Conocen jet? Por videos y comentarios se ve increíble, más rápido y barato que los modelos actuales tipo gpt o Claude. Usa un modelo de trabajo secuencial más que en línea lo que acelera y abarata costos. Qué opinan de esto? Algún feetback? Aún está en proceso solo con invitación pero hoy me llegó una y quiero probarlo

Llevamos meses monitoreando el comercio electrónico chileno de cerca. Miles de tiendas, más de un millón de productos, precios que cambian todo el día sin aviso. Al principio pensamos que el trabajo era simple: agarrar un precio, stock y mostrarlo. La verdad, no lo es. Cada tienda arma su sitio distinto, actualiza cuando quiere y muchas veces el precio "real" cambia varias veces en un mismo día. La única forma de que un comparador sirva de verdad es no dejar de mirar nunca. Así que eso hicimos: construimos algo que vigila el mercado chileno en tiempo real, no una foto vieja que se actualiza cada tanto. El objetivo desde el día uno fue tener el catálogo más grande de Chile. Y ya vamos por Latinoamérica. ¿Y tú qué tan seguido revisás si el precio que viste ayer sigue siendo el mismo hoy? https://todorank.com Nuestro Blog https://todorank.com/blog/detras-de-todorank-como-vigilamos-miles-de-tiendas-chilenas

Hoy, jueves 24 de septiembre, a las 15:00 hora Chile. Es la instancia donde nos conocemos en vivo, exploramos la plataforma a fondo y aprendemos a sacarle el jugo real a la comunidad, todo lo que por post o comentario cuesta más transmitir. Está pensada especialmente para quienes recién llegaron, pero si ya estás adentro y quieres meterte más a fondo, también es para ti. Esta es una de las instancias que marcan la diferencia entre pasar por CAR y realmente aprovecharla. Ingresa al calendario y agéndate: https://www.skool.com/cagala-aprende-repite/calendar ¿Quién dijo yo? ¡Les esperamos!

En casi todas las empresas existe ese vendedor que sabe hacerlo diferente. Sabe detectar una objeción, hacer la pregunta correcta, cuando insistir y cómo avanzar hacia el cierre. El problema es que gran parte de ese conocimiento vive en su cabeza. Y cuando intentamos transferirlo al resto del equipo, normalmente recurrimos a capacitaciones, manuales, roleplays y feedback después de la reunión. Pero hay una contradicción, queremos que un vendedor nuevo venda como uno de los mejores, pero le damos acceso a ese conocimiento solo durante algunas horas de capacitación. ¿Qué pasaría si ese conocimiento pudiera convertirse en una capa permanente de la operación comercial? Que el vendedor pudiera practicar antes de enfrentar al cliente, recibir feedback y tener asistencia cuando aparece una objeción real. Esa es parte de la tesis detrás de Gravity Symbiosis. No creemos que la IA deba reemplazar al vendedor. Creemos que puede reducir la distancia entre un vendedor promedio y uno excelente. Porque cuando el conocimiento de los mejores vendedores se convierte en tecnología, deja de pertenecer a una persona y se transforma en un activo de toda la empresa. ¿Qué conocimiento crítico de tus mejores vendedores todavía vive solamente en su cabeza?

Este es el experimento detrás del short de Jev: qué medimos, cómo, qué salió y el código para que lo corras con tus datos. El short: https://www.youtube.com/shorts/P_e44zE1FEg @Andres Van wersch @Oscar Rodríguez Coloma @Leafar Maina @Nick Arvelo @Orlando Vergara, esto viene de lo que conversamos sobre Jev. Nick, a tu pregunta: ya no hace falta invitación, está en OpenRouter. Qué medimos En Ecosistema Startup, antes de publicar una nota, una IA compara cada afirmación contra la fuente original. Si la fuente no la respalda, la nota no sale. Tomamos 39 afirmaciones que ya habíamos juzgado y le pedimos lo mismo a cada modelo: ¿la fuente respalda esta afirmación? Y además, qué tan seguro está, de 0 a 1. Lo que salió (corridas del 20-sep-2026, con la fuente completa) • deepseek-v3.2, el modelo que usamos en producción: acertó 37-38 de 39. Pero su "confianza" no sirve: en un campo pedido de 0 a 1 devolvió −1 trece veces y −9 una vez. Cuando se equivocó, dijo 0,9. • Claude Haiku 4.5: 37 de 39, y respondió 0,95 en 36 de las 39. También en sus dos errores. • Jev (typesafe/jev-1.13): 36 de 39. Menos que deepseek, pero su probabilidad sí significa algo. En 35 de 39 decisiones estuvo seguro (p ≤ 0,15 o p ≥ 0,85) y acertó 34. Las otras 4 quedaron en zona gris (0,17 · 0,54 · 0,74 · 0,84), y ahí estaban 2 de sus 3 errores. La cascada Jev decide todo. Lo que queda en zona gris se lo pasas a deepseek. Resultado: la misma precisión que deepseek solo, por menos de un tercio del costo ($0,0104 contra $0,0348 por corrida), y 0,41 s por decisión en 9 de cada 10 casos, en vez de 4,7 s. Lo que este experimento NO dice • 39 afirmaciones es poco. Sirve para decidir si vale la pena probarlo en tu caso, no para sacar una conclusión general. • deepseek no da siempre lo mismo, ni a temperatura 0: 38 de 39 en una corrida, 37 de 39 en otra.