Clonación con IA y open source & Herramientas por defecto en Claude Code - Noticias de Tecnología (27 feb 2026)

Empezamos con una idea incómoda para quienes mantienen software abierto. John O’Nolan, creador de Ghost, dice que comienzos de 2026 son un momento especialmente contradictorio: la IA reduce parte del trabajo pesado de mantenimiento, sí, pero al mismo tiempo desestabiliza las reglas no escritas en las que se apoya el open source. Su argumento es simple: cuando un proyecto triunfa, aparece alguien que reutiliza tu código para competir. Lo vivió con Substack, que en el pasado copió porciones relevantes del código de Ghost. La reacción típica ha sido endurecer licencias o cerrar partes del stack —por ejemplo, suites de tests privadas—, el clásico “sí, usa esto, pero bajo nuestras reglas”. O’Nolan cree que esa defensa depende de una premisa que se está rompiendo: que el código es escaso y caro de producir. Con modelos capaces de reescribir sistemas completos rápidamente, ¿cuánto “protege” una licencia si la implementación puede recrearse sin copiar literalmente el repositorio?

Esa tensión se ve también en cómo los agentes de programación eligen herramientas. Investigadores de Amplifying.ai ejecutaron Claude Code 2.430 veces sobre repos reales, con prompts abiertos que ni siquiera mencionaban nombres de productos. Y el patrón dominante fue “construir, no comprar”: en 12 de 20 categorías, la recomendación más frecuente fue Custom o DIY. En autenticación Python, por ejemplo, eligió soluciones hechas a mano el 100% de las veces en ese dataset, armando JWT y hash de contraseñas desde cero. Ahora, cuando Claude sí “compra”, lo hace sin dudar: GitHub Actions para CI/CD en la gran mayoría de elecciones, Stripe en pagos, y shadcn/ui en componentes UI. El estudio sugiere algo más profundo: los modelos están normalizando un “stack por defecto” muy inclinado a JavaScript, y además muestran un gradiente de recencia: versiones nuevas empujan herramientas más nuevas, como el salto de Prisma hacia Drizzle en ORMs.

Y si estás construyendo startups con agentes, hay un marco interesante que está circulando: Kenneth Auchenberg propone separar agentes de “apalancamiento” —los que te hacen mucho más productivo, tipo jefe de gabinete infinito— y agentes de “función”, que directamente sustituyen un trabajo completo sin humanos en el bucle. La diferencia no es filosófica: cambia quién compra, cómo se fija el precio y qué nivel de confianza necesitas. Muchos productos, dice, se venden como si fueran ambas cosas a la vez… y por eso su mensaje al mercado suena confuso. En la práctica, la ruta suele ser gradual: de copiloto a piloto automático. Y eso encaja con lo que estamos viendo en coding agents: empiezan ayudando y, cuando se ganan el derecho, pasan a ejecutar.

En ciencia, OpenAI está empujando una visión muy concreta. Kevin Weil, VP de Ciencia, contó que las capacidades de IA suelen pasar de “imposible” a “funciona el 5%” y luego a “útil de verdad” en seis a doce meses. Y sostiene que ese patrón ya está entrando en ciencia de frontera. Su apuesta clave es el bucle cerrado con laboratorios robóticos: el modelo diseña experimentos, simula, envía protocolos a un laboratorio automatizado que opera 24/7, recoge resultados del mundo real y aprende para la siguiente iteración. En paralelo, la conversación sobre matemáticas también se está calentando. Han aparecido pruebas asistidas por modelos que resuelven problemas menos famosos —incluidos algunos del catálogo de Erdős— y hasta Terence Tao ha actuado como revisor en ciertos casos. Tao enfría la euforia: los llama “victorias baratas” en la cola larga, útiles pero lejos de los grandes monstruos. Aun así, reconoce algo valioso: la IA puede destapar trucos, referencias y variantes que un humano no tenía en el radar.

Pasamos a la infraestructura: el cuello de botella sigue siendo el cómputo. Según reportes, Meta habría firmado un acuerdo multianual, de miles de millones, para alquilar chips de IA de Google —sus TPUs— mientras también compra aceleradores de AMD y Nvidia. Para Google, vender TPUs vía Cloud es una forma de demostrar retorno de inversión y, de paso, reducir la dependencia del mercado de Nvidia. Y ojo al juego geopolítico: Reuters dice que DeepSeek, en su próximo modelo V4, habría restringido el acceso anticipado a grandes fabricantes de chips estadounidenses, dando ventaja de varias semanas a proveedores chinos para optimizar software. Si se confirma, es una señal de cómo el “time-to-optimization” se está volviendo un arma competitiva. En fabricación de chips, ASML añadió otra pieza: afirma que sus máquinas High-NA EUV ya están listas para producción de alto volumen. Cuestan alrededor de 400 millones de dólares cada una y prometen reemplazar múltiples pasos por uno solo, algo crítico cuando los nodos actuales empiezan a rozar límites físicos.

Ahora, el choque entre ética, seguridad y contratos: el Departamento de Defensa de EE. UU. presiona a Anthropic para que permita usar Claude para “cualquier propósito legal” sin límites. La amenaza, según AP, incluye terminar el contrato y etiquetar a la empresa como riesgo de cadena de suministro; incluso se mencionó la Defense Production Act, una herramienta histórica para forzar prioridades industriales en nombre de la defensa. Dario Amodei, CEO de Anthropic, responde que no puede aceptar sin salvaguardas y pide dos líneas rojas: nada de armas plenamente autónomas y nada de vigilancia masiva doméstica. El Pentágono insiste en que no busca eso, pero no quiere que un proveedor dicte condiciones operativas. Si esto escala, podríamos ver un caso raro: un pulso legal y político sobre si el Estado puede obligar a modificar límites de seguridad en un modelo comercial.

En el plano macro, dos lecturas interesantes. Jason Furman argumenta que la IA, contra lo que muchos temían, se ha vuelto ferozmente competitiva: los usuarios cambian de modelo con facilidad, los productos permiten “multihoming” —enrutar consultas a distintos modelos según calidad y coste— y los precios se han desplomado. Si esa dinámica se mantiene, habrá más innovación… y también más externalidades como deepfakes y spam. Y sobre empleo, Frank Flight, de Citadel Securities, dice que los datos no apoyan un colapso inminente de trabajos de oficina: el paro ronda el 4,28%, las ofertas para ingenieros de software suben interanual, y la intensidad de uso de IA en el trabajo no muestra una explosión no lineal. Su recordatorio clave: la tecnología puede ser “recursiva”, pero la adopción no; suele avanzar con una curva S, limitada por costes, integración, regulación y fricciones reales. Esto conecta con otro punto: predecir curvas S es dificilísimo antes de ver el aplanamiento, así que conviene desconfiar de pronósticos demasiado seguros.

Cerramos con dos historias de salud y tecnología. En Los Ángeles, una joven identificada como KGM testificó que se enganchó a redes sociales desde niña —YouTube a los seis, Instagram a los nueve— y que a los diez ya estaba deprimida y autolesionándose. Es la demandante principal en un juicio grande contra YouTube y Meta por presuntamente diseñar productos adictivos: scroll infinito, autoplay, y mecánicas de validación tipo “likes”. Es el primer juicio de una litigación consolidada con más de 1.600 demandantes, y será un termómetro para lo que viene. Y en investigación biomédica, Yale publicó en Nature un avance serio hacia un objetivo clásico: inmunoterapia eficaz en tumores sólidos. Su equipo modificó células NK con CAR-NK e introdujo un gen llamado OR7A10. En modelos de ratón de cáncer de mama, colon y ovario, la respuesta mejoró mucho; en un modelo de mama, reportan eliminación completa del tumor en todos los ratones tratados. Queda camino hacia ensayos en humanos, pero el dato es potente. Además, crece otra frontera: la “electrónica ingerible”. Cápsulas que no solo toman imágenes, sino que miden biomarcadores, transmiten datos, y en prototipos incluso podrían anclarse para liberar fármacos o tomar pequeñas biopsias. El reto sigue siendo energía, miniaturización, seguridad y fiabilidad, pero la dirección es clara: diagnósticos menos invasivos y más continuos.