El Pulso del 31 de marzo de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
El guion de audio está listo; la voz se publicará cuando termine la generación.
axios comprometido en npm: versiones maliciosas instalaron un RAT vía postinstall
POR QUÉ ENTRA EN EL RADAREs un ataque a la cadena de suministro de alta sofisticación contra uno de los paquetes más descargados de npm (más de 100M por semana). Lo ingenioso: axios en sí no tiene ni una línea maliciosa; el daño llega por una dependencia en etapas con un instalador que se autoelimina.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El hack de axios explica por qué ‘revisar el diff’ ya no alcanza: cómo se esconden los atacantes en las dependencias y a qué debería alertar tu CI (publicación con OIDC, red saliente, hooks de instalación).”
Preview de Ollama: ahora impulsado por MLX de Apple en Apple Silicon (grandes mejoras en TTFT y tokens/s)
POR QUÉ ENTRA EN EL RADARLa inferencia local en Macs se vuelve sensiblemente más rápida al pasar el stack a MLX y a supuestos de memoria unificada. También llama la atención la mención explícita de NVFP4 y de reuso/snapshots de caché orientados a cargas agentic y de coding.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los agentes locales en Macs acaba de ganar un turbo gratis: qué cambia MLX en la práctica (TTFT vs decode) y por qué el caching es el secreto de los agentes de coding.”
Claude suma “computer use” en Cowork + Claude Code (research preview) y handoff con Dispatch
POR QUÉ ENTRA EN EL RADAREs la masificación del “el agente hace los clics” como feature de primera clase (con prompts explícitos de permiso y mitigaciones de inyección). El UX ganador es Dispatch: pedís la tarea desde el celular y se ejecuta en el desktop.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los agentes de computer use por fin se productizan: qué flujos arrancan a ser viables, dónde todavía fallan y la trampa de seguridad número uno (prompt injection vía páginas web).”
Claude Code “Auto mode”: tareas de larga duración sin --dangerously-skip-permissions
POR QUÉ ENTRA EN EL RADARUn ‘camino del medio’ concreto para la autonomía del agente: un clasificador por cada tool call que frena acciones destructivas. Es un patrón que vamos a ver copiado en todos lados (un motor de políticas entre el modelo y las tools).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Auto mode es el blueprint de la autonomía segura: el agente corre una hora, pero el clasificador manda de verdad—cómo replicar esta arquitectura en tu propio agente.”
Gemini 3.1 Flash Live: el modelo de audio en tiempo real de Google (benchmarks + watermarking con SynthID)
POR QUÉ ENTRA EN EL RADARLos agentes de audio son el próximo campo de batalla de UX. Saltan dos cosas: (1) benchmarks de function calling a través del audio, y (2) watermarking del audio de salida con SynthID (anti-desinformación de fábrica).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los voice agents ya no son solo ‘LLMs que hablan’: son function-callers con watermarks. Qué implica eso para call centers y asistentes en tiempo real.”
Mistral lanza Voxtral TTS (4B), multilingüe + adaptación de voz (referencia de 3s) + baja latencia
POR QUÉ ENTRA EN EL RADAREs un intento serio al “stack de voice agents” de TTS, con énfasis en expresividad emocional, latencia de streaming y personalización. Además: publican detalles de arquitectura y se posicionan frente a ElevenLabs.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Llegó la guerra del TTS: Voxtral de Mistral vs ElevenLabs—qué es real (latencia, multi-idioma, voice cloning) y qué es marketing.”
Smallest.ai Lightning V3: TTS optimizado para streaming conversacional, no para ‘leer en voz alta’
POR QUÉ ENTRA EN EL RADARBuen encuadre: ‘fidelidad del habla ≠ naturalidad conversacional.’ Argumentan que el contexto de streaming y el turn-taking cambian lo que importa, y que las evaluaciones clásicas de TTS (MOS) no miden lo que el usuario siente.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué la mayoría de los demos de TTS mienten: los voice agents en streaming necesitan prosodia de thinking y de listening. Los benchmarks que de verdad deberían importarte.”
TimesFM (Google Research): repo del foundation model de series temporales (TimesFM 2.5, 200M params, contexto de 16k)
POR QUÉ ENTRA EN EL RADARLas series temporales son un mercado enorme y poco atendido para ‘foundation models’ (forecasting en retail, infra, finanzas). El contexto más largo y el tamaño más chico de TimesFM 2.5 apuntan a una tendencia de modelos ‘chicos pero especializados’.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los LLMs no son los únicos foundation models: por qué los modelos de forecasting (TimesFM) pueden ser el ‘AI aburrido’ más monetizable de 2026.”