Ambral (@ambral_ai) está construyendo el primer control de misión del cliente. Es un equipo de gestión de cuentas de IA creado para ayudarlo a maximizar los ingresos de cada cliente. ¡Felicidades por el lanzamiento, @Sambrickman_ y @JackStettner!

Sabré que la AGI se ha pospuesto una vez que los laboratorios comiencen a construir funciones para elegir nuestros propios colores de fondo y fuentes.

Hay una gran ventaja en ser una startup presencial en SF en este momento: Proximidad a los laboratorios de IA, acceso temprano a modelos, cercanía a personas en la vanguardia, acceso a capital. Si se lanza un nuevo modelo y tu equipo es más rápido en integrarlo, eso podría ser fácilmente la diferencia entre adquirir cientos de nuevos usuarios en un solo día o no.

¡Waymo para excavadoras!

El cofundador y CEO de Figma, Dylan Field (@zoink), sobre cómo la IA transformará el diseño y por qué la habilidad y la atención al detalle serán los diferenciadores definitivos. En la AI Startup School en San Francisco. 01:38 – Cómo Dylan y Evan comenzaron Figma 02:58 – WebGL: De juegos a herramientas 04:10 – Comprando tiempo para construir 05:48 – Manteniéndose motivado a través de la exploración temprana 06:10 – Correos electrónicos fríos, retroalimentación temprana y primeros usuarios 08:24 – Momentos de lanzamiento y lecciones sobre enviar temprano 10:08 – Cultura de restricciones y resolución creativa de problemas 10:50 – Reconociendo la atracción del mercado del producto 13:32 – Por qué el diseño es el diferenciador en la era de la IA 16:34 – Lanzamientos de productos de IA de Figma y expansión más allá del diseño 18:56 – La difuminación del diseño, desarrollo y producto 21:00 – La "era MS-DOS" de las interfaces de IA y superficies futuras 23:26 – El papel del diseño en la investigación de IA y el futuro de los diseñadores 27:36 – Preguntas y respuestas del público: herramientas de IA, código abierto, principios y consejos

A veces es difícil comprender la importancia de las actualizaciones de razonamiento y lógica que están comenzando a surgir en modelos poderosos, como GPT-5. Aquí hay un *ejemplo muy simple* de cuán poderosos se están volviendo estos modelos. Tomé un documento de la transcripción de una llamada de ganancias reciente de NVIDIA que tenía 23 páginas de largo y 7,800 palabras. Tomé parte de la frase "y el margen bruto mejorará y volverá a los medios 70" y modifiqué "medios 70" a "medios 60". Para un analista financiero que esté remotamente sintonizado, esto parecería fuera de lugar, porque los márgenes no "mejorarían y volverían" a un número más bajo que el que se describe como un número más alto en otro lugar. Pero probablemente el 95% de las personas que lean este comunicado de prensa no habrían notado la modificación porque encaja fácilmente en las otras 7,800 palabras mencionadas. Con Box AI, probando una variedad de modelos de IA, luego pregunté a una serie de modelos "¿Hay algún error lógico en este documento? Por favor, proporciona una respuesta en una oración." GPT-4.1, GPT-4.1 mini y un puñado de otros modelos que eran de última generación hace ~6 meses generalmente regresaron y dijeron que no había errores lógicos en el documento. Para estos modelos, el documento probablemente parece coherente y sigue lo que esperaría que fuera una transcripción de ganancias, así que nada realmente destaca para ellos sobre qué prestar atención - una especie de alucinación inversa. GPT-5, por otro lado, descubrió rápidamente el problema y respondió con: "Sí — el documento contiene una inconsistencia interna sobre la guía de margen bruto, en un momento diciendo que los márgenes "volverán a los medios 60" y más tarde diciendo que estarán "en los medios 70" más tarde este año." Increíblemente, esto sucedió con GPT-5, GPT-5 mini y, notablemente, *incluso* GPT-5 nano. Ten en cuenta que los tokens de salida de GPT-5 nano están valorados en 1/20 del costo de los tokens de GPT-4.1. Así que, más inteligente (en este caso de uso) por el 5% del costo. Ahora, aunque hacer revisiones de errores en documentos comerciales no es a menudo una ocurrencia diaria para cada trabajador del conocimiento, estos tipos de problemas aparecen de diversas maneras al tratar con grandes conjuntos de datos no estructurados, como documentos financieros, contratos, transcripciones, informes y más. Puede ser encontrar un hecho, descubrir una falacia lógica, ejecutar un hipotético o requerir un razonamiento deductivo sofisticado. Y la capacidad de aplicar más lógica y razonamiento a los datos empresariales se vuelve especialmente crítica al desplegar Agentes de IA en la empresa. Así que, es asombroso ver los avances en este espacio en este momento, y esto va a abrir un montón más de casos de uso para las empresas.

¡Nuevo libro de cocina en colaboración con @llama_index ya está disponible! Hablamos sobre cómo construir un potente flujo de trabajo de parseo-recuperación-reclasificación sobre PDFs complejos. ¡Échale un vistazo!

¡Estamos organizando un evento de Ingeniería de Contexto en SF! Aprende cómo los equipos de IA aplicada líderes están diseñando sus ventanas de contexto. Escucha a: Jake Heller, CEO @Casetext Beyang Liu, CTO @Sourcegraph Sam Bhagwat, CEO @Mastra_ai Jeff Huber, CEO @trychroma Confirma tu asistencia:

Anytrace () es tu ingeniero de soporte AI. Puede resolver tickets técnicos de principio a fin hablando con los clientes, investigando problemas y gestionando todo el ciclo de vida del ticket. ¡Felicidades por el lanzamiento, @samgoldman0 y @tairabun!

Hoy se lanzó un nuevo laboratorio de investigación de IA llamado @blankbio_. Están construyendo nuevos modelos fundamentales para el mRNA y son uno de los equipos técnicos más fuertes con los que he trabajado. Estoy particularmente emocionado por los nuevos resultados de su modelo y la amplia gama de áreas de aplicación para ello.