundo para edición automática, búsqueda de aguja en pajar en videos de horas, detección de anomalías con remuestreo de FPS variable, conteo preciso de acciones u objetos repetidos. O sea, para equipos construyendo búsqueda de video, edición, moderación o análisis sobre contenido largo.

Clara Vega: El patrón compartido aquí es real: en vez de aceptar el compromiso de que más rápido es peor, ambos atacan el problema desde los dos lados, mejorando el modelo y co-diseñando la inferencia. fal lo dice explícitamente: tratar la investigación del modelo y la optimización de inferencia como el mismo problema.

Mateo Ruiz: Y el escepticismo justo también. Un comentarista dijo que tres segundos por un clip de cinco suena salvaje, pero que en su experiencia los modelos "rápidos" se degradan notablemente en coherencia de movimiento pasado dos o tres veces tiempo real, y que la prueba de fuego es el movimiento de cámara, que es donde los trucos de velocidad suelen caerse. Es una afirmación del fabricante hasta que alguien más lo pruebe en esos escenarios.

Clara Vega: Y esa eficiencia no es solo para video: cambia cómo construimos las herramientas para desarrolladores. Que nos lleva a Kit, de Speakeasy.

Mateo Ruiz: Kit es un runtime para agentes de código que viene en un binario estático, y la idea central es radical en su simplicidad: le da al modelo una sola herramienta, llamada compose. El argumento de compose es un programa corto en un lenguaje llamado Runlet, y en una sola vuelta al modelo ese programa puede leer archivos, correr tests, aplicar ediciones, reintentar comandos fallidos, delegar en subagentes y devolver datos estructurados.

Clara Vega: ¿Por qué importa? La mayoría de los harness de agentes exponen muchas herramientas y necesitan una vuelta del modelo por cada llamada. Menos vueltas significa repetir menos contexto y completar más trabajo por petición. En tareas de producción de tamaño comparable, afirman que Kit usó aproximadamente la mitad de los tokens de entrada y tiempo activo por línea escrita a mano, comparado con Codex CLI o Claude Code. De nuevo, es su comparación propia.

Mateo Ruiz: Dentro de ese programa compose hay llamadas a shell, edición, subagentes, prompts, fork, búsqueda de herramientas, autenticación, skills, A2A y documentación. Las llamadas independientes corren concurrentemente, y puedes controlar el orden con dependencias de datos o bloques after, con reintentos y manejo de errores dentro del programa mismo.

Clara Vega: Otra pieza: los subagentes son valores reutilizables. Puedes continuarlos, hacer fork, inspeccionarlos, cerrarlos, exigir JSON que cumpla un esquema. Y puedes usar Claude Code, Codex, Cursor o el propio Kit como harness del subagente vía ACP. Justo ahí entra el protocolo: ACP, Agent Client Protocol, separa los clientes de agente de los runtimes, así Kit funciona en editores compatibles y puede orquestar otros harness sin integraciones a medida.

Clara Vega: También soporta A2A en ambas direcciones, MCP y Agent Skills.

Mateo Ruiz: En robustez, sincroniza cada ítem del transcript en disco antes de aceptarlo, compacta el contexto automáticamente al ochenta por ciento de la ventana, puedes retomar sesiones, y reintenta fallos elegibles de suscripciones de OpenAI hasta por veinticuatro horas. Cambias de modelo con una barra durante la sesión, incluidas suscripciones de ChatGPT vía OAuth nativo o a través de OpenRouter.

Clara Vega: Y una advertencia que le da credibilidad: Kit dice claramente que no tiene framework de permisos, ni sandbox, ni interfaz web. La opción root define el directorio de trabajo. Es un runtime, no una frontera de seguridad; hay que correrlo dentro de una frontera de seguridad en la que confíes. En los comentarios, gente valoraba justamente eso, que todo corre con cero configuración, y el desacoplamiento del cliente del runtime como lo más interesante.

Clara Vega: Alguien preguntó algo fino: cuando el output de un subagente se fusiona en la sesión principal, ¿hay validación, o fluye directo como si el agente principal lo hubiera escrito?

Mateo Ruiz: Y ese mismo debate, cuánta autonomía le das a los agentes y quién verifica, es exactamente lo que ataca DocsAlot desde el otro lado: la documentación.

Clara Vega: DocsAlot es un editor visual de documentación técnica con Markdown debajo. El fundador Faizan plantea el contexto: casi todo en software se está reconstruyendo para agentes, y ellos también dan a los agentes acceso a la documentación vía CLI y MCP, con IA que ayuda a crear y actualizar contenido. Pero chocaron con una verdad: un humano necesita tomar la decisión final antes de que la documentación se haga pública.

Mateo Ruiz: La parte técnicamente difícil no era poner un cuadro de texto en el navegador, sino construir edición visual sin romper el Markdown subyacente. Una página puede moverse entre modo visual y modo fuente preservando frontmatter, tablas, código, enlaces y estructura. Hay bloques técnicos nativos: grupos de código en varios lenguajes, callouts, pasos, tablas, pestañas y tarjetas.

Clara Vega: Y separan editar de publicar. Los cambios viven en un borrador de trabajo. Un humano guarda deliberadamente una versión, puede volver a versiones anteriores, y elige exactamente cuándo esa versión se convierte en el sitio público. La navegación también es dato del sitio: mover páginas y grupos actualiza la misma estructura que usa la documentación publicada. Y una sola fuente genera la documentación, llms.txt, skill.md y el servidor MCP, en vez de mantener capas separadas que se desincronizan.

Mateo Ruiz: La comunidad celebró eso de la fuente única, y reconoció el problema: los docs desactualizados ya molestan, pero que un agente de IA lea contexto viejo o aleatorio lo empeora. Pero también vino la crítica más aguda del episodio: una puerta humana detecta formato, no detecta el fallo que de verdad cuesta, que es un agente escribiendo un ejemplo de código que se lee perfecto y no corre. Nadie rechaza un diff que se ve bien.

Mateo Ruiz: Como ya tienen CLI, el revisor propuesto era mecánico: compilar los snippets, verificar cada endpoint contra la especificación OpenAPI, y mostrarle al humano solo las páginas que fallaron. Aprobar cuarenta páginas de prosa es teatro; aprobar las tres marcadas no lo es.

Clara Vega: Y la pregunta complementaria: si un agente propone una actualización y el humano edita o rechaza la mayor parte antes de guardar, ¿el agente ve qué cambió y por qué, o intenta de nuevo desde cero sin memoria de la corrección? Eso determina si el ciclo humano-máquina realmente mejora con el tiempo o se repite en bucle.

Mateo Ruiz: Y cerremos con algo distinto en superficie pero familiar en esencia: información correcta en el momento justo. Notify.domains.

Clara Vega: Notify.domains vigila cualquier dominio que te interese: WHOIS, RDAP, subastas, marketplaces, señales de sitio web y más, revisando cada dominio más de veinte veces al día a través de todos los TLDs de IANA. Cuando algo cambia, recibes una notificación en lenguaje claro con pasos exactos, no datos crudos.

Clara Vega: Por ejemplo: "tu dominio cambió, esto es lo que vimos", "dominio en subasta, puja aquí ahora", "empezó pending delete, aquí está tu checklist de backorder", "la publicación en marketplace bajó treinta y cinco por ciento".

Mateo Ruiz: El fundador es Michael Cyger, y trae quince años dentro de la industria: fundó DomainSherpa, creó DNAcademy, y tras la adquisición fue Director de Educación en GoDaddy. Cuenta que vio a gente perder nombres que querían por no tener la información correcta en el momento correcto. El precio: veinticuatro dólares al año, con prueba de siete días sin tarjeta.

Clara Vega: Y el secreto que enseña la web del producto: los dominios expirados no simplemente caen y quedan disponibles para cualquiera, eso es un mito. Los registradores envían silenciosamente sus nombres que expiran a socios de subastas antes de que el público los vea. Cada registrador tiene sus propios acuerdos y tiempos: algunos van a GoDaddy Auctions, otros a NameJet, otros a redes pequeñas difíciles de rastrear. No hay lista maestra ni calendario único.

Clara Vega: Si pierdes el lugar o el momento correcto, el nombre puede escaparse para siempre.

Mateo Ruiz: Un usuario contó que perdió un punto com exactamente así: vio expirar el dominio y no tenía idea de que los drop-catchers ya lo tenían en la mira antes de que se diera cuenta de que la página había caído. Otro lleva más de una década siguiendo un nombre que ya no se usa, no está en venta y cuyo dueño no responde, y dice que saber que el servicio trabaja las veinticuatro horas le da esperanza de algún día tener su oportunidad.

Mateo Ruiz: Varios reportaron que les ahorra mucho tiempo y les pone ojos extra en dominios valiosos.

Clara Vega: Pero de nuevo, la comunidad señaló lo difícil. Un comentario fue directo: el problema duro aquí es la carrera, no la detección. Si un dominio es lo bastante deseable para que tú lo vigiles, otros domaineros y servicios de sniping probablemente vigilan las mismas señales. Cuando la alerta se dispara, ¿queda realmente una ventana para actuar, o todo se reduce a quién tiene la API de registrador más rápida conectada?

Clara Vega: Y otro preguntó lo inverso: si diriges un negocio sobre una docena de dominios de envío pequeños, ¿Notify también vigila los que YA posees para detectar que uno expira en silencio o que le cambian el DNS? Eso quedó como pregunta abierta.

Mateo Ruiz: ¿Y qué conecta las cuatro historias de hoy? Todas parten de la misma constatación: tu trabajo, tus chats, tus leads, tus videos, tu código, tus docs, tus dominios, ya viven en sistemas que no fueron diseñados para ayudarte a encontrarlos, reutilizarlos o confiar en ellos. Estas herramientas no reemplazan nada, se ponen encima.

Mateo Ruiz: Pero cada una trae sus condiciones: un índice que el navegador puede borrar, un agente que quizá no avisa cuando duda, un modelo cuya calidad bajo presión está por demostrar, y una revisión humana que no ve los fallos que importan.

Clara Vega: Ahí está la lección del día: la capa que te promete orden y velocidad también necesita que preguntes qué pasa cuando falla. Nos escuchamos en el próximo episodio. Adiós.

Mateo Ruiz: Hasta la próxima.