Cuando la segunda mano deja de ser refugio
El primer trimestre de 2026 el Índice de Precios de la Vivienda del INE mostró un aumento general del 12.9%. Nada sorprendente en un mercado tenso. Lo relevante es que la vivienda de segunda mano se encareció un 13.5% mientras que la nueva lo hizo solo un 9.1%. Ese diferencial no existía en el primer trimestre de 2007, cuando ambos segmentos se movían casi al unísono antes de que la burbuja estallara.
En comunidades como Aragón el salto es aún más llamativo: del 9.9% en 2007 al 16.4% ahora. Madrid registra 14.7% en segunda mano. El Banco de España estima un déficit estructural de 750.000 viviendas y en 2025 solo se entregaron 94.800 nuevas. Resultado: el 78.1% de las 700.000 operaciones del año pasado fueron de segunda mano. El stock de nueva construcción se redujo casi un 6%.
Esta dinámica no es solo un problema de quien busca piso. Es la misma presión de escasez que vemos en chips, en energía para entrenamientos y en calidad de salidas de modelos. Los desarrolladores que viven en Madrid o Barcelona lo sienten directamente en su capacidad de retener talento y en el coste de vida. Pero también lo viven cada día cuando intentan sacar valor de herramientas de IA que, como las casas usadas, ya están ahí pero requieren refinamiento constante para que rindan.
La ingeniería de prompts como disciplina de escasez
Un prompt no es más que la instrucción que le das a un modelo. La analogía con Linux es directa: si le pasas argumentos ambiguos a un comando obtienes stderr ruidoso o resultados inesperados. La ingeniería de prompts es el equivalente a escribir scripts robustos con validación, manejo de errores y salida predecible.
Las técnicas básicas tienen implicaciones técnicas concretas. Zero-shot asume que el modelo ya tiene el conocimiento; funciona razonablemente con frontier models pero falla cuando la tarea se sale del preentrenamiento. One-shot da un solo ejemplo y el modelo infiere el patrón de transformación, similar a cómo aprendes el formato de un log mirando una línea. Few-shot proporciona varios pares input-output y fuerza al modelo a seguir la distribución exacta que buscas.
Chain-of-thought es probablemente la más útil para ingenieros. Obligas al modelo a generar razonamiento paso a paso antes de la conclusión final. En problemas de código o depuración equivale a insertar logs intermedios o ejecutar con set -x. Reduce alucinaciones porque el modelo tiene que justificar cada afirmación. Role prompting como ‘Actúa como un Ingeniero Senior de Seguridad en Redes Linux’ sesga el vocabulario y el nivel de detalle hacia lo que realmente usarías en una revisión de pull request.
Las restricciones explícitas son igual de importantes. Decirle ‘Responde utilizando únicamente formato JSON y no agregues texto introductorio’ evita el context window overload y el relleno inútil. Los ejemplos prácticos que circulan en comunidades Linux lo demuestran: prompts para analizar auth.log buscando ataques de fuerza bruta, optimizar scripts Bash, comparar Btrfs con EXT4 o generar configuraciones Nginx con HTTP/2 y Gzip.
GLM-5.2 y la llegada de modelos abiertos que realmente compiten
Zhipu AI lanzó GLM-5.2 con 744 mil millones de parámetros totales, de los cuales 40 mil millones permanecen activos. Trae ventana de contexto de un millón de tokens y una arquitectura llamada IndexShare/IndexCache que aparentemente gestiona la atención de forma más eficiente en secuencias largas. Los benchmarks independientes de Artificial Analysis le dan un índice de inteligencia de 51 puntos. Solo GPT-5.5, Claude Opus 4.8 y Claude Fable 5 están por encima.
En FrontierSWE, el benchmark más exigente de programación, supera a GPT-5.5 y queda muy cerca de Opus 4.8. Lo mismo en PostTrainBench y SWE-Marathon, pruebas que evalúan sesiones largas de programación autónoma. El precio ayuda: 1.4 dólares por millón de tokens de entrada y 4.4 de salida frente a 5/30 de GPT-5.5 o 10/50 de Opus. Consume más tokens que los modelos más eficientes, pero el coste final sigue siendo mucho menor.
Aquí viene el escepticismo necesario. Los benchmarks miden una cosa, la experiencia real otra. En tareas de programación el salto desde GLM-5.1 es claro y detecta fallos de seguridad y mejoras con detalle. En conversación creativa sigue por detrás de los modelos de Anthropic y Google. Además tarda más en responder porque su fase de razonamiento es más larga. Quien quiera correrlo localmente necesita al menos 256 GB de memoria unificada. No es para cualquier máquina.
Hardware y domótica que responden a la misma presión
Precisamente para cargas de inferencia locales aparece hardware como el MSI MAG Infinite Z. Chasis de 25 litros con Ryzen 7 9700X, RTX 5070 Ti, soporte para 64 GB de DDR5-5200 y dos slots M.2. Su sistema Silent Storm Cooling AI monitoriza temperaturas y genera curvas de ventilación dinámicas considerando ruido y carga. WiFi 7, Bluetooth 5.4 y fuente de hasta 850W completan un equipo que permite experimentar con modelos abiertos sin depender exclusivamente de APIs pagadas.
En el hogar la misma lógica de resolver race conditions aparece en la actualización de Philips Hue. El nuevo Mired Wall Switch Module se cablea directamente a la corriente y convierte la pulsación del interruptor físico en una señal digital. Ya no desconecta la bombilla y rompe las automatizaciones. Los módulos Wired On/Off y Dimmer permiten integrar lámparas tradicionales al ecosistema. Todo ello con compatibilidad Matter, que estandariza la interoperabilidad como los buenos estándares de API lo hacen en backend.
Las nuevas lámparas inmersivas para TV y las bombillas E14 demuestran que el ecosistema madura más allá del hype inicial. El problema clásico de ‘alguien apagó la luz y ahora todo está desconfigurado’ tenía una solución de ingeniería sencilla una vez que decidieron cablear el módulo en vez de depender de baterías.
Construir con lo que hay disponible
La realidad técnica de 2026 es que casi todo está bajo presión de oferta. Viviendas, capacidad de cómputo, fiabilidad de modelos, incluso el silencio en una habitación mientras compilas. Las respuestas que funcionan son las mismas que aplicamos en software: reutilizar con criterio, añadir capas de control explícito y medir el coste real de cada decisión.
El desarrollador que domina prompt engineering, puede afinar un GLM-5.2 para sus flujos específicos y lo corre en una máquina como el MAG Infinite Z mientras su sistema Hue mantiene la casa funcional, está simplemente aplicando la misma mentalidad en todos los niveles. No hay magia. Solo ingeniería aplicada a diferentes capas de la pila.