¿Qué pasó ayer? En un minuto:

1. Anthropic ha descrito el “J-space”, un espacio interno de representaciones que Claude procesa sin verbalizar, presentándolo como una herramienta de interpretabilidad para leer, auditar e intervenir en el estado interno del modelo.

2. General Intuition ha presentado MIRA, un modelo de mundo jugable en multijugador que simula en tiempo real un juego de cuatro jugadores a 20 fotogramas por segundo, entrenado con 10.000 horas de gameplay.

3. Nvidia se posiciona como garante financiero del boom de la IA ofreciendo soporte crediticio y participación en ingresos para que los “neoclouds” puedan comprar su infraestructura.

4. Yann LeCun reitera que los LLM son un callejón sin salida hacia la inteligencia humana porque solo manejan símbolos discretos sin comprender el mundo físico.

5. Un estudio de Microsoft publicado en Nature Health, basado en más de 500.000 conversaciones de Copilot, muestra que la IA se está convirtiendo en la primera puerta de entrada para consultas de salud.

6. Un informe de Stanford HAI defiende que, con modelos cada vez más parecidos en capacidad, la ventaja competitiva pasará por la experiencia de uso, la estrategia de datos y la colaboración humano-IA.

7. Anthropic ha contado el origen de Claude Code, nacido de su investigación en seguridad y lanzado como vista previa en febrero de 2025, cuya adopción despegó meses después con la llegada de modelos más potentes.

8. François Chollet propone que los benchmarks dejen de reportarse como cifras aisladas y se acompañen siempre del coste (y tiempo) por tarea.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Anthropic describe un espacio interno en Claude

Anthropic ha publicado un artículo en el que describe lo que llama el J-space: representaciones internas que el modelo procesa, retiene y usa para razonar sin expresarlas en su respuesta. La compañía traza un paralelismo con la cognición humana, donde solo una parte de la actividad cerebral resulta conscientemente accesible, y afirma haber detectado una división similar dentro de Claude. El trabajo se apoya en una técnica de interpretabilidad que identifica los conceptos que el modelo está a punto de verbalizar en cada punto de su procesamiento. Eso permite leer, auditar e intervenir sobre ese estado interno.

Entender y moldear qué procesa un modelo importa para la fiabilidad y la seguridad conforme ganan capacidad, un terreno cada vez más vigilado por reguladores y clientes. La investigación se enmarca en la teoría del espacio de trabajo global (Global Workspace), influyente en neurociencia, pero Anthropic no sostiene que Claude implemente esa teoría ni que sea consciente. Para abrir los métodos, Anthropic se alió con Neuronpedia en una demo interactiva, Jacobian Lens, aplicada sobre modelos de pesos abiertos como Qwen3.6-27B.

Para 𝕏 @AnthropicAI (Anthropic), el valor del J-space es operativo, no teórico: permite leer, auditar y moldear en qué está pensando Claude, algo que presentan como herramienta para sostener la confianza en modelos cada vez más capaces.

𝕏 @emollick (Ethan Mollick) apunta a la visualización interactiva de Neuronpedia como lo más interesante del anuncio, porque deja toquetear el estado interno de un modelo abierto en lugar de quedarse solo en el paper.

𝕏 @WesRoth (Wes Roth) sitúa el hallazgo en el debate sobre la conciencia y subraya que solo algunos conceptos se vuelven accesibles para el razonamiento, aunque reconoce que la ausencia de una afirmación explícita de conciencia rebaja esa lectura.

Más información:
📎 Verbalizable Representations Form a Global Workspace in Language Models
📎 Jacobian Lens – Qwen3.6-27B ｜ Neuronpedia

2. MIRA lleva los modelos de mundo al multijugador

General Intuition ha presentado MIRA, un modelo de mundo jugable en multijugador desarrollado con Kyutai Labs y en colaboración con Epic Games. A diferencia de los generadores de imagen o vídeo, MIRA simula un entorno interactivo en tiempo real: aprende la dinámica de un juego para cuatro jugadores al estilo Rocket League y permite jugar dentro de esa simulación. Se ha entrenado con 10.000 horas de datos recogidos de bots disponibles públicamente.

El planteamiento se aparta del enfoque dominante en OpenAI o Anthropic, centrados en el lenguaje, y busca una IA que perciba, prediga y actúe en espacio y tiempo, usando clips de gameplay como material de entrenamiento. General Intuition levantó una Serie A de 320 millones de dólares para esta línea, que también apunta a robótica además de videojuegos. El interés técnico está en el rendimiento: parte de las demostraciones corre en multijugador a 20 fotogramas por segundo, una cifra modesta para un juego comercial pero notable para un entorno generado íntegramente por un modelo. La colaboración con Kyutai contempla compartir datos y talento entre ambos laboratorios.

El anuncio lo difunde 𝕏 @WesRoth (Wes Roth), que encuadra MIRA como la apuesta de General Intuition por actuar en el espacio y el tiempo, un laboratorio de frontera orientado a mundos jugables en lugar de a texto.

𝕏 @emollick (Ethan Mollick) sigue estos sistemas desde el primer DOOM generado por difusión y valora que ya funcione un modo multijugador a 20 fotogramas por segundo, algo impensable en las primeras demostraciones.

Para 𝕏 @c_valenzuelab (Cristóbal Valenzuela), los modelos de vídeo son la vía hacia los modelos de mundo, y dominar esa frontera será una ventaja competitiva no solo para empresas, sino para países y continentes enteros.

Más información:
📎 Play MIRA

3. Nvidia respalda la deuda que sostiene la IA

El cuello de botella de la inteligencia artificial es conseguir financiación para la infraestructura. Según SemiAnalysis, el despliegue global de infraestructura de IA podría requerir más de 7 trillones de dólares de deuda acumulada hacia 2029, impulsado por la compra de GPUs, redes, almacenamiento y centros de datos. Es una cifra enorme: convertiría este mercado en uno de los mayores segmentos de financiación respaldada por activos, solo por detrás de las hipotecas en EE. UU.

El problema es que los bancos todavía no saben valorar bien el riesgo de financiar “neoclouds”: nuevos proveedores de nube especializados en alquilar capacidad de IA. Hasta ahora, muchos préstamos solo salían adelante si detrás había un gran cliente como Microsoft, Google, Amazon, Meta u Oracle firmando contratos largos y garantizados. Nvidia está intentando cambiar esa dinámica. La compañía ha presentado un modelo en el que ofrece soporte crediticio y participación en ingresos para que estos neoclouds puedan comprar infraestructura Nvidia y alquilarla a startups, empresas, laboratorios y proveedores de IA con contratos más flexibles. Nvidia confirmó que Sharon AI y Firmus están entre los primeros socios de este esquema, con planes de despliegue de hasta 40.000 GPUs GB300 en el caso de Sharon AI y hasta 170.000 GPUs en el campus de Firmus en Indonesia. (NVIDIA Blog⁠)

La jugada es estratégica. Nvidia no solo vende chips: ayuda a que haya más compradores capaces de financiarlos. A cambio, captura una parte del negocio recurrente del alquiler de computación. Para el mercado, esto puede abrir el acceso a capacidad de IA más allá de los gigantes tecnológicos. Para Nvidia, reduce la dependencia de unos pocos clientes y refuerza su papel como infraestructura crítica del sector. La pregunta de fondo es si este nuevo mercado de deuda crecerá de forma ordenada o si el entusiasmo por la IA terminará creando una burbuja financiera alrededor de los centros de datos y las GPUs.

El giro que subraya 𝕏 @SemiAnalysis_ (Semianalysis) es que Nvidia deja de ser solo proveedor de chips para actuar como facilitador financiero del ecosistema, con el objetivo declarado de ampliar el acceso al cómputo.

𝕏 @giffmana (Lucas Beyer (Bl16)) recomienda sin reservas el artículo 'A Stargate for Data', con el que dice coincidir frase por frase, señal de que el cuello de botella del sector empieza a leerse tanto en clave de datos como de infraestructura física.

Más información:
📎 Nvidia GPU Debt Backstop Unleashes the AI Project Trinity: Capital, Offtake and Datacenters

4. LeCun descarta los LLM como vía a la inteligencia

Yann LeCun, premio Turing y una de las figuras fundacionales del aprendizaje profundo, ha vuelto a sostener en la BBC y en Bloomberg que los grandes modelos de lenguaje (LLM) no llevan a una inteligencia comparable a la humana. Su argumento es conocido, pero conviene precisarlo: el lenguaje es una descripción aproximada y simplificada del mundo, y los LLM solo operan sobre símbolos discretos. Faltaría lo esencial: comprender el entorno físico, anticipar cómo evoluciona y planificar acciones en él. Los humanos aplican el sentido común para completar la información que el texto no captura.

La objeción no es nueva. LeCun lleva años defendiendo que el avance pasa por arquitecturas de modelos de mundo, no por escalar predictores de texto. Lo nuevo es el momento: la postura coincide con su salida de Meta y con la puesta en marcha de AMI Labs, el laboratorio que cofunda para trabajar en arquitecturas que podrían suceder a la IA generativa actual. La tecnología que él considera un callejón sin salida sostiene hoy los productos comerciales de todo el sector, incluidos los de su antigua empresa.

El núcleo del argumento lo resume 𝕏 @rohanpaul_ai (Rohan Paul), que recoge la frase de la entrevista en Bloomberg: el lenguaje es una descripción simplificada del mundo y los LLM solo manejan símbolos discretos, lo que limita su comprensión de la realidad física.

El contraste práctico lo aporta 𝕏 @smratitiwa86867 (Smrati Tiwari), que señala la ironía de usar un LLM como Claude Opus 4.8 para aprender a construir IA al estilo que defiende LeCun, precisamente el tipo de modelo que él considera incapaz de entender el mundo.

Para 𝕏 @slash1sol (Slash1S), lo llamativo es la naturaleza de la apuesta: uno de los tres premios Turing por la IA moderna afirma que los LLM son un callejón sin salida, un desmarque desde dentro y no una crítica externa.

5. Microsoft mide la IA para consultas sanitarias

Un nuevo estudio publicado en Nature Health ofrece una de las miradas más amplias hasta ahora sobre cómo el público utiliza los chatbots de IA para temas de salud. Microsoft analizó más de 500.000 conversaciones anonimizadas de Copilot realizadas en enero de 2026 y encontró que la IA se está convirtiendo para muchos usuarios en una primera puerta de entrada para entender síntomas, tratamientos, trámites médicos o problemas emocionales.

El dato más relevante para el negocio es la diversidad de usos. El 40,8% de las conversaciones se centró en información general sobre salud, pero casi una de cada cinco trataba sobre síntomas, resultados médicos o condiciones personales. Además, las consultas de bienestar emocional y síntomas aumentan por la noche, justo cuando el acceso a servicios sanitarios tradicionales suele ser más limitado. En móvil, las preguntas son más personales; en escritorio predominan tareas profesionales, investigación académica y papeleo médico.

El estudio también muestra una oportunidad clara en el cuidado familiar: alrededor de una de cada siete consultas sobre síntomas o condiciones se hace en nombre de otra persona, como hijos, padres mayores o parejas. Esto amplía el mercado potencial de la IA sanitaria hacia cuidadores informales, no solo pacientes individuales.

La IA puede reducir fricción en acceso, orientación y administración sanitaria, pero en asuntos personales exige un diseño responsable: debe saber cuándo informar, cuándo acompañar y cuándo derivar a atención profesional.

La sanidad es la aplicación más importante de la IA para 𝕏 @mustafasuleyman (Mustafa Suleyman), que aprovecha la portada de Nature Health para situar a Microsoft en el debate sobre IA sanitaria responsable.

Más información:
📎 Public use of a generalist LLM chatbot for health queries

6. Diseñar la IA para las personas y no para las métricas de rendimiento

Un informe de Stanford HAI sostiene que, a medida que los grandes modelos de lenguaje se parecen cada vez más en capacidad, la ventaja competitiva se desplazará hacia la experiencia real de uso: cómo estas herramientas encajan en los flujos de trabajo, generan confianza y producen valor medible para empresas, empleados y clientes. Las compañías deberán tratar la IA como una disciplina operativa, con responsables claros sobre los datos, la calidad de la interacción, la evaluación en entornos reales y los riesgos que aparecen con el uso continuado.

Stanford subraya que la estrategia de datos se ha convertido en estrategia de mercado. La forma en que una empresa obtiene, filtra y etiqueta datos determina qué clientes serán bien atendidos, qué idiomas o culturas quedarán fuera y qué riesgos escalarán con la adopción. También advierte de que los benchmarks técnicos no garantizan valor empresarial: un modelo puede puntuar bien en pruebas estándar y fracasar cuando se integra en procesos reales.

El informe recomienda priorizar la colaboración entre humanos e IA antes que la automatización por defecto. Los mejores sistemas serán los que sepan cuándo actuar, cuándo ceder el control a una persona y cómo comunicar incertidumbre. Además, pide ampliar la idea de seguridad, no solo para evitar respuestas dañinas, sino también para vigilar riesgos acumulativos como la dependencia excesiva, la pérdida de habilidades cognitivas, la complacencia del modelo o el deterioro del juicio profesional.

𝕏 @StanfordHAI (Stanford Hai) advierte de una brecha entre el despliegue acelerado de estos modelos y el bienestar real del usuario, y pide criterios de diseño que vayan más allá del rendimiento técnico.

Más información:
📎 Human-Centered Large Language Models

7. Claude Code nació de la investigación en seguridad

Anthropic ha relatado por primera vez el origen de Claude Code, el entorno de programación asistida de la compañía. Si la IA podía automatizar partes relevantes del desarrollo de software, también podía acelerar cualquier empresa que dependa de tecnología. Pero el camino fue más lento de lo que parece. Anthropic tuvo que resolver problemas que hoy siguen siendo centrales en los “agentes”: cómo darles acceso seguro a herramientas, cómo permitirles ejecutar código, cómo manejar permisos y cómo evitar que se rompan en tareas largas.

Claude Code se lanzó como research preview en febrero de 2025 junto a Claude 3.7 Sonnet. Sin embargo, la adopción despegó meses después, Anthropic presentó Claude 4.5 Opus en noviembre de 2025 con foco fuerte en tareas largas de programación y el resto ya es historia.

El creador de Claude Code, 𝕏 @bcherny (Boris Cherny), presenta el anuncio como recorrido largo más que como logro cerrado: insiste en que el proyecto está al 1% y sitúa su raíz en la investigación en seguridad de Anthropic.

Más información:
📎 THE MAKING OF CLAUDE CODE

8. El coste por tarea entra en los benchmarks

François Chollet ha planteado que reportar un benchmark como cifra suelta, del tipo '75% en XYZ', ya no aporta nada útil. Su propuesta es directa: acompañar siempre la puntuación con una métrica de eficiencia, como el coste por tarea, para que la comparación tenga sentido. El mismo porcentaje de acierto puede lograrse con gastos muy distintos, así que dos modelos aparentemente equivalentes pueden diferir por completo en viabilidad económica. Chollet suma una segunda dimensión: el tiempo. El coste marginal, gasto y latencia por tarea resuelta, es el núcleo de la evaluación, no un añadido. Lo ilustra con una aerolínea que promete llegar al 75% de los destinos principales sin aclarar precio ni duración de cada trayecto: la cobertura, por sí sola, no informa de nada.

El punto de partida lo fija 𝕏 @fchollet (François Chollet): una puntuación aislada carece de valor sin su coste por tarea, y propone '75% a 10$ por tarea' como formato por defecto. Para él, el coste marginal no es un detalle, sino el conjunto del problema.

¿Qué pasó el fin de semana? En un minuto:

1. Meta explora vender capacidad de cómputo de IA a terceros, mientras acelera su inversión en infraestructura con un capex previsto de hasta 145.000 millones de dólares en 2026.

2. Los datos de empleo en EE. UU. muestran señales contradictorias sobre el impacto de la IA en el trabajo, alimentando un debate abierto entre quienes ven sustitución de empleos y quienes anticipan una transformación de roles.

3. Gemini Omni Flash de Google DeepMind lidera Video Arena con 1404 puntos Elo, sacando 101 puntos de ventaja a Seedance 2.0 Mini en una de las brechas más amplias vistas en esta clasificación de generación de vídeo.

4. Codex añade un plugin para desarrollar y probar apps de iOS sin salir del entorno, mientras Anthropic extiende Claude Code Artifacts a los planes Pro y Max, en una competencia centrada en absorber todo el ciclo de desarrollo sin salir de la aplicación.

5. ByteDance prepara Seedance 2.5, un modelo de generación de vídeo que según filtraciones produciría clips de hasta 180 segundos con soporte para 50 referencias multimodales y posible lanzamiento el 9 de julio.

6. El potencial de Fable 5 sigue sorprendiendo: Ammaar Reshi ha portado un juego para Windows de 2003, de forma nativa a Mac, iPhone y iPad, sin emulación y recompilando el código fuente original para ARM64.

7. El debate sobre regulación de la IA se diversifica: un informe de Stanford HAI alertó de riesgos estructurales de privacidad en los modelos fundacionales, mientras otras voces advierten de que las herramientas de alineamiento podrían convertirse en instrumentos de censura.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Meta acelera su gasto en cómputo para IA

Meta está explorando una vía para transformar su enorme inversión en inteligencia artificial en ingresos directos: vender capacidad de cómputo a terceros. Según Bloomberg, la compañía trabaja en una unidad de cloud para comercializar capacidad excedente de IA, aunque los planes aún están en desarrollo y podrían cambiar.

Meta ya no estaría usando sus centros de datos solo para mejorar Facebook, Instagram, WhatsApp o sus modelos propios, sino que podría competir con proveedores de infraestructura como AWS, Microsoft Azure, Google Cloud, CoreWeave o Nebius. Tras conocerse la información, las acciones de Meta subieron con fuerza, mientras que CoreWeave y Nebius cayeron, reflejando el temor a que un gran cliente se convierta también en competidor.

SemiAnalysis defiende que esta estrategia no implica necesariamente un exceso de capacidad por una mala previsión, sino todo lo contrario: Meta seguiría acelerando sus compras de infraestructura. La firma estima que la compañía contrató más de 5 gigavatios de capacidad en cloud solo en la primera mitad de 2026, sin contar sus propios centros de datos en construcción.

El punto clave es financiero. Meta elevó su previsión de capex para 2026 a entre 125.000 y 145.000 millones de dólares, una escala que exige nuevas formas de retorno. Si logra vender acceso a sus modelos, a modelos de terceros o a capacidad de IA bajo demanda, podría convertir parte de ese gasto en una línea de negocio de alto margen.

La infraestructura de IA se está convirtiendo en un activo estratégico, no solo tecnológico. Quien controle capacidad suficiente podrá usarla para mejorar sus productos, reducir dependencia de terceros y, potencialmente, venderla al mercado. Para Meta, el destino de esa capacidad estaría también reservada para su nuevo modelo con nombre en clave 'Watermelon', aún en entrenamiento. Según rumores consumiría unas diez veces más cómputo que el anterior 'Muse Spark' y habría igualado a GPT-5.5 de OpenAI en varios benchmarks.

Para 𝕏 @SemiAnalysis_ (Semianalysis), Meta comprará más cómputo, no menos, y que hablar de sobreoferta ignora el ritmo real de construcción.

𝕏 @WesRoth (Wes Roth) subraya el salto de escala: que 'Watermelon' necesite diez veces más cómputo que 'Muse Spark' para alcanzar el nivel de GPT-5.5 ilustra el coste creciente de competir en la frontera.

𝕏 @alexandr_wang (Alexandr Wang) gestiona expectativas por adelantado y promete mejoras notables en programación y capacidades agénticas en la próxima actualización de Muse Spark para competir mejor con los modelos líderes.

𝕏 @pmddomingos (Pedro Domingos) aporta el contrapunto escéptico y resume la trayectoria de Meta en IA en tres fases (antes de LeCun, con LeCun y después de LeCun) para cuestionar que la compañía sepa dónde va sin él.

Más información:
📎 Meta Compute: Everyone Wants To Be A Neocloud (link extraído de los tweets)

2. El empleo con IA: datos ambiguos, tesis en disputa

El debate sobre cómo la IA afecta al trabajo ganó concreción esta semana con una mezcla de datos económicos y argumentos de mercado. La gestora de Cathie Wood señaló una divergencia poco habitual en las cifras de empleo estadounidenses: en la encuesta de hogares, el empleo habría caído unos 500.000 puestos, una cifra que apunta a recesión, mientras las solicitudes para crear nuevas empresas siguen subiendo. El pesimismo del informe de empleo no convence a 𝕏 @ARKInvest (Ark Invest), que lo atribuye a un problema de medición más que a una señal de recesión, con la caída de la participación laboral como matiz añadido.

El debate sigue abierto en redes sociales con muchas posturas diversas. Algunas defienden que la eficiencia ganada con IA se reabsorbe vía más competencia y precios más bajos; otras, que el valor humano se desplaza hacia definir problemas y coordinar sistemas, no hacia ejecutar tareas rutinarias.

Para 𝕏 @fchollet (François Chollet), los empleos que vienen premiarán la adaptabilidad y el planteamiento de problemas complejos por encima de la ejecución repetitiva o las habilidades hiperespecializadas.

Frente al relato de la sustitución, 𝕏 @elisenda_bou (Elisenda Bou-Balust) observa lo contrario: la IA reparte ingenieros por toda la organización, con el Forward Deployed Engineer de Palantir extendiéndose ahora a producto, operaciones y go-to-market.

𝕏 @emollick (Ethan Mollick) sugiere que trabajar con agentes se parece cada vez más a gestionar equipos, y propone formación en gestión a gran escala, con el precedente de los programas de EE. UU. tras la Segunda Guerra Mundial.

𝕏 @gabriel1 (Gabriel) plantea su hipótesis más optimista como el peor de los escenarios posibles: con tanto trabajo pendiente y competencia, los empleados acaban dominando la IA y ampliando lo que hacen, en vez de desaparecer.

3. Gemini Omni Flash lidera Video Arena

Gemini Omni Flash, el modelo de generación de vídeo de Google DeepMind, ocupa el primer puesto en Video Arena con una puntuación Elo de 1404. Le saca 101 puntos a Seedance 2.0 Mini de BytePlus (1303), una diferencia amplia para una tabla que mide preferencias directas entre resultados de distintos modelos. Los modelos Veo anteriores de Google quedan bastante por debajo, señal de un avance interno además de competitivo. Video Arena funciona con votaciones a ciegas: los usuarios comparan pares de vídeos sin saber qué modelo los generó. El método reduce el sesgo de marca, pero premia la calidad percibida más que métricas técnicas objetivas. El resultado llega en plena disputa por la generación de vídeo con IA, con Google, ByteDance y varias startups especializadas compitiendo por la misma franja.

La brecha de 101 puntos Elo que reporta 𝕏 @Designarena (Design Arena) sobre Seedance 2.0 Mini es, en sus palabras, uno de los saltos más grandes vistos en Video Arena, un dato que por sí solo separa este lanzamiento del ritmo habitual de mejoras incrementales.

𝕏 @WesRoth (Wes Roth) lee el liderazgo como un salto competitivo de Google frente a sus rivales en vídeo, y subraya que incluso los modelos Veo previos de la propia compañía quedan atrás en la misma tabla.

𝕏 @MLBear2 (Ml_Bear) incluye el primer puesto de Omni Flash en un resumen más amplio de la jornada, situándolo junto a otros movimientos del sector como una noticia relevante.

4. Codex y Claude Code amplían funcionalidades

Los asistentes de programación por IA compiten esta semana en el flujo de trabajo. Codex, la herramienta de OpenAI, ha añadido un plugin llamado 'Build iOS Apps' que permite visualizar y probar una app iOS en un navegador integrado, abrir vistas previas de SwiftUI y aplicar hot reload sin salir del entorno. El objetivo es reducir los saltos entre aplicaciones durante la iteración. En paralelo, Anthropic ha extendido Claude Code Artifacts a los planes Pro y Max, antes reservado a clientes Team y Enterprise. La función convierte la salida de una sesión en una página interactiva alojada en una URL privada, que se actualiza mientras el modelo sigue trabajando.

Ambos cambios persiguen lo mismo: absorber más fases del ciclo de desarrollo dentro de una sola interfaz. El detalle técnico lo aporta un hilo de SemiAnalysis sobre los 'harnesses' de codificación agéntica, la capa de orquestación que envuelve al modelo para leer código, ejecutar comandos e iterar. Su tesis es que buena parte de la diferencia entre Claude Code, Codex, OpenCode o Pi está en ese harness, no en el modelo subyacente, que a menudo comparten.

Para 𝕏 @victorianoi (Victoriano Izquierdo), Codex supera hoy a Claude por dos motivos concretos: mejor relación calidad-precio en sus suscripciones y un control remoto desde el móvil que permite lanzar hilos nuevos sin estar frente al ordenador.

𝕏 @SemiAnalysis_ (Semianalysis) desmitifica estas herramientas: bajo el capó todas repiten el mismo bucle de planificar, actuar y verificar, así que conviene dejar de hablar de los harnesses como si fueran magia.

𝕏 @WesRoth (Wes Roth) lee la integración del ciclo iOS dentro de Codex como un paso hacia entornos más autónomos, donde previsualización, pruebas y recarga en caliente conviven sin obligar al desarrollador a cambiar de aplicación.

𝕏 @denir0x (Deniro) apunta al alcance práctico con un caso concreto: alguien modeló en 3D un edificio completo con Claude Code, con un nivel de detalle que, según un profesional de la construcción consultado, la industria tradicional ni siquiera está aprovechando.

5. Seedance 2.5 apunta a vídeos de tres minutos

ByteDance prepara Dreamina Seedance 2.5, la nueva versión de su modelo de generación de vídeo, con integración prevista en CapCut y aplicaciones asociadas. La información viene de filtraciones, no de un anuncio oficial. Según esas fuentes, el modo estándar generaría clips cinematográficos de hasta 30 segundos en una sola pasada, y un modo de vídeo largo en beta los extendería hasta 180 segundos, con etapas intermedias de 90. Esa duración es el punto más destacado, ya que la mayoría de generadores actuales se queda en pocos segundos por clip.

El modelo admitiría hasta 50 referencias multimodales (imágenes, vídeo, audio, guiones, música y estilo) y promete más control sobre el resultado. La distribución vía CapCut lo coloca ante una base enorme de usuarios de edición, dentro del ecosistema de ByteDance, matriz de TikTok. El reto de los clips largos no es solo la duración. Mantener la identidad de los personajes, el movimiento, la lógica de cámara y la intención del prompt estables a lo largo de las extensiones sigue siendo el reto del vídeo generativo. Los rumores apuntan a un lanzamiento a principios de julio, con el día 9 como fecha citada.

El seguimiento de 𝕏 @testingcatalog (Ai News | Testingcatalog) apunta a que las páginas públicas de Dreamina y CapCut ya mencionan el modelo, señal de que el despliegue está cerca aunque el 9 de julio siga sin confirmar.

Para 𝕏 @WesRoth (Wes Roth) el gancho está en la orquestación multimodal: hasta 50 referencias distintas para montar una escena de 30 segundos de una vez, con más control sobre encuadre y estilo.

𝕏 @kimmonismus (Chubby) sostiene que ningún modelo occidental de texto a vídeo se acerca todavía a Seedance 2.0, y atribuye parte de esa ventaja al enorme volumen de vídeo al que ByteDance tendría acceso para entrenar.

Más información:
📎 ByteDance set to launch Seedance 2.5 with 3-minute output

6. Un juego de 2003 adaptado a iPhone con Fable 5

Ammaar Reshi ha portado 'Command & Conquer: Generals Zero Hour', un juego de 2003, a Mac, iPhone y iPad con Apple Silicon. No ha utilizado emulación, sino que es el motor original recompilado para ARM64, apoyado en el código fuente para Windows que EA liberó bajo licencia GPL v3 y en trabajo previo de la comunidad. El renderizado se traduce de DirectX 8 a Metal, y los interfaces se adaptan a los controles táctiles de los dispositivos móviles. El proyecto se publica como código abierto, con una guía para reproducirlo.

Reshi apoyó buena parte del trabajo en la herramienta de programación asistida Fable 5. El alcance tiene límites concretos. El repositorio no incluye ni distribuye los recursos del juego: hace falta una copia propia, disponible por unos 5 dólares en Steam.

Para 𝕏 @ammaar (Ammaar Reshi), 'portar' se queda corto: iOS es un entorno hostil para un RTS de Windows de 2003, con un sistema de archivos de solo lectura que exige redirigir cada escritura del motor desde el propio bundle de la app.

𝕏 @victorianoi (Victoriano Izquierdo) compara trabajar con Fable 5 con construirse un rascacielos por cuenta propia, tras montar en una tarde su propio Adobe Camera RAW en Swift para saltarse la suscripción de Adobe.

7. Privacidad, censura y derechos: la IA a debate

El debate sobre seguridad y regulación de la IA se movió esta semana entre dos polos: proteger a las personas frente a los modelos y proteger a los modelos frente al control. Stanford HAI publicó en abril el brief 'Data Privacy and Foundation Models: Can We Have Both?', que sitúa los riesgos de privacidad mucho más allá de los 'malos prompts'. El documento describe fallos en todo el ciclo del modelo: scraping masivo de datos personales en el entrenamiento, memorización y regurgitación de información sensible en las salidas, y datos íntimos que los usuarios revelan sin querer en las interfaces conversacionales. Añade que la inyección de prompts, el envenenamiento de datos y la inversión de modelos pueden sortear las salvaguardas actuales.

En el extremo opuesto, varias voces del sector alertan del riesgo contrario: que las herramientas de alineamiento acaben funcionando como instrumentos de censura, y que las capas de moderación rígidas interfieran incluso en tareas triviales. También circulan propuestas de una 'carta de derechos' humano-IA, con comunicaciones privilegiadas y discurso de IA protegido. Un matiz jurídico acota el debate: según el propio brief de Stanford, marcos como el RGPD europeo son fundamentalmente incompatibles con la forma en que se construyen los modelos fundacionales. Ni la UE ni Estados Unidos han aprobado reglas integrales capaces de cambiar la conducta de los desarrolladores, de modo que la protección de datos depende hoy de decisiones voluntarias de cada laboratorio.

Para 𝕏 @StanfordHAI (Stanford Hai), los riesgos de privacidad no son un problema de uso sino de diseño: sin reglas claras, el público depende de que los desarrolladores protejan sus datos por voluntad propia.

Equiparar las conversaciones con la IA a relaciones protegidas y amparar su discurso bajo la Primera Enmienda es la propuesta de 𝕏 @Dan_Jeffries1 (Daniel Jeffries), un marco de derechos todavía sin base legal consolidada.

Un artículo atribuido a ICML-2026 que recoge 𝕏 @pmddomingos (Pedro Domingos) sostiene que la comunidad de alineamiento estaría montando, sin quererlo, un kit de herramientas para la censura: las mismas técnicas que moderan salidas sirven para restringir el discurso.

Frente al ángulo normativo, 𝕏 @polynoamial (Noam Brown) destaca el trabajo del AI Security Institute sobre cómo los presupuestos de cómputo en tiempo de inferencia afectan a las evaluaciones de modelos frontera.

Más información:
📎 Data Privacy and Foundation Models: Can We Have Both?
📎 Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit

Seguramente te pasa como a muchos lectores de 1 Minuto de IA, quieres formarte en IA, pero entre tanto curso de herramientas no sabes por dónde empezar.

Más de 1.000 profesionales han pasado ya por las 10 ediciones del Máster Ejecutivo en IA, un programa pensado para quienes quieren dejarse de tanta herramienta y tomar decisiones de negocio con IA. Conocimiento estratégico, casos reales que inspiran y una red de contactos que vale tanto como el temario.

📅 Viernes 3 de julio: último día del súper descuento early-bird.
💶 300€ de descuento extra con el cupón 1MINUTODEIA300, solo por ser lector.

👉 Reserva tu plaza o descarga el programa

¿Qué pasó ayer? En un minuto:

1. Anthropic ha desatado críticas al redesplegar Claude Fable 5 con un enrutamiento opaco que deriva tareas de programación a Opus 4.8 sin avisar al usuario, lo que complica evaluar y reproducir pruebas con el modelo.

2. Según informaciones no confirmadas OpenAI habría propuesto ceder al gobierno de EE. UU. una participación del 5% bajo el argumento de repartir el valor de la IA entre los ciudadanos.

3. Anthropic ha iniciado el desarrollo en fase temprana de un chip de IA propio y negocia con Samsung como posible fabricante, siguiendo la estrategia de OpenAI de controlar toda la cadena y reducir la dependencia de Nvidia.

4. ARK Invest ve en los robots humanoides la próxima frontera de la IA física, aunque calcula que un humanoide generalista es unas 200.000 veces más complejo que un robotaxi por la falta de datos y la imprevisibilidad de los entornos.

5. François Chollet sostiene que la IA convergerá hacia la síntesis de programas dirigida por deep learning, un enfoque neuro-simbólico que generaliza con datos mínimos frente al paradigma actual del escalado masivo.

6. Aaron Levie defiende que el valor de la IA empresarial exige rediseñar los procesos de negocio, mientras David Sacks advierte de que las empresas deben controlar sus datos, modelos y cómputo para no depender de los grandes laboratorios.

7. Eiso Kant argumenta que el cómputo es el activo escaso del momento, hasta el punto de que empresas como Meta o xAI pueden rentabilizar su infraestructura revendiendo capacidad aunque sus modelos no rindan al nivel esperado.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. El enrutamiento de Fable 5 a Opus enfada a los usuarios

Anthropic ha vuelto a desplegar Claude Fable 5 con salvaguardas más estrictas y deriva parte de las tareas de codificación hacia Opus 4.8 mediante un clasificador que decide, sin aviso al usuario, qué peticiones cambian de modelo. La compañía sostiene que solo se enruta una fracción de las tareas rutinarias y que Fable 5 conserva el mismo modelo subyacente. El problema es de método: si un sistema de reparto interrumpe a un modelo y pasa el trabajo a otro, cualquier medición deja de reflejar un solo sistema y evalúa la lógica de enrutamiento.

Para los desarrolladores de agentes, eso complica reproducir pruebas y comparar versiones con limpieza, sobre todo cuando la capa de enrutamiento es opaca ni se conocen los umbrales que activan el desvío. La plataforma Arena (arena.ai) ya recoge miles de votos para comparar el antes y el después en cinco categorías —texto, visión, documento, código y agente—, mostrando resultados consistentes entre versiones. La crítica se suma a un descontento más amplio con el filtrado, que varios usuarios describen como más restrictivo. Anthropic ha respondido publicando una guía oficial de prompting con una técnica de verificación de progreso, y reinició los límites de uso de cinco horas y semanales. Esta opacidad con la que se mueve Anthropic resta credibilidad y provoca que los usuarios más avanzados esperen GPT-5.6 Sol como agua de mayo.

Para 𝕏 @WesRoth (Wes Roth), en cuanto un clasificador interrumpe a Fable y pasa el trabajo a Opus, los desarrolladores dejan de evaluar un modelo y pasan a evaluar un sistema de enrutamiento controlado por Anthropic; reclama que la empresa publique el mecanismo de fallback.

Desde 𝕏 @arena (Arena.Ai) han lanzado una comparativa como respuesta directa a la comunidad, que llevaba tiempo preguntando cómo quedaba Fable 5 antes y después del redespliegue, con miles de votos ya recogidos en el nuevo endpoint.

En la línea crítica con el filtrado, 𝕏 @antor (Andrés Miguel Torrubia Sáez) acusa a Anthropic de bloquear consultas legítimas por exceso de celo, y lo ilustra con una petición sobre cómo curar el cáncer que el sistema habría tratado como demasiado peligrosa.

𝕏 @neil_xbt (Neilxbt) destaca la parte útil del movimiento: la guía oficial incorpora un prompt de verificación de progreso que ataca directamente el problema del modelo que reporta un paso como hecho sin comprobarlo.

𝕏 @RetroChainer (Retrochainer) sostiene que muchos equipos evalúan mal Fable 5 al aplicarle los prompts cortos que usaban en Opus 4.8, y que reutilizar ese enfoque lleva a infravalorarlo frente a lo que propone la propia guía de Anthropic.

Más información:
📎 How to Actually Prompt Fable 5, Straight From the Team That Built It

2. OpenAI habría planteado un 5% para el Estado

OpenAI habría propuesto ceder al gobierno de Estados Unidos una participación del 5%, según informaciones del Financial Times y CNBC recogidas en redes. A la valoración citada de 852.000 millones de dólares, ese porcentaje equivaldría a unos 42.600 millones. El argumento atribuido a Sam Altman es que la propiedad pública permitiría a los ciudadanos participar del valor que genere la compañía. La idea encaja con un debate más amplio sobre cómo repartir los beneficios de la IA. OpenAI ya defendió en un documento de política de abril un fondo de riqueza público que diera a todos los ciudadanos una participación en el crecimiento de esta tecnología, incluidos quienes no tienen acciones.

Anthropic ha discutido por separado fondos soberanos y dividendos digitales. La entrada del Estado en el capital de una firma de IA de referencia sería inusual y tocaría gobernanza, regulación y control de una tecnología considerada crítica. Conviene manejar las cifras con cautela: las fuentes emplean condicionales y describen una fase preliminar. Ni la valoración, ni el estado real de las conversaciones, ni las declaraciones atribuidas a Altman están confirmados de forma oficial.

La lectura de 𝕏 @testingcatalog (Ai News | Testingcatalog) subraya la doble fuente periodística, Financial Times y CNBC, como respaldo de una operación que situaría a OpenAI entre las tecnológicas más valiosas si la valoración implícita se sostiene.

Para 𝕏 @WesRoth (Wes Roth), la propuesta no surge de la nada: enlaza con la línea de OpenAI y Anthropic de idear mecanismos redistributivos, desde fondos soberanos hasta dividendos digitales, antes de que la automatización concentre la riqueza.

𝕏 @actis_esteban (Esteban Actis) sitúa el movimiento en una tendencia de mayor control estatal sobre la IA en EE. UU., que contrasta con las apuestas por la desregulación en otros países.

𝕏 @zanoni (Lalo Zanoni) recuerda precedentes recientes de intervención directa del gobierno de Trump sobre laboratorios de IA, como la orden a Anthropic de bloquear el acceso de extranjeros a algunos de sus modelos.

𝕏 @okdiario (Okdiario.Com) enmarca la noticia como una operación de Trump sobre ChatGPT, un encuadre político que conviene separar del estado real de una propuesta aún sin cerrar.

Más información:
📎 OpenAI proposes handing Trump administration a 5% stake, FT reports

3. Anthropic explora un chip propio con Samsung

Anthropic, la empresa detrás de Claude, ha iniciado el trabajo en fase temprana de un chip de IA propio y ha mantenido conversaciones con Samsung Electronics como posible socio de fabricación, según una exclusiva de The Information. El movimiento aún está en fase temprana: no hay diseño cerrado, ni una decisión final sobre qué tareas ejecutaría el chip, qué potencia tendría o cómo se integraría en los servidores. Diseñar silicio a medida permitiría a Anthropic asegurar suministro y ajustar coste y rendimiento a sus modelos, en plena demanda de aceleradores.

Anthropic sigue los pasos de OpenAI, que anunció hace poco un chip desarrollado con Broadcom, con el fin de controlar toda la cadena, del software al hardware, y reducir su dependencia de Nvidia o AMD. Si Anthropic avanza, la presión recaería sobre el mercado de aceleradores y sería una oportunidad estratégica para Samsung, que busca reforzar su negocio de fabricación avanzada de chips frente a TSMC. Según medios coreanos, Anthropic estaría considerando su proceso de 2 nanómetros y tecnologías avanzadas de empaquetado. Samsung no ha comentado públicamente los detalles de esta información.

𝕏 @theinformation (The Information), autor de la exclusiva, plantea la lectura clave: cómo un chip propio podría alterar el pulso competitivo entre OpenAI y Anthropic más allá del terreno de los modelos.

𝕏 @testingcatalog (Ai News | Testingcatalog) enmarca el paso en la carrera del 'full stack': tras el chip de OpenAI con Broadcom, ve a todo el sector moviéndose hacia el control completo de su cadena.

Para 𝕏 @SemiconductorsX (Semiconductor Insider), la operación apunta a una búsqueda de independencia en hardware, un giro que consideran de peso si Anthropic diseña su propio acelerador.

𝕏 @SpecialSitsNews (Special Situations Research Newsletter (Jay)) lee el movimiento en clave de mercado y lo vincula a los valores expuestos, con Nvidia, AMD y Micron entre los nombres que seguirían de cerca cualquier avance.

𝕏 @dragonomi_ai (Dragonomi Ai) sitúa la motivación en el coste: tomar el control de la costosa infraestructura de cómputo que exige entrenar y servir modelos grandes.

Más información:
📎 Anthropic in Talks With Samsung to Manufacture Custom AI Chip

4. ARK cifra en 200.000x el salto a humanoides

ARK Invest sitúa a los robots humanoides como la siguiente gran frontera de la inteligencia artificial aplicada al mundo físico. Su tesis es que estos sistemas podrían llevar la automatización más allá de fábricas y almacenes, hacia tareas de logística, manufactura, salud y servicios donde hoy falta mano de obra. Pero también advierte de una barrera clave: un humanoide generalista es, según sus cálculos, unas 200.000 veces más complejo que un robotaxi, porque debe moverse, manipular objetos y adaptarse a entornos mucho menos previsibles, tareas para las que faltan datos a la escala que sí existe en conducción.

La robótica industrial ya es un mercado maduro: en 2024 había 4,66 millones de robots industriales operando en el mundo, y China concentró el 54% de las nuevas instalaciones. Ahora, Pekín quiere trasladar esa ventaja a los humanoides, y ha fijado el objetivo de superar las 10.000 unidades comerciales en uso antes de que termine 2026. La oportunidad es enorme, pero todavía temprana. ARK cree que Tesla Optimus podría acercarse a una competencia laboral humana hacia 2028, aunque esa previsión depende de inversión masiva en computación, datos reales y mejoras de hardware.

El marco de 𝕏 @ARKInvest (Ark Invest) coloca la IA física como continuación natural de la conducción autónoma, aunque advierte de que el progreso llegará a trompicones y no en línea recta.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) defiende que el robot ideal debería ser actualizable, modificable, con toda la inteligencia en local y nunca en la nube, priorizando autonomía y aprendizaje continuo, una de las asignaturas pendientes de la IA actual.

Más información:
📎 From Robotaxis To Humanoids: Why Embodied AI Represents An Order-Of-Magnitude Leap Into The Future

5. Opinión: Chollet apuesta por la síntesis de programas

François Chollet, creador de Keras y del benchmark ARC-AGI, ha publicado en X una serie de mensajes con su tesis sobre el rumbo de la IA: buena parte del campo convergerá hacia un modelado simbólico del mundo guiado por la intuición. Lo define como síntesis de programas dirigida por deep learning, un enfoque que combina redes neuronales con representaciones simbólicas. Su razonamiento es que ese modelado permite construir modelos mentales compactos, reutilizables y capaces de generalizar con datos y recursos mínimos, frente al paradigma dominante de escalar modelos con volúmenes masivos de datos.

Chollet es una de las voces más críticas con la idea de que el escalado basta para alcanzar razonamiento general, y ARC-AGI nació para medir generalización, no memorización. En sus mensajes observa además que muchos flujos de trabajo ya evolucionan hacia arquitecturas donde modelos de razonamiento a gran escala (LRM) actúan como capa de control que orquesta programas simbólicos, algo que describe como una forma "tosca pero accesible" de aprendizaje simbólico. Chollet apunta que los participantes fuertes en ARC-AGI-3 comparten hasta ahora este mismo tipo de enfoque técnico.

Para 𝕏 @fchollet (François Chollet), el modelado simbólico permite a un sistema levantar un modelo mental compacto y reutilizable de un problema con datos mínimos, ventaja que atribuye a las representaciones simbólicas frente al escalado bruto.

6. Opinión: exigencias para la IA empresarial

Aaron Levie, CEO de Box, defiende que desplegar IA en una empresa no se resuelve conectando un chatbot: el valor real llega cuando los sistemas se alinean con los procesos de negocio en los que intervienen, y eso exige trabajo de integración. Su argumento apunta a un problema práctico poco tratado en el discurso sobre agentes autónomos. La mayoría de los flujos de trabajo actuales se diseñaron para personas y herramientas concretas, no para software que decide y ejecuta pasos. Por eso la adopción efectiva pasa por rediseñar la operativa, no por añadir una capa de IA sobre lo que ya existe. Este matiz rebaja las expectativas de automatización inmediata que rodean a los agentes empresariales. El reto, por tanto, deja de ser tecnológico y pasa a ser organizativo: definir qué datos puede usar la IA, qué tareas puede ejecutar, quién revisa sus decisiones y cómo se evitan errores en procesos críticos.

En un frente paralelo, David Sacks puso nombre a una inquietud creciente entre grandes empresas: la inteligencia artificial puede convertir datos, procesos internos y conocimiento propio en dependencia frente a los grandes laboratorios de IA. En X, Sacks sostuvo que la verdadera “seguridad” para las compañías pasa por controlar sus datos, modelos y capacidad de cómputo, no solo por confiar en proveedores externos. El nuevo criterio de compra de soluciones de IA tendrá que valorar quién conserva el control económico del conocimiento que hace valiosa a la empresa.

Para 𝕏 @levie (Aaron Levie), la mayoría de flujos de trabajo no se pensaron para que un agente se incorpore sin más, así que alinear la IA con la operativa es la parte que de verdad cuesta.

𝕏 @DavidSacks (David Sacks) respalda a Alex Karp, CEO de Palantir, y advierte que las empresas deben controlar sus datos, modelos y cómputo para no quedar dependientes de los grandes proveedores de IA.

7. Opinión: el cómputo como activo escaso

Eiso Kant, CEO de Poolside, destaca que la demanda de cómputo supera a la oferta, lo que convierte la capacidad en el activo escaso y valioso, al margen de la calidad de los modelos que corren sobre ella. El argumento se apoya en dos casos, Meta y xAI. Ambas han levantado grandes cantidades de capacidad para entrenar y desplegar sus sistemas, pero esos modelos aún no rinden al nivel esperado. El desfase deja centros de datos infrautilizados, y la salida natural sería vender parte del excedente a terceros. La lógica desplaza el foco del debate. Si el cuello de botella está en el silicio y la energía, y no en los pesos del modelo, incluso una empresa sin un modelo competitivo puede rentabilizar su inversión revendiendo cómputo. Eso separa el retorno de la infraestructura del éxito del laboratorio que la construyó.

𝕏 @eisokant (Eiso Kant) invierte el marco habitual: Meta y xAI habrían acertado al levantar cómputo y fallado en los modelos, de modo que acaban con capacidad que no pueden aprovechar y terminan revendiéndola, según él a buen precio.

¿Qué pasó ayer? En un minuto:

1. Anthropic dobla su apuesta por productos verticales con la presentación de Claude Science, un banco de trabajo para investigación en ciencias de la vida, con más de 60 conectores especializados y agentes que revisan citas y cálculos.

2. xAI lanza Voice Agent Builder, una plataforma sin código para crear agentes de voz con Grok, a 0,05 dólares por minuto.

3. Opinión: el diseño de sistemas de IA avanzados pasa por los enjambres de agentes coordinados, un patrón que multiplica el cómputo por tarea y coloca el coste por tarea como la gran métrica a vigilar los próximos doce meses.

4. Opinión: los modelos de pesos abiertos ganan relevancia como vía para que empresas y gobiernos ganen control y refuercen la seguridad con una mayor capacidad de inspección.

5. Los benchmarks de IA empiezan a desplazarse hacia pruebas de valor económico real, mostrando que la IA aún está lejos de sustituir el trabajo humano.

6. SemiAnalysis describe cómo la inferencia se está fragmentando para que cada chip haga lo que mejor sabe, abaratando el coste por token y empujando hacia el silicio especializado.

7. Google lleva Gemini Spark a macOS y lo convierte en un agente de escritorio capaz de gestionar archivos locales y crear documentos. Sigue en beta, solo para suscriptores AI Ultra en Estados Unidos.

8. NVIDIA Research presenta Nemotron-Labs-TwoTower, un modelo de lenguaje que combina contexto autorregresivo con generación por bloques mediante difusión con el objetivo de recortar la latencia que lastra los LLM autoregresivos.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Anthropic lleva Claude a la investigación científica

Anthropic ha presentado Claude Science, una aplicación todavía en beta pensada para investigadores que reúne en un solo entorno tareas que hoy suelen estar dispersas entre bases de datos científicas, herramientas de análisis, notebooks y recursos de computación. No es un nuevo modelo, sino una capa de trabajo sobre Claude capaz de buscar información, ejecutar análisis, generar figuras y manuscritos, y conservar el historial de cómo se produjo cada resultado para que pueda revisarse y reproducirse después. Podríamos decir que es el Claude Code para científicos. Está disponible para macOS y Linux en los planes Pro, Max, Team y Enterprise.

La herramienta reúne más de 60 conectores especializados en genómica, proteómica, quimioinformática y biología estructural, gestiona el envío de trabajos de cómputo y persigue la reproducibilidad: adjunta código, detalles del entorno y descripciones en lenguaje natural de cada artefacto. También incorpora agentes revisores que detectan errores de citación y de cálculo. El impacto prometido es claro: acortar ciclos de investigación y mejorar su trazabilidad. Con este lanzamiento, Anthropic sigue adentrándose en el terreno de los productos verticales, diseñados para encajar en flujos de trabajo profesionales concretos.

El adelanto de 𝕏 @testingcatalog (Ai News | Testingcatalog) pone el foco en la reproducibilidad: trazar artefactos hasta su código, gestionar entornos de ejecución bajo demanda y conectar más de 60 bases de datos científicas opcionales, justo la fricción que suele lastrar el trabajo de laboratorio.

Más información:
📎 Claude Science, an AI workbench for scientists, is now available
📎 Early look at Anthropic’s Claude Science app for researchers

2. xAI entra en agentes de voz empresariales

xAI ha lanzado Voice Agent Builder, una plataforma sin código para crear agentes de voz apoyados en Grok Voice. Está disponible desde ya en la xAI Console, en fase beta, a 0,05 dólares por minuto. Con ella, una empresa puede dar instrucciones a un agente, conectar su base de conocimiento interna, integrar APIs y herramientas MCP (Model Context Protocol), fijar guardarraíles y desplegarlo en llamadas telefónicas.

El argumento de xAI es técnico. Las pilas de voz habituales encadenan tres servicios separados (transcripción de voz a texto, un modelo de lenguaje y síntesis de texto a voz), a menudo de proveedores distintos, y cada salto suma coste, latencia y nuevos puntos de fallo. La propuesta reúne ese flujo en una única interfaz acoplada a Grok Voice. Con ello xAI se posiciona en la atención al cliente automatizada por voz, un mercado con competidores ya asentados, y ofrece un precio por minuto que simplifica el cálculo de costes frente al enfoque fragmentado. Cada cuenta incluye un número de teléfono gratuito para empezar a probar. Por ahora no hay cifras públicas de latencia, idiomas soportados ni límites de uso, ni comparativas de rendimiento con alternativas del sector. La capacidad de generar voces humanas para centros de llamadas plantea además un frente sobre usos legítimos y abusos que la documentación oficial todavía no cubre.

Para 𝕏 @WesRoth (Wes Roth), lo llamativo es pasar de la instrucción al despliegue en una llamada sin ensamblar sistemas por separado, justo la fricción que suele frenar estos proyectos en empresa.

𝕏 @testingcatalog (Ai News | Testingcatalog) lo lee como una señal de que xAI amplía foco más allá del chatbot Grok hacia herramientas de desarrollo para integrar voz en productos de terceros.

𝕏 @oragnes (Trader) apunta al precio como golpe competitivo: cinco céntimos por minuto hunde el coste de montar telefonía y atención al cliente con IA.

Más información:
📎 Introducing the Voice Agent Builder

3. Opinión: organización de sistemas multi-agente

El debate sobre agentes de IA se desplaza de ejecutar tareas sueltas a coordinar varios agentes a la vez. Gana tracción la idea de que los flujos agénticos no se resuelven con una consulta, sino con múltiples llamadas de inferencia que se dividen, se procesan en paralelo y se recombinan, un patrón cercano al procesamiento distribuido clásico. Aplicado a enjambres de agentes que manejan grandes volúmenes de datos, ese diseño multiplica el cómputo por tarea y refuerza la tesis de que la demanda de inferencia (chips, centros de datos, capacidad en la nube) seguirá creciendo.

En paralelo surge la discusión sobre cómo estructurar esos sistemas. Frente a los enrutadores que preclasifican cada petición y la mandan a un modelo más ligero o más potente, avanza la idea de conjuntos de agentes coordinados, con delegación entre perfiles caros y baratos y entre especialistas y generalistas, tomando prestado el vocabulario de la teoría organizativa. El enrutamiento previo tiene un riesgo conocido: si clasifica mal la dificultad de una consulta, asigna un modelo insuficiente y degrada la respuesta.

El futuro que dibuja 𝕏 @levie (Aaron Levie) es de enjambres de agentes trabajando en paralelo sobre grandes volúmenes de datos, un 'mapreduce agéntico' que en su cálculo justifica multiplicar por 100 la inferencia actual, con Devin como ejemplo del patrón.

𝕏 @emollick (Ethan Mollick) apuesta a que las organizaciones de agentes coordinados batirán a los enrutadores por tareas puros en relación precio/rendimiento, y avisa de que preclasificar consultas produce mucho trabajo mediocre, un tropiezo que atribuye a OpenAI con GPT-5.

Para 𝕏 @Suhail (Suhail), el coste por tarea será la métrica que de verdad importe durante los próximos doce meses, justo el indicador que decide si los enfoques multiagente compensan frente a modelos únicos.

4. Opinión: modelos de pesos abiertos y soberanía

El argumento a favor de los modelos pesos abiertos vuelve al primer plano por dos vías: control corporativo y verificación de seguridad. En producto, hay un dato concreto: GLM 5.2, un modelo abierto de escala frontera, ya corre en Microsoft Foundry sobre aceleradores AMD MI300X, y se ha probado ejecutando un objetivo de tipo Codex sin recurrir a un modelo propietario. Indica que las grandes plataformas cloud empiezan a integrar el código abierto como opción de primera clase, no como alternativa secundaria.

El fondo del debate sobre modelos de pesos abiertos enfrenta a quienes sostienen que una empresa con recursos debería controlar su propio modelo, poseerlo y personalizarlo, frente a la lógica de comprar acceso a terceros. Se le suma un argumento de seguridad: los sistemas abiertos permiten que más gente los inspeccione, detecte fallos y proponga correcciones, algo que la opacidad de los modelos cerrados dificulta. Palantir ha aportado el ángulo de la soberanía institucional, encuadrando el control sobre la propia IA como cuestión estratégica para gobiernos y organizaciones.

Para 𝕏 @Dan_Jeffries1 (Daniel Jeffries), las empresas chinas han captado antes que las estadounidenses el valor de tener modelo propio: quien depende de un proveedor externo, dice, no controla su capacidad, solo alquila su mente.

5. Benchmarks para medir capacidad económica real

La medición de modelos de IA se está desplazando del conocimiento académico hacia tareas con valor económico real. El motivo del giro es sencillo: los benchmarks clásicos saturan y dejan de separar modelos. La métrica Remote Labor Index (RLI), desarrollada por el CAIS (Center for AI Safety) y Scale Labs, mide trabajos freelance completos, como diseño, vídeo, CAD, arquitectura, análisis de datos o aplicaciones web. El trabajo solo cuenta como “automatizado” si evaluadores humanos consideran que el resultado iguala o supera al de un profesional pagado.

El mejor modelo evaluado hasta la fecha, Fable 5, alcanza una tasa de automatización del 16,1%, frente al 2,5% registrado cuando se lanzó RLI hace menos de ocho meses. A pesar del salto, los modelos más avanzados siguen fallando en la mayoría de los encargos, y varios ejemplos revisados por CAIS muestran entregas visualmente prometedoras pero insuficientes para un cliente exigente. Otro benchmark todavía no saturado es ARC-AGI-3, en el cual un agente debe deducir por sí mismo las reglas y los objetivos de juegos representados como rejillas de 64x64, optimizando el número de acciones. Aunque ARC-AGI-3 mide capacidad de generalización de un agente, y no valor económico real, ataca una de las limitaciones de la IA actual basada en el paradigma dominante de los grandes modelos de lenguaje.

El salto que subraya 𝕏 @WesRoth (Wes Roth) es la tasa de automatización completa en el RLI: cita un 16,1% para Claude Fable 5, casi el doble del 8,3% de Claude Opus 4.8 y por delante del 6,3% de GPT-5.5, cifras que aún no aparecen verificadas en las fuentes del propio índice.

𝕏 @MLStreetTalk (Machine Learning Street Talk) insiste en que ARC-AGI-3 desconcierta a casi todos los intentos convencionales precisamente porque obliga al agente a descubrir las reglas, un terreno donde los humanos siguen por delante de los modelos frontera.

𝕏 @emollick (Ethan Mollick) rebaja el valor de los rankings genéricos: cuando las decisiones se apilan, las diferencias entre modelos se amplifican y ningún benchmark estándar dirá qué modelo encaja con un caso de uso concreto.

Más información:
📎 A Significant Increase in Digital Labor Automation

6. SemiAnalysis disecciona la economía de la inferencia

SemiAnalysis, firma independiente de investigación en semiconductores e IA, ha publicado una serie de análisis sobre cómo se ejecuta hoy la inferencia: el proceso de generar respuestas a partir de un modelo ya entrenado. La inferencia se está fragmentando en varias partes para que cada chip haga aquello para lo que es más eficiente en lugar de compartir chips genéricos. Importa porque la inferencia es ya el principal coste operativo de desplegar modelos a escala, y esta especialización abarata el coste por token.

Describe tres tipos de especializaciones. La primera separa por fase: el prefill, que lee el prompt del usuario, corre en un conjunto de chips, y el decode, que genera la respuesta token a token, en otro distinto, porque cada tarea tensiona el hardware de forma diferente. La segunda divide por capa de la arquitectura Transformer: la atención se ejecuta en GPU con abundante memoria HBM y la red feed-forward en silicio basado en SRAM. Y la tercera reparte las cargas por franjas temporales para que el cluster no quede parado.

El planteamiento de 𝕏 @SemiAnalysis_ (Semianalysis) es que dividir la inferencia por fase, por capa y ahora por tiempo abarata la inteligencia en cada corte, un patrón que empuja el diseño de centros de datos hacia el silicio especializado frente a la GPU de propósito general.

Pese a sus reservas hacia algunas de las opiniones fuertes de SemiAnalysis, 𝕏 @TheValueist (Thevalueist) califica la entrevista con su fundador como una demostración poco común de dominio del negocio de infraestructura para IA.

𝕏 @sonyatweetybird (Sonya Huang) sitúa a Dylan Patel como el insider más fiable sobre la mayor expansión de infraestructura de la historia, un aval de credibilidad que, a su juicio, explica el peso de estos análisis en la conversación del sector.

Más información:
📎 Dylan Patel of SemiAnalysis: Why Hardware-Software Co-Design Is AI's Real 100x

7. Gemini Spark aterriza en macOS

Google ha empezado a desplegar Gemini Spark, un conjunto de funciones que permite a Gemini ejecutar acciones por cuenta del usuario al estilo de OpenClaw. La novedad con más recorrido es su llegada a la aplicación de macOS, que mete a Google en el ecosistema de Apple para disputar el escritorio a otros asistentes. El paquete incluye 'smart triggers', disparadores que automatizan tareas de forma continua, y trabajo local: organizar archivos en el Mac o generar documentos y hojas de cálculo de Google a partir de ficheros del propio equipo.

Google lo presenta como un agente personal operativo las 24 horas, con cinco usos orientados a la productividad diaria. El alcance de salida es corto. Spark arranca en beta y solo para suscriptores de Google AI Ultra, el plan de pago más caro, únicamente en Estados Unidos. La compañía prevé ampliarlo a más países durante el mes, un despliegue escalonado habitual por capacidad y regulación. Reservar lo avanzado al nivel Ultra encaja con la práctica del sector: diferenciar planes y monetizar la IA vía suscripción premium.

El propio 𝕏 @GeminiApp (Google Gemini) enmarca Spark menos como chatbot y más como agente personal continuo, con la integración en macOS y los 'smart triggers' como las piezas que lo acercan a ejecutar tareas por sí mismo.

Para 𝕏 @thearslaniqbal (Arslan Iqbal), lo relevante es que Gemini pasa a comportarse como un agente de escritorio real: organiza archivos en el Mac y genera documentos y hojas de cálculo a partir de ficheros locales, no solo conversa.

8. NVIDIA experimenta con modelos de difusión

NVIDIA Research ha presentado Nemotron-Labs-TwoTower, un nuevo modelo de lenguaje que busca resolver uno de los cuellos de botella más costosos de la IA generativa: la velocidad con la que se producen las respuestas. Frente al enfoque habitual, en el que el modelo escribe prácticamente palabra a palabra, esta arquitectura trabaja por bloques y revisa varias piezas de texto en paralelo gracias a un modelo de difusión, una arquitectura que se usa ampliamente en la generación de imágenes. Según el paper publicado en arXiv, el sistema mantiene el 98,7% de la calidad del modelo base y logra 2,42 veces más rendimiento de generación en pruebas realizadas.

El modelo parte de Nemotron-3-Nano-30B-A3B y usa dos “torres”: una conserva el contexto ya entendido por el modelo de lenguaje tradicional y otra genera el nuevo texto por bloques con el modelo de difusión. NVIDIA ha publicado los pesos y el modelo en Hugging Face, donde lo describe como apto para uso comercial bajo su licencia, aunque la inferencia completa requiere una infraestructura relevante: dos torres de unos 30B de parámetros cada una. Por ahora, los modelos de difusión aplicados al texto son una línea prometedora, pero todavía se mantienen principalmente en el terreno académico. La gran incógnita es si podrán funcionar con eficacia a la escala de los modelos de IA más avanzados.

El propio equipo de 𝕏 @NVIDIAAI (Nvidia Ai) resume la apuesta en términos operativos: coger un modelo de 30B, partirlo en dos y escribir tokens en paralelo, con el ahorro de latencia como argumento central del diseño.

Para 𝕏 @Marktechpost (Marktechpost Ai), el mérito está en resolver una tensión conocida de los modelos de difusión: pedir a una misma red que represente el contexto limpio y elimine ruido a la vez fuerza a los pesos en direcciones contrarias, y separar ambas funciones es lo que aquí cambia.

𝕏 @xiaojianjian567 (Polo1.4) aporta la cifra ausente en los anuncios oficiales: atribuye a la arquitectura de dos torres una mejora de 2,42x en el rendimiento de generación, y subraya que el modelo es de código abierto.

Más información:
📎 Nemotron-Labs-TwoTower: Diffusion Language Modeling with Pretrained Autoregressive Context

Si sigues 1 Minuto de IA, ya lo sabes: en 2026 la IA ha dado un salto con la llegada de los agentes. El reto ya no está en mejorar la productividad individual, sino en transformar cómo trabaja toda la organización.

Y por eso quiero hablarte del Máster Ejecutivo en IA del Instituto de Inteligencia Artificial. Un programa para entender la IA de verdad y cambiar tu futuro profesional, por el que ya han pasado más de 1.000 alumnos.

Inscríbete antes de este viernes 3 de julio para aprovechar el descuento especial de early-bird. Además, por ser lector puedes utilizar el cupón 1MINUTODEIA300 para obtener 300€ de descuento adicionales.

👉 Reserva tu plaza o descarga el programa

¿Qué pasó ayer? En un minuto:

1. Anthropic vuelve a desplegar Claude Fable 5 a nivel global después de que Comercio retirase los controles de exportación que lo bloquearon durante casi tres semanas.

2. Anthropic lanza Claude Sonnet 5, su modelo intermedio ahora más orientado a la autonomía: planifica tareas, usa navegadores y terminales y revisa su propio trabajo. Promete rendimiento cercano a Opus 4.8 a un precio menor.

3. Google DeepMind saca dos modelos generativos con la vista puesta en el precio: Nano Banana 2 Lite, su modelo de imagen más rápido y barato, y Gemini Omni Flash para edición de vídeo. Google se centra en el coste por generación, no en la calidad bruta.

4. Etched irrumpe en el mercado con su primer chip funcional para inferencia, 800 millones levantados y más de 1.000 millones en contratos ya firmados.

5. Un estudio sobre 21.559 empresas estadounidenses concluye que las que más invierten en IA elevan plantilla en torno a un 10%, no la recortan.

6. Figure despliega su humanoide F.03 en la planta de BMW en Spartanburg, en tareas logísticas de preparación ordenada de componentes para el montaje final.

7. Bridgewater ha ajustado un modelo con Tinker para filtrar qué noticias financieras merecen atención de sus analistas. La empresa afirma que rinde más y cuesta menos que un modelo frontera.

8. OpenAI lanza GeneBench-Pro, un benchmark que mide si los agentes saben moverse en datos biológicos desordenados y tomar decisiones con criterio.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Anthropic recupera Fable 5 tras levantar controles de exportación

Anthropic ha anunciado que Claude Fable 5, su modelo público más potente, vuelve a estar disponible en todo el mundo tras la retirada de los controles de exportación que el Departamento de Comercio de EE. UU. había impuesto sobre él y sobre Claude Mythos 5. La restricción llegó el 12 de junio: el gobierno aplicó controles que obligaban a limitar el acceso a ciudadanos extranjeros dentro y fuera del país.

Como la orden tuvo efecto inmediato y la empresa no podía verificar la nacionalidad en tiempo real, optó por suspender ambos modelos para todos los usuarios. Los controles se levantaron el 30 de junio, tras varias conversaciones con la administración. Mythos 5, más sensible por su uso en ciberseguridad defensiva, seguirá limitado a organizaciones estadounidenses seleccionadas mientras Anthropic negocia una ampliación controlada.

El episodio nació de una alerta de seguridad: investigadores de Amazon detectaron una forma de saltarse parte de las barreras de Fable 5 para obtener información sensible sobre vulnerabilidades de software. Anthropic sostiene que el caso no reveló capacidades únicas de Mythos 5 y afirma haber reforzado sus filtros, que ahora bloquean la técnica reportada en más del 99% de los casos. También admite que, a corto plazo, algunos usos rutinarios de programación podrían verse afectados por la activación de esos filtros.

El episodio muestra hasta qué punto la política de exportación condiciona la disponibilidad de modelos frontera, sobre todo los que destacan en programación y ciberseguridad. Los modelos de IA más avanzados empiezan a comportarse como infraestructura regulada. Y aunque finalmente el gobierno de EE.UU.. haya levantado la suspensión, sienta un precedente que tendrá importantes repercusiones geopolíticas aún por determinar.

Para 𝕏 @levie (Aaron Levie), este caso funciona como el primer precedente de cómo se gestionarán los lanzamientos de modelos frontera con capacidades serias de programación y ciberseguridad, y adelanta que GPT-5.6 pasará probablemente por un proceso parecido.

𝕏 @emollick (Ethan Mollick), que tuvo acceso anticipado, valora mucho el modelo pero reconoce que la retirada le retrasó varios proyectos y que activó los mecanismos de seguridad con demasiada frecuencia por motivos poco evidentes; ahora espera ver cómo se comportan los nuevos filtros.

𝕏 @tunguz (Bojan Tunguz) rebaja el optimismo al constatar que los nuevos clasificadores dejan a Fable poco útil para programar a corto plazo, después de haberse alegrado por la reincorporación.

𝕏 @WesRoth (Wes Roth) apunta un detalle operativo extraído de las cadenas de la app: el acceso a Fable 5 podría exigir verificación de identidad y facturarse mediante un sistema de créditos separado del plan del usuario.

𝕏 @testingcatalog (Ai News | Testingcatalog) subraya el matiz de facturación: el uso gratuito dentro del límite semanal es temporal y expira el 7 de julio, cuando Fable 5 pasa a depender de créditos de pago.

Más información:
📎 Redeploying Claude Fable 5

2. Anthropic lanza Claude Sonnet 5 para agentes

Anthropic ha lanzado Claude Sonnet 5, su modelo intermedio más orientado a la autonomía. Lo presenta como capaz de planificar tareas de varios pasos, usar herramientas como navegadores y terminales, revisar su propio trabajo y completar trabajos complejos que las versiones anteriores dejaban a medias. El posicionamiento es claro: rendimiento cercano al de Opus 4.8, pero a menor coste. En SWE Bench Pro, un benchmark de resolución de problemas de programación, Sonnet 5 puntúa 63,2%, frente al 58,1% de Sonnet 4.6. El precio promocional reportado ronda los 2 dólares por millón de tokens de entrada y 10 por millón de salida, con ventana de contexto opcional de 1 millón de tokens y corte de conocimiento en enero de 2026.

El lanzamiento coincide con una fase de fuerte expansión para la compañía: se han mencionado inversiones de Nvidia y Microsoft por hasta 15.000 millones de dólares, un compromiso de 30.000 millones en cómputo de Azure y una solicitud confidencial de salida a bolsa. El foco del sector se ha desplazado de la conversación a la ejecución de flujos completos, donde el coste por tarea y la fiabilidad pesan tanto como la calidad bruta. El despliegue es inmediato para todos los usuarios en Claude y en la API, y el modelo está disponible en AWS a través de la plataforma nativa de Claude. Las puntuaciones independientes de Agent Arena aún no se han publicado.

El salto en SWE Bench Pro es el argumento que más subraya 𝕏 @testingcatalog (Ai News | Testingcatalog), que sitúa a Sonnet 5 muy cerca de Opus 4.8 pero a un coste sensiblemente menor, el ángulo comercial más obvio del lanzamiento.

𝕏 @levie (Aaron Levie) aporta la validación desde el lado cliente: Box ha pasado el modelo por su propio benchmark de trabajo documental empresarial y sostiene que mantiene calidad de primer nivel en tareas de varios pasos, superando a Sonnet 4.6 en varios apartados.

Para 𝕏 @WesRoth (Wes Roth), lo relevante es la capacidad de retomar trabajos complejos que los Sonnet anteriores dejaban sin terminar, aunque advierte que Anthropic promete mejoras sin acompañarlas de cifras concretas en el propio anuncio.

𝕏 @arena (Arena.Ai) enmarca el modelo dentro de su terreno de pruebas, evaluándolo en millones de tareas reales de largo alcance con acceso a búsqueda web, sistema de archivos y terminal, y lo posiciona como alternativa más barata frente a Opus, GPT-5.5 y Gemini Pro.

Más información:
📎 Introducing Claude Sonnet 5

3. Google lanza Nano Banana 2 Lite y Omni Flash

Google DeepMind ha presentado dos modelos de generación multimedia en la familia Gemini. Nano Banana 2 Lite, identificado como Gemini 3.1 Flash-Lite Image, genera imágenes en menos de cuatro segundos a 0,034 dólares por cada mil. Gemini Omni Flash se centra en la generación y edición conversacional de vídeo, a 0,10 dólares por segundo, la misma tarifa que Veo 3.1 Fast. El interés aquí es comercial más que técnico: Google compite en precio en un segmento donde el coste por generación decide la adopción. Ambos están disponibles en Google AI Studio, la Gemini API y la Gemini Enterprise Agent Platform. Nano Banana 2 Lite llega en despliegue general; Omni Flash, en preview público.

La Interactions API permite encadenar los dos modelos: generar una imagen con el primero y animarla con el segundo, con historial de sesión para apilar hasta tres ediciones seguidas. Nano Banana 2 Lite también aparece en el modo IA de las búsquedas y la app de Gemini. Las imágenes generadas incorporan la marca de agua invisible SynthID para señalar su origen. En la Text-to-Image Arena, el modelo de imagen entra quinto con 1.251 puntos; en Text-to-Video, Omni Flash ocupa el segundo puesto sobre datos aún preliminares.

Para 𝕏 @digg (Digg), el anuncio es ante todo una jugada de precio: los 4 segundos por imagen a 0,034 dólares por millar y el vídeo editable a 0,10 dólares por segundo pesan más que cualquier mejora de calidad bruta.

𝕏 @OfficialLoganK (Logan Kilpatrick) apuesta por que la velocidad de Nano Banana 2 Lite abrirá casos de uso sensibles a la latencia, y espera que Omni haga con el vídeo lo que Nano Banana hizo con la imagen.

𝕏 @arena (Arena.Ai) sitúa a Nano Banana 2 Lite en la frontera de Pareto: calidad cercana a la de un buque insignia por una fracción del coste, quinto puesto en Text-to-Image y casi 40 puntos por delante del siguiente en edición de vídeo.

𝕏 @mark_k (Mark Kretschmann) había anticipado las dudas sobre su naturaleza: si sería un sucesor de Nano Banana 2 o una variante más ligera basada en Gemini Flash Lite, hipótesis que el lanzamiento acabó confirmando.

𝕏 @WesRoth (Wes Roth) enmarca el modelo como herramienta de experimentación rápida y alto volumen, con resultados de texto a imagen en torno a cuatro segundos.

Más información:
📎 Start building with Nano Banana 2 Lite and Gemini Omni Flash

4. Etched aparece en escena para competir con Nvidia

La empresa Etched ha salido de la cueva con el anuncio de su primer chip funcional y un sistema de inferencia a escala de rack. La compañía afirma haber completado un tapeout A0 satisfactorio y levantado 800 millones de dólares, con más de 1.000 millones en contratos de clientes ya firmados. Su valoración se sitúa en 5.000 millones. La propuesta apunta a Nvidia en la inferencia, la fase de ejecución de modelos ya entrenados. El diseño cubre prefill y decode, las dos etapas de la inferencia de los grandes modelos de lenguaje basados en la arquitectura Transformer.

El interés por la inferencia responde a un cálculo de negocio: cuando el uso de modelos se generaliza, el coste por consulta pesa tanto como la calidad bruta, y ahí un hardware especializado puede competir con la infraestructura dominante. La arquitectura de Etched apuesta por una interconexión intensiva de su memoria. El ancho de banda de la memoria es un cuello de botella conocido en las cargas de inferencia a escala de rack. No se han publicado benchmarks de rendimiento independientes ni fechas de disponibilidad general de los sistemas.

El detalle técnico que subraya 𝕏 @SemiAnalysis_ (Semianalysis) es la cantidad de enlaces SerDes en la memoria a escala de clúster de Etched, señal de que el eje del diseño es la interconexión y no solo el cómputo.

𝕏 @gabriel1 (Gabriel) lleva la lectura al terreno de la tesis de mercado: sostiene que la inferencia será el mayor mercado del mundo y que la demanda de inteligencia es prácticamente ilimitada, una afirmación aspiracional sin cifras que la respalden.

Más información:
📎 Etched: Frontier Inference Clusters

5. Un estudio vincula la adopción de IA con más empleo

La idea de que la inteligencia artificial está provocando una ola inmediata de despidos empieza a mostrar más matices. Un nuevo análisis de Ramp y Revelio Labs, basado en datos de casi 22.000 empresas estadounidenses entre 2021 y 2026, concluye que las compañías que invierten con más intensidad en IA aumentaron su plantilla un 10,2% en los dos años posteriores a su adopción. En los puestos de entrada, el crecimiento fue incluso mayor: un 12%. El trabajo cruza datos de gasto por empresa con series de empleo, un enfoque más granular que las encuestas al uso.

El hallazgo alimenta un debate ya abierto: análisis del Budget Lab de Yale, con Brookings, sostienen que la IA generativa no ha provocado disrupciones laborales relevantes desde ChatGPT, y el BCE apunta en la misma línea, ligando la IA a mejoras de productividad sin destrucción neta de puestos. El informe también advierte que los efectos tardan entre seis y doce meses en aparecer, porque las organizaciones necesitan aprender a trabajar con estas herramientas.

También es necesario leer los resultados con cautela. La correlación no implica causalidad: las empresas que más invierten en IA suelen ser grandes, jóvenes y dinámicas, factores que por sí solos explican tanto la contratación como el gasto tecnológico. El propio estudio se apoya en gasto declarado como indicador de adopción, no en medición directa del uso, y no aísla los despidos por función frente al crecimiento neto agregado.

El estudio funciona para 𝕏 @DavidSacks (David Sacks) como una 'violación de la narrativa' dominante: muestra que las firmas que más invierten en IA aumentan empleo en lugar de recortarlo.

Aporta datos propios 𝕏 @levie (Aaron Levie): una encuesta de Box a más de 1.600 empresas medianas y grandes coincide con lo observado por Ramp, más adopción de IA junto a mayor crecimiento de plantilla, aunque su papel como proveedor del sector invita a leerlo con distancia.

Carga contra el sensacionalismo previo 𝕏 @Dan_Jeffries1 (Daniel Jeffries): sostiene que predicciones extremas, como la desaparición del 50% del trabajo de oficina, dominaron los titulares porque el miedo vende, mientras las estimaciones prudentes pasaban desapercibidas.

Advierte 𝕏 @c_valenzuelab (Cristóbal Valenzuela) que la evidencia puede pesar poco frente a la percepción: las narrativas virales sobre empleo, consumo de agua o muerte de la creatividad se propagan por su carga emocional más que por su veracidad.

Más información:
📎 A New Look at AI’s Impact on Jobs

6. Figure lleva su humanoide 03 a BMW

Figure AI ha llevado su nuevo robot humanoide Figure 03 a la planta de BMW Group en Spartanburg, Carolina del Sur, en un nuevo paso para automatizar tareas industriales que hasta ahora eran difíciles de resolver con robots tradicionales. La prueba se realiza en el Hall 52, una zona dedicada a ensamblaje y logística, y llega tras el despliegue de Figure 02 en 2025, que contribuyó a la producción de 30.000 vehículos BMW X3.

La novedad no está solo en el robot, sino en el tipo de trabajo. Figure 03 ya no se limita a cargar piezas de chapa en una línea: ahora aborda tareas de “secuenciación”, es decir, seleccionar y colocar componentes en el orden correcto para alimentar la producción. En la práctica, esto exige adaptarse a piezas que no siempre llegan en la misma posición, moverlas con precisión y, al mismo tiempo, arrastrar carros pesados por la línea.

Figure atribuye ese salto a Helix 02, su modelo propietario de píxeles a acciones, que coordina manos, brazos, torso y pies para manipular piezas finas mientras el robot se reposiciona y arrastra un carro metálico pesado sobre ruedas. BMW consigue más flexibilidad en fábrica, automatización de tareas físicamente exigentes y una posible reducción de cuellos de botella en logística interna. No obstante, la compañía ya había señalado que estas pruebas sirven para evaluar qué aplicaciones industriales pueden escalarse de forma segura antes de una adopción más amplia

El punto diferencial para 𝕏 @Figure_robot (Figure) es la manipulación dinámica de material que, según la empresa, resulta inviable con automatización fija o brazos de seis ejes, y que justifica la forma humanoide en las tareas de secuenciación.

La noticia es una ampliación de la relación con BMW para 𝕏 @xmaquina (Xmaquina): tras once meses de Figure 02 en producción, Figure 03 asume ahora la preparación ordenada de componentes para el ensamblaje final.

El historial operativo funciona como aval a ojos de 𝕏 @roboticomarket (Robotico): los once meses de Figure 02 en el body shop, ligados a más de 30.000 X3, dan base real al despliegue en logística.

En clave de sustitución de empleo en fábrica lo enmarca 𝕏 @LockedIn_News (Lockedin), un titular más alarmista de lo que confirman los propios datos de Figure sobre alcance y unidades.

Más información:
📎 F.03 Arrives at BMW

7. Bridgewater afina un modelo con Tinker

Thinking Machines Lab, el laboratorio de IA de Mira Murati, ha publicado un caso de uso de Tinker, su plataforma de ajuste fino de modelos. El cliente es Bridgewater, uno de los mayores fondos de cobertura del mundo. El trabajo parte de un problema cotidiano en firmas de inversión: equipos inundados por noticias, informes, documentos corporativos, emails y análisis internos. La dificultad no está en acceder a la información, sino en separar la señal del ruido. Según el estudio, los modelos líderes probados (incluidas variantes de Gemini, Claude y GPT) rondaban inicialmente una precisión cercana al 50% en seis tareas financieras simples. Con mejores instrucciones, subieron hasta el entorno del 75%, pero seguían por debajo del umbral del 80% que los inversores consideraban necesario para confiar en el sistema en su flujo de trabajo diario.

La mejora llegó al entrenar un modelo específico con datos etiquetados por expertos. El resultado: una precisión media del 84,7%, frente al 78,2% del mejor modelo generalista evaluado, y un coste por tarea 13,8 veces menor. La lectura en clave empresarial es que el valor de la IA en sectores intensivos en conocimiento puede depender menos de usar el modelo más potente del mercado y más de entrenar sistemas con el criterio propio de cada organización. Thinking Machines posiciona Tinker, su API para ajustar modelos abiertos sin gestionar infraestructura de GPU, como una pieza clave para facilitar esa personalización.

El marco que defiende 𝕏 @miramurati (Mira Murati) es el de una IA que refuerza al experto en lugar de sustituirlo: Bridgewater aporta el conocimiento financiero, el laboratorio la capacidad técnica y el analista se concentra en lo relevante.

El ángulo económico es el argumento principal para 𝕏 @soumithchintala (Soumith Chintala): el modelo ajustado sobre Tinker sería más efectivo y más barato que cualquier modelo frontera, aunque lo plantea sin cifras que permitan contrastarlo.

La lógica de producto que apunta 𝕏 @eisokant (Eiso Kant) está en la velocidad de iteración con 'The Model Factory', pensada para reducir la fricción entre idea y resultado y acortar el ciclo de experimentación de los investigadores.

Más información:
📎 Learning to Replicate Expert Judgment in Financial Tasks

8. OpenAI presenta GeneBench-Pro para biología computacional

OpenAI ha presentado GeneBench-Pro, una nueva prueba diseñada para medir si los agentes de inteligencia artificial pueden enfrentarse a análisis complejos en biología computacional, un área clave para farmacéuticas, biotecnológicas y compañías de salud. A diferencia de los test tradicionales, no evalúa solo si un modelo sabe ejecutar una tarea, sino si puede tomar buenas decisiones cuando los datos son incompletos, ambiguos o difíciles de interpretar.

El benchmark incluye 129 problemas en campos como genómica, diagnóstico clínico, cáncer, farmacogenómica y medicina traslacional. OpenAI asegura que cada ejercicio ha sido construido para saber con precisión cuál es la respuesta correcta, evitando que los modelos “acierten” por atajos o por decisiones arbitrarias del evaluador. El mejor modelo probado por OpenAI, GPT-5.6 Sol, alcanza una tasa de acierto del 31,5% en modo Pro, lo que muestra avances rápidos. Aún así, la propia compañía admite que los agentes actuales siguen siendo demasiado poco fiables para sustituir a expertos humanos.

Este benchmark encaja con un interés creciente por llevar los agentes a dominios científicos aplicados, donde el valor está en el proceso analítico y no solo en el resultado. La biología es un terreno exigente: cerca del 90% de los fármacos fracasa en ensayos clínicos, y afinar la fase de análisis podría tener consecuencias directas en la investigación.

El énfasis de 𝕏 @OpenAI (Openai) está en medir un tipo de progreso más exigente que las tareas cerradas: la capacidad de los agentes para elegir la ruta de análisis correcta cuando los datos biológicos llegan desordenados.

𝕏 @WesRoth (Wes Roth) lee GeneBench-Pro como un giro hacia agentes autónomos capaces de razonar en escenarios ambiguos, precisamente porque descarta el conocimiento factual y los flujos predefinidos para centrarse en detectar problemas en datos ruidosos.

Más información:
📎 Introducing GeneBench-Pro

¿Qué pasó ayer? En un minuto:

1. La inversión en infraestructura de IA está empujando la economía de EE.UU. mientras el gasto de los hogares pierde impulso.

2. Meta libera Brain2Qwerty v2, un sistema que convierte actividad cerebral en texto sin necesidad de cirugía, logrando un 61% de precisión en el mejor caso.

3. Claude ya está disponible en Azure, junto a los modelos de OpenAI. El cliente empresarial puede combinar ambos competidores bajo una sola cuenta.

4. Crece la sospecha de que regular los modelos frontera se plantea como arma competitiva, no como medida de seguridad.

5. National Design Studio publica Rampart, un modelo en local que permite la utilización de modelos frontera ocultando los datos personales.

6. Claude Code pasará a ejecutar sus subagentes en segundo plano por defecto y Cline lanza una tarifa plana mensual sobre modelos de pesos abiertos.

7. CXMT se consolida como el cuarto productor mundial de DRAM, sin que su nueva capacidad baste para revertir la escasez que hay en el mercado.

8. Los LLMs destacan por su capacidad generalista, al escalar mejoran simultáneamente en múltiples tareas no relacionadas, sin que esas ganancias se busquen por separado.

9. Arena, que empezó como un proyecto universitario, alcanza un run rate de 100 millones de dólares ocho meses después de lanzar su producto de evaluación.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. La inversión en IA sostiene el crecimiento de EE. UU.

Los últimos datos de EE. UU. dibujan una economía menos fuerte de lo que sugiere el titular, pero con un motor muy claro: la inversión empresarial en tecnología e inteligencia artificial. El PIB del primer trimestre fue revisado al alza, hasta el 2,1% anualizado desde el 1,6% previo. Pero la mejora no vino de un consumidor más fuerte, sino sobre todo de una corrección en las importaciones, que restan en el cálculo del PIB. De hecho, la demanda privada doméstica, una medida más limpia del pulso interno, fue revisada a la baja hasta el 1,7%.

El resto de los datos también exige cautela. En mayo, los ingresos personales y el gasto subieron un 0,7%, pero parte del avance de los ingresos se debió a pagos extraordinarios de ayuda agrícola. Al mismo tiempo, la inflación PCE, la referencia seguida por la Reserva Federal, alcanzó el 4,1% interanual. La señal más relevante para las empresas está en la inversión. Los pedidos de bienes duraderos cayeron un 4,5%, pero el dato estuvo distorsionado por el transporte y los aviones; excluyendo transporte, los pedidos subieron un 1,3%. Además, los pedidos de bienes de capital básicos, un indicador de inversión empresarial futura, repuntaron un 1,6%, con Reuters apuntando a la demanda vinculada a inteligencia artificial y equipos de procesamiento de información.

En resumen: el consumo ofrece menos tracción, la inflación y los aranceles siguen presionando márgenes, pero la inversión en infraestructura de IA continúa actuando como uno de los principales soportes del ciclo. La oportunidad se concentra en compañías capaces de vender equipos, software, energía, centros de datos y servicios productivos. De hecho, la construcción de centros de datos y capacidad eléctrica en Estados Unidos avanza a un ritmo que recuerda al despliegue de infraestructura de los primeros años de Internet, sin visos de ralentizarse.

La analogía de 𝕏 @Suhail (Suhail) con el despliegue temprano de Internet apunta a que estos ciclos de construcción intensiva suelen habilitar capacidades que antes se habían descartado por inviables, de modo que el valor real de los centros de datos estaría en lo que harán posible después.

Para 𝕏 @SemiAnalysis_ (Semianalysis), la expansión de infraestructura de IA no muestra señales de revertir a la media, y por eso el sector gana tamaño frente al conjunto de la economía a un ritmo rápido.

2. Meta abre Brain2Qwerty v2, su decodificador cerebral no invasivo

Meta ha presentado Brain2Qwerty v2, la nueva versión de su sistema que convierte actividad cerebral en texto sin implantes ni cirugía. Desarrollado por Meta FAIR en colaboración con el BCBL (Basque Center on Cognition, Brain, and Language), el sistema decodifica frases en tiempo real a partir de señales de magnetoencefalografía (MEG), con ajuste fino de grandes modelos de lenguaje para añadir contexto semántico. La compañía liberará el código de entrenamiento de las versiones v1 y v2, mientras que el BCBL publica el conjunto de datos de v1; los datos de v2 siguen bajo embargo hasta la aceptación del paper.

El salto relevante está en la precisión: Meta afirma que Brain2Qwerty v2 alcanza un 61% de acierto medio por palabray hasta 78% en el mejor participante. La decodificación no invasiva suele rendir muy por debajo de los implantes, y Meta sostiene que estos resultados se acercan a niveles antes reservados a técnicas quirúrgicas. El objetivo declarado es la comunicación asistida para personas con lesiones cerebrales. Aunque en términos prácticos, sigue lejos de una solución lista para pacientes o empresas sanitarias.

La decisión de 𝕏 @AIatMeta (Ai At Meta) de liberar el código de entrenamiento de v1 y v2 junto al dataset del socio BCBL encaja con su línea de publicar artefactos abiertos, una vía para que la comunidad académica reproduzca y extienda el trabajo sin partir de cero.

𝕏 @alexandr_wang (Alexandr Wang) enmarca el lanzamiento dentro del esfuerzo de los equipos de IA de Meta en interfaces cerebro-ordenador no invasivas, situándolo como apuesta de investigación más que como producto cercano al mercado.

𝕏 @Web3Maxx (Maxx) lo lleva al terreno especulativo al imaginar programar directamente con el cerebro, una reacción que ilustra cómo el anuncio se interpreta fuera del contexto clínico para el que está pensado.

Más información:
📎 From Brain Waves to Words: Brain2Qwerty Offers a New Path to Communication Without Surgery

3. Claude llega a Microsoft Foundry sobre Azure

Anthropic ha puesto sus modelos Claude en disponibilidad general dentro de Microsoft Foundry, la plataforma de desarrollo de IA empresarial de Microsoft, alojados en Azure. n la práctica, esto significa que las empresas ya pueden usar los modelos de Anthropic desde su cuenta de Azure, con los mismos sistemas de identidad, facturación, redes, gobierno y control de datos que ya emplean en su infraestructura cloud. El matiz importante es que Anthropic es el rival directo de OpenAI, cuyos modelos también se sirven desde Azure desde que Microsoft y OpenAI firmaran un acuerdo en exclusiva, que se rompió en el mes de Abril.

Microsoft subraya que Claude se integra con Foundry Agent Service, lo que permite crear “agentes” capaces de ejecutar tareas de varios pasos, como asistir a equipos de software, analizar grandes volúmenes de documentos o automatizar procesos internos. Con este movimiento, Microsoft ofrece a sus clientes dos proveedores de IA de frontera compitiendo dentro de la misma infraestructura, con una única cuenta, identidad, políticas de seguridad, facturación y herramientas de gobernanza compartidas. Para una organización, eso elimina la fricción de combinar varios modelos sin multiplicar contratos ni entornos separados.

Microsoft se está colocando sin ruido como el 'sistema operativo neutral' de la IA de frontera, sostiene 𝕏 @WesRoth (Wes Roth): al alojar a un competidor directo de OpenAI junto a sus propios socios, convierte Azure en una capa de distribución multimodelo más que en el escaparate de un único proveedor.

Más información:
📎 Claude in Microsoft Foundry is now generally available

4. El código abierto reabre el debate regulatorio en IA

El debate sobre la IA de código abierto vuelve a calentarse en torno a un punto concreto: si la regulación se plantea como arma competitiva más que como medida de seguridad. La tesis que circula es que para algunos actores, frenar los modelos frontera en abierto con normas resulta más eficaz que superarlo en méritos técnicos. No es un argumento nuevo. Quienes lo sostienen recuerdan que el software libre despertó recelos parecidos hace dos décadas, cuando los modelos propietarios dominaban y los abiertos empezaban a ganar terreno en servidores.

Ese paralelismo histórico se usa hoy como munición retórica para defender que la apertura impulsa competencia, transparencia y autonomía del usuario frente al riesgo de quedar atado a un único proveedor que puede cambiar las reglas o cortar el acceso. El fondo también es geopolítico: parte de la discusión gira sobre si EE. UU. debe controlar el acceso a sus mejores modelos o asumir que los abiertos, incluidos los chinos, seguirán ganando cuota en la capa de modelo.

El aviso de 𝕏 @Suhail (Suhail) va dirigido a quienes, según él, prefieren regular el frontier abierto antes que competir con él: una forma de captura competitiva disfrazada de prudencia.

El gatekeeping y la integración vertical, sostiene 𝕏 @levie (Aaron Levie), solo funcionan si el stack cerrado se mantiene siempre en la frontera por un margen amplio; deja entrever que esa premisa de liderazgo perpetuo es la pieza más frágil del argumento.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) lo lleva al terreno del control del usuario: oponerse al código abierto, dice, equivale a querer conservar la capacidad de vigilar, cambiar las reglas y revocar el acceso a voluntad.

𝕏 @SemiAnalysis_ (Semianalysis) rescata una cita de Bill Gates en 2001 que calificaba a Linux de 'camino muy peligroso', un recordatorio de que los recelos hacia la apertura no son nuevos.

𝕏 @firesidealpha (Fireside Alpha) desplaza el foco al coste por unidad de inteligencia, recogiendo la idea de Levie de que la IA se encarece no por ineficiencia, sino porque el apetito por tareas mayores supera las mejoras de eficiencia.

5. Modelos para usar datos personales

National Design Studio ha presentado Rampart, una herramienta abierta diseñada para resolver un problema crítico de la IA generativa: evitar que datos personales (PII) salgan del dispositivo antes de enviarse a un chatbot o a un proveedor externo. La solución revisa el texto en el navegador y sustituye nombres, direcciones, correos, tarjetas u otros identificadores por marcadores temporales; después, restaura la información solo en el equipo del usuario. La tesis es potente para empresas: aquello que nunca llega al servidor tampoco queda expuesto en registros, proveedores, analítica o incidentes posteriores.

El atractivo está en su bajo coste operativo. Rampart se distribuye como un paquete de 14,7 MB, funciona en milisegundos y puede integrarse en productos web sin enviar el texto sin filtrar a la nube. En pruebas internas sobre 30.000 registros en siete idiomas de escritura latina, el sistema afirma haber eliminado el 98,42% de los términos privados, con resultados similares en inglés y español.

Para banca, seguros, salud, recursos humanos o atención al cliente, esto no elimina la necesidad de gobierno de datos, auditoría y controles contractuales, pero sí reduce una fricción clave: desplegar asistentes de IA con menor exposición inicial de información sensible. NDS lo presenta como una primera línea de defensa y reconoce limitaciones en nombres escritos en alfabetos no latinos, ataques deliberados y ciertos identificadores gubernamentales.

Más información:
📎 Introducing Rampart

6. El mercado de los agentes de código se acelera

Anthropic prepara una nueva versión de Claude Code en la que los subagentes se ejecutarán en segundo plano por defecto. El usuario podrá seguir conversando con el modelo mientras esas tareas avanzan en paralelo; bastará pedírselo a Claude para mantener un agente en primer plano. El objetivo son flujos más asíncronos: menos esperas y delegación de subtareas dentro de una arquitectura de múltiples agentes.

Por otro lado, Cline ha lanzado ClinePass, una suscripción de tarifa plana que abre acceso a una selección de modelos de codificación de pesos abiertos dentro de su asistente de programación. El catálogo inicial incluye GLM 5.2, Kimi K2.7 Code, DeepSeek V4 Pro, MiniMax-M3 y Qwen3.7, con un coste predecible en lugar del pago por tokens. La oferta arranca en 4,99 $ el primer mes y sube luego a 9,99 $ mensuales, con posibles cargos adicionales de procesamiento. La propuesta llega en un momento en el que los modelos abiertos han recortado distancia frente a los sistemas cerrados de mayor coste. Cline sostiene que su ventaja está en el “harness”: la capa que conecta el modelo con el entorno de trabajo, el código, los comandos, las pruebas y las revisiones.

El anuncio de 𝕏 @bcherny (Boris Cherny) lo plantea en términos prácticos: los subagentes en segundo plano permiten seguir hablando con Claude mientras trabajan, y solo hay que pedírselo para llevarlos al primer plano.

La fricción que estos cambios quieren reducir la describe 𝕏 @antor (Andrés Miguel Torrubia Sáez): la necesidad constante de interrumpir a los agentes para que no sobreingenieríen componentes ni reimplementen código que ya existe en el proyecto.

Su rutina actual la detalla 𝕏 @morganlinton (Morgan): pide a Claude que decida cuándo arrancar una sesión nueva al llenarse la ventana de contexto, y sugiere al equipo automatizar ese paso de preparación.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog), el valor de ClinePass está en apostar solo por modelos de pesos abiertos integrados en el harness que los desarrolladores ya usan, frente al pago por uso de las soluciones cerradas.

Más información:
📎 ClinePass, Best of Value for Open-Weight models

7. CXMT irrumpe como cuarto fabricante global de DRAM

CXMT, fabricante chino de memoria, ya es el cuarto mayor productor mundial de DRAM, según el análisis de SemiAnalysis. Lleva meses ampliando capacidad y prevé nuevas inversiones apoyadas en un flujo de caja sólido, lo que introduce un cuarto actor relevante en un mercado repartido hasta ahora entre tres grandes. La memoria importa por una razón directa: su oferta condiciona el coste y la disponibilidad de servidores e infraestructura de IA, así que los hyperscalers vigilan cada movimiento de capacidad. La entrada de CXMT no desmontará el actual superciclo en el mercado de la memoria, que presenta en un déficit de oferta muy significativo. Aunque la firma china sume obleas, no es suficiente para corregir esa escasez ni para bajar los precios.

El otro frente es el cómputo de IA. SemiAnalysis sostiene que el entrenamiento de Claude corre en TPUs de Google y que buena parte de la inferencia de Claude Code se ejecuta en chips Trainium de AWS, algo impensable hace un año y un indicio de que la ventaja del ecosistema CUDA de Nvidia se erosiona poco a poco. Añade que el diseño original del Rubin Ultra se ha cancelado por dudas en el proceso de fabricación y se ha sustituido por una versión de la mitad de tamaño y rendimiento. Nvidia ya no se puede permitir ningún fallo si quiere seguir liderando.

El propio 𝕏 @SemiAnalysis_ (Semianalysis) sale al paso de quienes leen su investigación sobre CXMT como una señal bajista para la memoria: a su juicio, ese encuadre ignora que el ciclo actual se define por la escasez, no por el exceso de oferta.

También apunta 𝕏 @SemiAnalysis_ (Semianalysis) que Nvidia debe ser agresivo en la ejecución si quiere mantener su posición dominante en un mercado cada vez más competitivo.

Más información:
📎 China’s CXMT Is Set to Challenge DRAM Incumbents

8. La generalidad de los modelos como rasgo definitorio

Para 𝕏 @emollick (Ethan Mollick), una característica singular e inesperada de los grandes modelos de lenguaje es su generalidad: la capacidad de un mismo sistema para rendir en dominios sin relación aparente. La observación de fondo es que un modelo mayor que ha visto más información tiende a mejorar también en ideación, consejo ético, medicina o matemáticas, sin que esas ganancias se busquen por separado. Esa correlación entre capacidades es poco habitual en otras tecnologías y sostiene buena parte de la lógica de inversión del sector. Porque escalar un único modelo generalista promete avances simultáneos en muchas tareas, frente al desarrollo de sistemas especializados en una única vertical. Sin embargo, la mejora no es homogénea y hay áreas donde el progreso no acompaña al resto. La escritura de ficción sigue siendo el ejemplo recurrente de capacidad que no escala al ritmo de las demás.

9. Arena llega a 100M de ingresos anualizados

Arena, antes conocida por su leaderboard público de modelos de IA, afirma haber alcanzado una tasa de ingresos anualizada (run rate) de 100 millones de dólares, ocho meses después de lanzar su producto de evaluación. La compañía nació como proyecto de investigación en Berkeley con un objetivo claro: medir el progreso de los modelos a través de su uso real. Su plataforma se sostiene sobre evaluación comunitaria: los usuarios chatean con distintos modelos, los comparan y votan, y generan un ranking de sistemas de lenguaje, imagen y código. Ese mecanismo se ha convertido en una referencia para situar modelos en un mercado saturado de lanzamientos, donde los benchmarks cerrados pierden credibilidad rápido.

Arena enmarca su crecimiento en el giro del sector desde chatbots hacia agentes que asumen tareas más largas y autónomas, un cambio que complica la medición del rendimiento y eleva la demanda de evaluación fiable. Sus ingresos proceden de vender su plataforma como un sistema de integración continua para los laboratorios de modelos, evaluándolos sobre uso real antes del despliegue oficial.

El equipo de 𝕏 @arena (Arena.Ai) sitúa el salto de chatbots a agentes que ejecutan tareas más largas como el factor que dispara la necesidad de medir capacidades sobre uso real, no en pruebas aisladas.

Más información:
📎 Arena Reaches $100M in 8 Months

¿Qué pasó el fin de semana? En un minuto:

El fin de semana nos deja una conclusión clara para las empresas: la geopolítica ya forma parte de la estrategia de adopción de la inteligencia artificial. La ventaja competitiva ya no dependerá solo de quién sepa aplicar mejor la IA en su sector, sino también de quién tenga acceso a los modelos más avanzados, quién controle ese acceso y bajo qué condiciones.

El lanzamiento limitado de GPT-5.6 marca un cambio de época. OpenAI presenta una generación más capaz, especialmente en ciberseguridad, análisis biológico y agentes de largo recorrido, pero su distribución inicial estará coordinada con el Gobierno de Estados Unidos. El precedente es relevante: los próximos saltos de capacidad podrían quedar sujetos a filtros regulatorios, creando empresas de “primera” y “segunda” velocidad según su acceso a modelos frontera.

En paralelo, crece la presión por alternativas de pesos abiertos. Modelos como GLM-5.2 muestran que parte del trabajo corporativo podría ejecutarse de forma más barata, local y flexible, aunque la dependencia de pocos proveedores, la mayoría de ellos chinos, limita la soberanía real. En este contexto, Reino Unido, con Cosine, entra en la carrera por crear modelos soberanos que reduzcan la dependencia tecnológica con otros países.

El impacto laboral también se acelera. Anthropic observa un desplazamiento hacia tareas agénticas más largas: la IA deja de asistir conversaciones y empieza a ejecutar trabajo. Como consecuencia, sube el estándar mínimo de calidad en documentos, código, análisis y entregables.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

GPT-5.6 llega con el freno del gobierno americano

OpenAI ha iniciado la vista previa limitada de GPT-5.6, una nueva familia de modelos formada por Sol, su versión más avanzada; Terra, una opción equilibrada para trabajo diario; y Luna, diseñada para velocidad y menor coste. La compañía afirma que Terra ofrece un rendimiento competitivo frente a GPT-5.5 a la mitad de precio, mientras que Luna será su modelo más económico dentro de esta generación.

La novedad llega con un lanzamiento que no será masivo desde el primer día. OpenAI empezará con un grupo reducido de socios de confianza, en coordinación con el Gobierno de Estados Unidos, antes de ampliar el acceso a ChatGPT, Codex y la API en las próximas semanas. La compañía sostiene que este modelo de acceso gubernamental no debería convertirse en la norma, pero lo presenta como una medida temporal ante el aumento de capacidades en áreas sensibles como ciberseguridad.

La compañía sitúa la ciberseguridad como dominio central de Sol, su modelo más capaz en investigación y explotación de vulnerabilidades de largo recorrido, un terreno sensible por su doble uso. OpenAI intenta anticiparse al riesgo reputacional y regulatorio reforzando controles, revisiones en tiempo real y sistemas para detectar usos indebidos persistentes. Según su tarjeta de seguridad, los modelos se clasifican como de alta capacidad en riesgos de ciberseguridad y biológicos, aunque no alcanzan el umbral crítico definido por la propia compañía.

El impacto inmediato de esta nueva norma de despliegues es la incertidumbre regulatoria para los laboratorios; pero lo más trascendental es el acceso controlado por el gobierno a partir de ahora para cualquier salto de capacidad. Esto puede provocar un panorama de empresas con dos velocidades según el modelo al que tengan acceso, o dicho de otro modo, según la influencia que tengan con el gobierno de los Estados Unidos, que es quien aprueba la lista de socios preferentes.

La lectura más optimista llega de 𝕏 @levie (Aaron Levie), que ve a GPT-5.6 especialmente sólido para trabajadores del conocimiento con uso intensivo de herramientas y agentes de ejecución prolongada, y niega que la IA esté chocando contra ningún muro.

𝕏 @WesRoth (Wes Roth) avisa de que el precedente pesa más que el desenlace: aunque Fable 5 y GPT-5.6 reciban aprobación, el siguiente modelo podría no obtener la misma respuesta.

𝕏 @braeden_norris (Braeden Norris) se fija en la pendiente de la curva de Sol en ExploitBench y la conecta con el escalado de cómputo en inferencia, lo que apunta a margen de mejora con más tiempo de ejecución.

Más información:
📎 Previewing GPT‑5.6 Sol: a next-generation model

¿Es el momento de los modelos de pesos abiertos?

El debate sobre la IA abierta vuelve al primer plano con una distinción que suele pasarse por alto: una cosa es el movimiento de código abierto y otra los modelos frontera de pesos abiertos. El primero (las capas de orquestación y herramientas que envuelven los modelos, los llamados harnesses, además de enfoques como RAG) avanza con fuerza y de forma comunitaria. El segundo depende hoy casi por completo de unos pocos laboratorios, la mayoría chinos, que liberan sus pesos. Esa asimetría importa: el ecosistema abierto innova en la capa de aplicación, pero la capacidad fundamental sigue concentrada en pocos proveedores y no puede ser asumida por la comunidad de código abierto debido al coste y a la complejidad que tiene el entrenamiento de modelos frontera. Por tanto, cualquier cambio de política de estos proveedores dejaría sin acceso a quienes construyen encima.

Tras las restricciones de Washington al despliegue de modelos frontera, varios actores reclaman un referente estadounidense de código abierto que sirva de contrapeso a las empresas de modelos cerrados, acusadas de impulsar regulación que levante barreras de entrada. Desde China, Zhipu AI (Z.ai) ha acercado los modelos de pesos abiertos a la frontera con GLM-5.2. Presentado en junio de 2026 y orientado a tareas de largo horizonte, ingeniería de sistemas y agentes, no iguala a los modelos propietarios más punteros actualmente disponibles (GPT-5.5 y Opus 4.8), pero rinde de forma muy competitiva en desarrollo de software. La rápida adopción es una señal de su buen desempeño: el modelo ya funciona en Cursor, en Perplexity, en HuggingChat y en local mediante llama.cpp.

Según Clement Delangue, CEO de Hugging Face, la próxima batalla de la inteligencia artificial será quién usa el modelo adecuado para cada tarea. Hasta un 70% de las consultas que hoy se envían a modelos de frontera podrían ejecutarse en modelos locales, más baratos y rápidos. Sin embargo, la adopción corporativa de modelos abiertos sigue siendo limitada. Autoalojar un modelo abierto y ajustado para cada empleado obliga a actualizarlo, gobernarlo y construir conectores, una carga que pocas empresas asumen frente a la comodidad de las marcas conocidas.

La precisión conceptual que reclama 𝕏 @emollick (Ethan Mollick) es el eje del debate: el movimiento de código abierto es vibrante, pero los modelos frontera de pesos abiertos cuelgan de la buena voluntad de unas pocas firmas chinas, una dependencia que considera frágil.

𝕏 @tunguz (Bojan Tunguz) introduce escepticismo sobre el techo del modelo abierto: duda que, si los grandes actores van en serio, vayan a permitir que cualquiera posea el hardware capaz de ejecutar los modelos de gama alta.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) acusa a las empresas de modelos cerrados de alimentar el miedo entre los políticos para capturar el mercado vía regulación, y reclama un referente estadounidense de código abierto que sirva de contrapeso.

𝕏 @arena (Arena.Ai) defiende su veredicto con diez ejemplos de los mismos prompts entregados a ambos modelos en una sola pasada, situando a GLM-5.2 por delante de Opus 4.8 en tareas de frontend votadas por la comunidad.

𝕏 @WesRoth (Wes Roth) subraya la consistencia de GLM-5.2: aparece ya en los tres leaderboards de Scale SWE Atlas (Codebase QnA, Test Writing y Refactoring), no solo en una métrica aislada.

Reino Unido lanza su proyecto de LLM soberano

La startup británica Cosine ha reunido a un grupo de grandes empresas e instituciones del Reino Unido para diseñar Lumen Sovereign, un modelo de inteligencia artificial pensado para operar en sectores donde la seguridad, el control de datos y la dependencia tecnológica ya son asuntos de negocio claves. La coalición incluye compañías de defensa, banca, telecomunicaciones y servicios profesionales, además de The Alan Turing Institute.

El argumento de fondo es la dependencia: sin capacidades propias, el país queda atado a modelos de las grandes tecnológicas estadounidenses y a laboratorios chinos. Por tanto, el proyecto se presenta como una alternativa soberana a los grandes modelos extranjeros. En términos simples, la promesa es que las organizaciones puedan usar IA avanzada sin enviar datos sensibles fuera de su propio entorno tecnológico, incluso en sistemas completamente aislados de Internet.

Lumen Sovereign se entrenará en Reino Unido sobre Isambard-AI, el superordenador de la Universidad de Bristol, dentro del programa público Sovereign AI, dotado con hasta 500 millones de libras para apoyar compañías británicas de IA. Cosine apunta a tener el modelo listo para despliegue hacia finales de 2026.

El proyecto encaja en una corriente internacional que busca recortar esa dependencia por seguridad, competitividad y control de datos. Pero construir un modelo de frontera dentro de las fronteras nacionales es caro y técnicamente exigente. España ya fue pionera de este tipo de iniciativas con el proyecto ALIA, con una familia de modelos entrenados en las lenguas oficiales sin apenas descargas en la plataforma HuggingFace donde está alojado.

Alistair Pullen, CEO de Cosine, habla en 𝕏 @MLStreetTalk (Machine Learning Street Talk) de la frustración que empuja esta apuesta: le ‘hierve la sangre’ que los británicos se hayan convertido en ‘ciudadanos de segunda clase’ en IA por no tener capacidades propias.

La IA redefine los estándares del trabajo

Anthropic ha actualizado su Economic Index, el informe con el que mide el impacto económico de Claude, y los cambios de método pesan tanto como las cifras. Hace un año el uso era sobre todo conversación entre usuario y asistente; ahora dominan las tareas agénticas de larga duración con Claude Code y Cowork. Para captar ese giro, la compañía muestrea datos cada hora, añade un clasificador que etiqueta la salida de cada conversación y separa resultados de chat, Cowork y API.

El informe también sugiere que las tareas de mayor valor económico consumen más capacidad de IA. Las conversaciones asociadas a ocupaciones mejor pagadas tienden a ser más largas, más complejas y con mayor intervención tanto del usuario como del modelo. Anthropic interpreta este patrón más como una señal de aumento de productividad que de sustitución directa del trabajador.

El informe incluye también una encuesta, basada en unos 9.700 usuarios vinculados a datos de uso, que revela una expectativa fuerte de cambio: cerca de seis de cada diez creen que la IA podrá hacer una mayor parte de sus tareas en los próximos 12 meses. Menos del 10% cree que perderá su propio empleo en un año, pero más de un tercio sitúa por encima del 60% la probabilidad de que la pierda un compañero junior. Aun así, los usuarios que más delegan en Claude son también los más optimistas sobre salario, empleabilidad y valor de sus habilidades.

Para 𝕏 @RichardSocher (Richard Socher), la difusión de la IA eleva el listón mínimo de lo aceptable en diapositivas, hojas de cálculo y documentos, hasta el punto de que entregar una calidad por debajo de la que produce la herramienta complicará conservar el empleo.

𝕏 @paulg (Paul Graham) lleva el dilema a la formación: en cada tarea escolar el uso de IA debería estar explícitamente obligado o prohibido, sin término medio, porque los alumnos necesitan aprender a usarla y a pensar por sí mismos.

𝕏 @pmarca (Marc Andreessen) reduce la competencia clave a una idea, "learn to ship", que separa el saber entregar (diseñar, depurar, comunicar) del mero escribir código.

Más información:
📎 Anthropic Economic Index report: Cadences

¿Qué pasó ayer? En un minuto:

1. El lanzamiento de GPT-5.6 se ha congelado tras una petición del gobierno federal, según The Information. Para el sector implica la revisión previa de todos los modelos que superan ciertos umbrales de cómputo o capacidad.

2. OpenAI afirma que sus agentes ya transforman el trabajo en todos sus departamentos, con Codex asumiendo tareas más largas y variadas.

3. Los agentes de programación abaratan tanto la ejecución que el valor se desplaza al juicio humano: explorar opciones es barato, decidir bien no.

4. DeepReinforce publica Ornith-1.0, una familia de modelos de pesos abiertos orientados a la programación y con rendimiento cercano a los modelos frontera.

5. Google añade Study Notebooks a Gemini: lecciones personalizadas a partir de los materiales que sube cada estudiante, gratis y con tests de práctica.

6. Cuando generar texto con IA sea la opción por defecto, escribir sin ayuda se convertirá en una elección consciente como disciplina mental.

7. Gemma 4 ha superado los 200 millones de descargas en dos meses y medio, el doble de lo que sumaba toda la familia al lanzar Gemma 3.

8. Lilian Weng publica un artículo técnico sobre las leyes de escalado que permiten anticipar el reparto óptimo entre datos y tamaño de modelo antes de gastar en cómputo.

9. Hugging Face cruza los 100 millones de dólares de ARR (ingresos recurrentes anuales) y demuestra que el repositorio de modelos abiertos tiene un negocio detrás.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

El Gobierno de EE.UU. quiere revisar modelos antes de lanzarlos

Según The Information, la Administración Trump ha pedido a OpenAI que no lance de forma abierta su próximo gran modelo, GPT-5.6, en una dinámica parecida a la que habría afectado al despliegue de Claude Fable 5 de Anthropic. Sam Altman habría comunicado internamente que el acceso a GPT-5.6 estaría limitado a un pequeño grupo de socios aprobados uno por uno por el Gobierno estadounidense.

El movimiento marca un cambio relevante para el negocio de la inteligencia artificial: Washington quiere supervisar los modelos más avanzados antes de que lleguen al mercado, por temor a que puedan facilitar ciberataques, exponer infraestructuras críticas o acabar en manos de actores extranjeros considerados hostiles. La lectura que circula en el sector es que esto supone una regulación de facto: modelos que superan ciertos niveles de capacidad o que se entrenan con determinados volúmenes de cómputo podrían pasar por una revisión gubernamental.

La decisión llega después de una orden ejecutiva firmada el 2 de junio de 2026 para crear un marco voluntario de revisión de modelos avanzados antes de su lanzamiento amplio. Ese marco busca equilibrar dos prioridades en tensión: mantener el liderazgo de EE.UU. en inteligencia artificial y evitar que los modelos más potentes se conviertan en una vulnerabilidad estratégica.

Para 𝕏 @levie (Aaron Levie) regular la IA es un dilema del prisionero a escala global: la cooperación entre laboratorios solo se sostiene si nadie deserta, y el incentivo individual a acelerar rompe cualquier pacto de freno voluntario.

𝕏 @emollick (Ethan Mollick) descarta que el código abierto funcione como resquicio: la regulación no lo tratará como exento, y los desarrolladores de modelos abiertos podrían afrontar requisitos parecidos a los de los propietarios.

𝕏 @testingcatalog (Ai News | Testingcatalog) lo resume como una nueva realidad: que el gobierno de EE.UU. exija aprobación previa al lanzamiento de un modelo cambia las reglas de publicación de los laboratorios.

𝕏 @DotCSV (Carlos Santana) califica la situación de preocupante y se pregunta si esto va a ralentizar la salida de los modelos de frontera estadounidenses por motivos de seguridad.

Más información:
📎 Trump Administration Asks OpenAI to Stagger Release of New Model Over Security Concerns

OpenAI extiende los agentes a toda la empresa

OpenAI asegura que el trabajo en todos sus departamentos se está transformando con agentes: sistemas de IA que ejecutan tareas de forma autónoma en lugar de limitarse a responder. La compañía dice que sus empleados usan Codex, su herramienta de programación, en tareas más complejas, de mayor duración y cada vez más interdepartamentales, y presenta ese uso interno como anticipo de cómo las herramientas agénticas podrían reorganizar el trabajo en todas las organizaciones.

En OpenAI, Codex ha pasado de representar menos del 10% del uso medio de IA por empleado en agosto de 2025 a convertirse en la herramienta principal en todos los departamentos, incluidos legal, finanzas y recruiting. El cambio significativo es que el fenómeno ya no se limita a programadores. OpenAI afirma que el uso entre perfiles no técnicos creció 137 veces para usuarios individuales y 189 veces para usuarios de organizaciones desde agosto de 2025. En funciones de negocio, Codex se usa para automatización, análisis de datos, transformación de información y tareas técnicas antes reservadas a especialistas.

Para 𝕏 @emollick (Ethan Mollick), los datos internos de OpenAI funcionan como 'canario en la mina': la era del chatbot habría terminado y los sistemas agénticos llegarían a tareas más allá de la ingeniería. Añade un matiz de campo: la mayoría de empresas no piensa en dar a cada empleado un modelo autoalojado y ajustado, porque los usuarios finales quieren marcas conocidas.

𝕏 @gdb (Greg Brockman) sostiene que la adopción de agentes va muy rápida y acelera el trabajo, y ofrece el uso dentro de OpenAI como ejemplo de ese ritmo.

𝕏 @SuperhumanMail (Superhuman Mail) ilustra la expansión de Codex fuera del código: integra flujos de correo y calendario ejecutables desde la propia herramienta, con contexto de las apps conectadas.

Más información:
📎 How agents are transforming work

El criterio humano gana valor frente a la ejecución

El uso de agentes de IA en programación está reordenando dónde reside el valor del trabajo de ingeniería. Codex, el asistente de OpenAI, genera decenas de variantes de una página en minutos, pero la elección final sigue siendo humana: la IA explora bien y decide mal. Ese reparto, con la persona supervisando el bucle, se consolida como práctica habitual. La codificación agéntica impone además una disciplina concreta. Un agente no accede al conocimiento tácito de un equipo; solo lee contratos de API y docstrings, así que las interfaces limpias y la documentación explícita pasan de buena práctica a requisito operativo.

El flujo que describe 𝕏 @gabriel1 (Gabriel) resume la nueva división del trabajo: pedir a Codex veinte variantes de una página y quedarse manualmente con la cuarta, porque los modelos generan opciones rápido pero su juicio para decidir es poco fiable.

Para 𝕏 @fchollet (François Chollet), programar con agentes obliga a diseñar interfaces limpias y bien documentadas, porque un agente no lee el modelo mental implícito de un equipo, solo sus contratos de API y docstrings. Añade un matiz sobre el oficio: cuando cae el coste de ejecutar, el valor se desplaza al criterio, la estrategia y la visión de arquitectura.

Ornith-1.0: nueva familia de modelos para programar

DeepReinforce ha publicado Ornith-1.0, una nueva familia de modelos de pesos abiertos orientados a tareas de programación asistida por IA. La gama incluye versiones desde 9.000 millones de parámetros para ejecución en local hasta un modelo insignia de 397.000 millones, disponibles en Hugging Face bajo licencia MIT, lo que facilita su uso comercial y adaptación por empresas.

La propuesta destaca porque Ornith no solo genera código: también ha aprendido con un entrenamiento específico a construir parte del “andamiaje” que guía el trabajo de un agente de software, como la forma de organizar tareas, usar herramientas o verificar soluciones. En términos prácticos, esto apunta a agentes de programación más autónomos y menos dependientes de flujos diseñados manualmente por equipos humanos.

Según los resultados publicados por DeepReinforce, el modelo Ornith-1.0-397B alcanza 82,4 en SWE-bench Verified y 77,5 en Terminal-Bench 2.1, dos pruebas usadas para medir capacidades en desarrollo de software. La compañía lo sitúa entre los modelos abiertos más competitivos de su categoría, aunque estos datos deben leerse como métricas reportadas por el proveedor y no como una validación independiente.

Más información:
📎 DeepReinforce releases Ornith-1.0 open-source coding models

Gemini integra cuadernos de estudio gratuitos

Google ha lanzado Study Notebooks en la app de Gemini, una nueva función que transforma el asistente de IA en un entorno de aprendizaje más estructurado y adaptativo. La herramienta permite a los estudiantes subir temarios, apuntes o materiales de clase para generar cuestionarios de diagnóstico, detectar lagunas de conocimiento y crear lecciones breves ajustadas a sus necesidades.

El movimiento refuerza la apuesta de Google por llevar la IA generativa al mercado educativo, un sector donde compiten tanto grandes tecnológicas como nuevas plataformas especializadas. La función incluye un panel de progreso que divide los objetivos de aprendizaje en más de 100 metas específicas, recomienda las próximas lecciones y clasifica el avance por fortalezas, áreas de mejora o temas pendientes. Google también incorpora preparación para exámenes como el SAT, con preguntas de The Princeton Review, y anuncia la llegada de más pruebas estandarizadas este verano, entre ellas ACT, GRE, JEE, NEET y ENEM.

Los Study Notebooks empiezan a desplegarse globalmente en cuentas personales y en los idiomas donde Gemini está disponible. Llegarán a cuentas escolares, incluidos menores de 18 años, en las próximas semanas; por ahora funcionan en web y tendrán soporte móvil más adelante este verano.

Desde 𝕏 @GeminiApp (Google Gemini) defienden el anclaje a los materiales del propio curso como la clave del enfoque: las lecciones se ajustan al rendimiento en los cuestionarios en vez de ofrecer contenido genérico.

Para 𝕏 @WesRoth (Wes Roth), lo relevante es que el espacio sea interactivo y gratuito, capaz de construir lecciones alrededor de los objetivos concretos de cada estudiante a partir de lo que sube.

Más información:
📎 5 ways to learn with study notebooks in the Gemini app

Escribir sin IA, de hábito a señal

En X ha cogido fuerza un debate sobre el papel de los modelos de lenguaje en la escritura, alimentado por varias figuras del ecosistema de startups. La tesis es que cuando generar texto con IA pase a ser la opción por defecto, escribir sin ayuda dejará de ser una necesidad para volverse una decisión deliberada. La comparación más repetida equipara escribir a mano con correr o levantar pesas pese a existir máquinas que hacen ese esfuerzo: un ejercicio voluntario que se mantiene por sus beneficios, no por obligación. El argumento se apoya en un vínculo clásico entre escribir y pensar con claridad. Si se delega la redacción, se externaliza parte del razonamiento, lo que perfila una separación entre una mayoría que produce texto mediante LLMs y una minoría que conserva la escritura como práctica.

Hay un matiz incómodo: si escribir sin asistencia gana prestigio, atraerá tanto a quienes lo practican como a quienes solo quieren aparentarlo. El telón de fondo es la proliferación de texto automático en correos, informes y comunicaciones corporativas, buena parte del cual quizá nunca tenga un lector humano. El ensayo que ancla la discusión, 'Writes and Write-Nots', se publicó en octubre de 2024 y predice que en un par de décadas quedará poca gente capaz de escribir bien. Esta conversación es de momento cultural y no se apoya en estudios sobre el efecto de los LLMs en la capacidad de pensar de las personas.

La paradoja que plantea 𝕏 @naval (Naval) lleva el argumento al extremo: si la IA escribe el texto, debería leerlo también, una forma de señalar cuánto contenido automático carece de destinatario humano real.

Prescindir de los LLMs no será una manía personal, sostiene 𝕏 @paulg (Paul Graham), sino la marca de quienes se toman en serio pensar bien: una elección inusual, pero deliberada.

Más información:
📎 Writes and Write-Nots

Gemma 4 alcanza 200 millones de descargas

Google ha anunciado que Gemma 4, la última generación de su familia de modelos abiertos, supera los 200 millones de descargas en sus primeros dos meses y medio. Para situar la cifra, recuerda que el conjunto acumulado de toda la familia Gemma rondaba los 100 millones cuando lanzó Gemma 3. La adopción se ha duplicado, por tanto, en un periodo más corto.

El posicionamiento del modelo apunta a la inteligencia ejecutable en el propio dispositivo, sin depender de la nube. Esa orientación encaja con la corriente del sector hacia modelos más ligeros que priorizan privacidad, latencia baja y funcionamiento sin conexión, un terreno donde Gemma compite con familias abiertas como Llama de Meta o Qwen de Alibaba.

𝕏 @googlegemma (Google Gemma) atribuye el salto a la comunidad de desarrolladores y enmarca los 200 millones frente a los 100 millones que sumaba la familia entera al lanzar Gemma 3, como prueba de aceleración.

𝕏 @OfficialLoganK (Logan Kilpatrick) pone el énfasis en la ejecución local: presenta Gemma 4 bajo la idea de inteligencia para todos en el propio dispositivo, una apuesta por reducir la dependencia de la nube.

Lilian Weng publica su guía sobre leyes de escalado

Lilian Weng ha publicado en su popular blog técnico Lil'Log la entrada 'Scaling Laws, Carefully', un texto que tenía pendiente desde hace más de tres años. El artículo repasa las leyes de escalado, uno de los hallazgos empíricos que sostienen buena parte del aprendizaje profundo actual. La idea es sencilla en su forma: la función de pérdidas del entrenamiento (L) baja de manera predecible al aumentar el tamaño del modelo (N), el del dataset (D) y el cómputo (C), siguiendo una ley de potencias que aparece como una recta en escala logarítmica.

Como el cómputo es caro, estas curvas permiten estimar la asignación óptima entre datos y modelo antes de comprometerse a un entrenamiento masivo. El flujo habitual consiste en ajustar las curvas con unas pocas ejecuciones pequeñas y extrapolar para calcular los requisitos de tokens y cómputo de modelos mayores. La publicación ha tenido amplia repercusión en la comunidad técnica china, donde Weng es conocida como ex-alumna de la Universidad de Pekín.

La motivación que ofrece 𝕏 @lilianweng (Lilian Weng) es puramente económica: como cada ejecución grande cuesta dinero, las leyes de escalado sirven para razonar sobre el reparto óptimo entre datos y tamaño del modelo antes de comprometer el presupuesto.

Más información:
📎 Scaling Laws, Carefully | Lil'Log

Hugging Face supera los 100M de ARR

Hugging Face ha superado los 100 millones de dólares de ingresos recurrentes anuales (ARR). La cifra confirma que la plataforma de referencia para alojar y compartir modelos de IA de código abierto ha encontrado una monetización sólida sobre un repositorio que durante años funcionó como bien público para desarrolladores. La empresa promociona la ejecución de la IA en local sin pasar por la nube. El objetivo de este enfoque es mayor privacidad, control de datos y menor coste frente a las APIs propietarias. El negocio combina suscripciones empresariales, cómputo gestionado y alojamiento sobre esa base de modelos. La empresa no ha desglosado la composición del ARR ni el ritmo de crecimiento que lo sostiene.

Con la guía 'Welcome to Open Source AI: Run Your Own Models Locally', 𝕏 @huggingface (Hugging Face) coloca la ejecución en local como argumento central frente a las APIs cerradas, apelando a control, privacidad y coste.

¿Qué pasó ayer? En un minuto:

1. OpenAI y Broadcom anuncian Jalapeño, su primer chip propio, pensado solo para inferencia de modelos de lenguaje. El foco está en el rendimiento por vatio: la energía es hoy el límite real de la expansión de la IA.

2. Anthropic acusa a Alibaba de haber copiado capacidades de Claude mediante “destilación”, entrenando modelos propios con millones de respuestas obtenidas de forma presuntamente fraudulenta.

3. Varias plataformas de productividad llevan la IA del uso individual al colaborativo: ClickUp lanza Brain², con GPT, Claude y Gemini bajo una suscripción y contexto de empresa. Notion y Anthropic avanzan en la misma dirección.

4. Google prepara el control por voz de Gemini en cualquier app de macOS con 'Speak to Window', y publica 'Computer Use' para Gemini 3.5 Flash, que opera interfaces de navegador, móvil y escritorio.

5. OpenAI ha actualizado GPT-5.5 Instant, su modelo más usado en ChatGPT sobre todo en los planes gratuitos: el cambio afina tono, intención y usabilidad conversacional, sin cifras de rendimiento que lo respalden.

6. El reto de la IA en las empresas pasa a ser cómo rediseñar la organización: integrar agentes, decidir qué se externaliza y redefinir el papel de las personas.

7. Waymo rebasa los 220,6 millones de millas sin conductor y sostiene que su seguridad no se ha resentido al expandirse a aeropuertos y nuevas ciudades.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. OpenAI presenta Jalapeño, su chip con Broadcom

OpenAI ha anunciado Jalapeño, su primer chip de IA, diseñado internamente y llevado a producción con Broadcom. Está pensado para inferencia de grandes modelos de lenguaje, es decir, la ejecución de los modelos que sostienen ChatGPT, Codex, la API y los futuros productos agénticos, no para entrenamiento. La promesa es más capacidad, menor coste energético y respuestas más rápidas. OpenAI asegura que las primeras pruebas muestran una mejora “sustancial” en rendimiento por vatio frente al estado actual del mercado, aunque todavía no ha publicado datos técnicos definitivos. La compañía prevé desplegar esta plataforma a escala de gigavatios con socios de centros de datos, en varias generaciones.

El anuncio marca un paso clave en la estrategia de OpenAI para controlar más partes de su infraestructura, desde los modelos hasta el hardware que los hace funcionar. Para Broadcom, el acuerdo refuerza su posición como proveedor clave de chips personalizados para grandes tecnológicas. Para OpenAI, reduce su dependencia de procesadores externos, especialmente en un mercado dominado por Nvidia y tensionado por la enorme demanda de capacidad de cómputo.

Para 𝕏 @OpenAI (Openai), los chips son la base sobre la que se construye toda la IA, y diseñar el suyo desde cero es la vía para ajustar el hardware a sus propias cargas de trabajo en lugar de adaptarse a las de otros.

𝕏 @testingcatalog (Ai News | Testingcatalog) sitúa el dato a vigilar en el rendimiento por vatio y el despliegue a escala de gigavatios, una señal de que el cuello de botella ya no es solo conseguir chips, sino alimentarlos y refrigerarlos.

𝕏 @DotCSV (Carlos Santana) pone el foco en que Jalapeño está hecho específicamente para inferencia y ajustado al roadmap de OpenAI, no como pieza de propósito general, lo que explica que prioricen eficiencia sobre flexibilidad.

𝕏 @SemiAnalysis_ (Semianalysis) considera que ir del diseño inicial al tape out en nueve meses es lo más llamativo del proyecto, un ritmo poco habitual en desarrollo de silicio.

Más información:
📎 OpenAI and Broadcom unveil LLM-optimized inference chip

2. Anthropic acusa a Alibaba de copiar capacidades de Claude

Anthropic ha acusado a Alibaba de haber extraído de forma ilícita capacidades de su modelo de inteligencia artificial. Según una carta enviada a dos miembros del congreso de EE.UU., la empresa sostiene que el grupo chino llevó a cabo el mayor ataque conocido de este tipo contra Anthropic, mediante una técnica conocida como “destilación”: entrenar un modelo propio usando las respuestas de otro más avanzado.

El caso es relevante porque toca uno de los puntos más sensibles del negocio de la IA: proteger inversiones multimillonarias en desarrollo tecnológico frente a competidores que podrían replicar capacidades a menor coste. Según informaciones publicadas por Reuters y otros medios, Anthropic afirma que la campaña se realizó entre el 22 de abril y el 5 de junio de 2026, con más de 28,8 millones de intercambios a través de casi 25.000 cuentas fraudulentas, presuntamente asociadas a Alibaba y Qwen, su laboratorio de IA. Anthropic ya había advertido en febrero de campañas similares atribuidas a DeepSeek, Moonshot AI y MiniMax

La acusación llega además en un momento de creciente presión regulatoria en Estados Unidos para limitar el acceso de compañías chinas a tecnología avanzada de IA. Alibaba no ha respondido públicamente a las acusaciones recogidas por Reuters. Pero el episodio refuerza una tendencia de fondo: la IA se está convirtiendo en un activo estratégico comparable al software crítico, los chips o la propiedad intelectual industrial. Para los negocios, esto anticipa más controles, más litigios y una competencia internacional mucho menos abierta.

Más información:
📎 Anthropic says Alibaba illicitly extracted Claude AI model capabilities

3. La IA agéntica se instala en el trabajo

Varias plataformas de productividad presentan a la vez agentes de IA que actúan dentro del espacio de trabajo. ClickUp ha relanzado su capa de IA como Brain², que reúne GPT, Claude y Gemini bajo una única suscripción y los alimenta con el contexto de la empresa: tareas, documentos y apps conectadas como Google Drive, GitHub o Slack mediante el Model Context Protocol (MCP). El sistema elige el modelo más adecuado para cada paso y puede cambiarlo a mitad de ejecución. Sobre esa base ofrece 'Super Agents', agentes personalizados que ejecutan flujos de forma continua y conservan memoria entre sesiones.

Notion sigue la misma vía con External Agents, que incorpora Claude y Cursor a los tableros compartidos: se les asignan tareas, se les menciona con @ y se revisa su trabajo sin salir de la herramienta. Anthropic también lleva Claude a Slack como recurso compartido del equipo. El patrón común es desplazar la IA del uso personal al colaborativo, integrada en el flujo existente. Pero la adopción empresarial va a depender más de la gobernanza: ClickUp afirma respetar los permisos de cada usuario, citar fuentes en cada respuesta y mantener certificación ISO 42001 y retención cero de datos.

𝕏 @testingcatalog (Ai News | Testingcatalog) subraya que la pieza diferencial de Brain² son los ‘Super Agents’ con memoria persistente y permisos respetados, un intento de pasar del asistente que describe el trabajo al que lo ejecuta de forma autónoma.

Para 𝕏 @levie (Aaron Levie), el matiz decisivo del Claude en Slack es que deja de ser una conversación privada 1:1 y pasa a un compañero compartido al que recurre todo el equipo, en línea con la ola de sistemas agénticos que ya vimos en codificación.

𝕏 @WesRoth (Wes Roth) destaca que con External Agents de Notion los agentes se tratan como un miembro más: se les asigna trabajo desde el tablero y se revisa su salida sin saltar entre aplicaciones, lo que reduce la fricción del cambio de contexto.

𝕏 @PodcastAlphaX (Podcast Alpha) cuestiona la tesis de que los agentes vacían el SaaS: Levie cuenta que tras conectar el MCP de Salesforce a Claude usa Salesforce cinco veces más, y prevé cien veces más agentes que personas.

Más información:
📎 ClickUp Brain² | One AI to Replace them All

4. Google lleva Gemini al escritorio de macOS

Google extiende Gemini más allá del navegador y el móvil, hacia el escritorio. Según avances filtrados, la app para macOS sumará tres funciones de voz. La principal es 'Speak to Window': manteniendo pulsada la tecla fn en cualquier ventana abierta, el usuario dicta instrucciones por voz, como redactar un correo, sin entrar en la app de Gemini. Va acompañada de un 'Magic Pointer', que permite resaltar información en cualquier ventana y pedir a Gemini que actúe sobre ese contenido. La idea es reducir la fricción de copiar, pegar y cambiar de aplicación. Estas funciones siguen en prueba y podrían cambiar antes de llegar al público general.

En paralelo, Google ha publicado 'Computer Use' para Gemini 3.5 Flash, una herramienta nativa para crear agentes capaces de operar interfaces de navegador, móvil y escritorio. Alcanza 78,4 en el benchmark OSWorld-Verified, su mejor marca en tareas agénticas según la propia compañía. Otra novedad relacionada, la integración de Street View en Google Flow Agent para generar imágenes y vídeos a partir de ubicaciones reales, funciona por ahora solo con localizaciones de Estados Unidos. Google no tiene el mejor modelo, pero quiere que Gemini compita en productividad apoyándose de los activos únicos de su ecosistema. La promesa es menos fricción, más automatización y asistentes capaces de entender el contexto de trabajo.

El patrón que vigila 𝕏 @testingcatalog (Ai News | Testingcatalog) es que Google busca replicar en el ordenador la experiencia móvil de Gemini, con dictado por voz, 'Magic Pointer' y un Gemini Live rediseñado a pantalla completa.

Para 𝕏 @WesRoth (Wes Roth), 'Computer Use' permite a los desarrolladores crear agentes que ven y operan interfaces de navegador, móvil y escritorio, con usos como pruebas continuas de software o entrada de datos en formularios.

Según 𝕏 @Google Flow ahora se pueden crear escenas “ancladas” en lugares reales, con detalles visuales procedentes del entorno capturado por Street View.

𝕏 @JulianGoldieSEO (Julian Goldie Seo) sitúa el avance de Gemini en Chrome: ya resume páginas largas, compara información entre pestañas abiertas y responde sobre vídeos de YouTube sin salir del navegador.

Más información:
📎 Gemini to get voice dictation and Magic Pointer on desktop
📎 Introducing computer use in Gemini 3.5 Flash

5. OpenAI actualiza GPT-5.5 Instant

OpenAI ha publicado una nueva versión de GPT-5.5 Instant, el modelo que concentra el mayor volumen de uso dentro de ChatGPT. La actualización no busca mejorar el razonamiento bruto ni escalar en benchmarks, sino afinar la experiencia conversacional. La compañía sostiene que el modelo entiende mejor la intención detrás de una pregunta y ajusta tono, nivel de detalle y enfoque a cada consulta. También dice manejar con más fiabilidad las instrucciones con restricciones complejas y mejorar las recomendaciones de compras y lugares.

Que el cambio recaiga sobre el modelo más usado importa por aritmética: una mejora pequeña multiplicada por una base amplia tiene un efecto cotidiano notable, aunque difícil de medir. El anuncio encaja con una tendencia del sector a competir por personalidad y usabilidad del asistente, no solo por capacidad técnica. La comunicación es breve y promocional, sin cifras de rendimiento, comparativas con versiones previas ni evaluaciones independientes. El despliegue empieza por los usuarios de pago de ChatGPT y se extenderá después al resto.

𝕏 @gdb (Greg Brockman) lo vende en clave de tono más que de capacidad, insistiendo en que el modelo es mucho más divertido para hablar e invitando simplemente a probarlo.

𝕏 @WesRoth (Wes Roth) subraya que el despliegue arranca por los suscriptores de pago y en un día a los de planes gratuitos, un detalle que condiciona cuándo notará el cambio la mayoría de usuarios.

𝕏 @MetaEraHK (Me Group) concreta el paquete de novedades en cuatro frentes (comprensión de intención, adaptación de respuesta, restricciones complejas y recomendaciones de compras y locales), todos orientados al uso diario.

6. El impacto de la IA se desplaza al diseño de la empresa

El debate sobre cómo afecta la IA al trabajo está cambiando de plano: deja de ser una decisión técnica del departamento de IT para convertirse en una cuestión de diseño organizativo. La tesis que defienden estos días varios analistas del sector es que las preguntas relevantes ya no son qué modelo usar, sino cómo integrar agentes en los flujos de trabajo, qué tareas conviene delegar en sistemas externos, dónde quedan las fronteras de la empresa y qué papel reservan a las personas.

La IA reabre un viejo debate económico sobre qué se produce dentro y qué se externaliza, ahora reformulado por los agentes autónomos. A esto se suma un segundo argumento: la capacidad de los modelos actuales ya supera con creces lo que las organizaciones han sabido aprovechar. Esa brecha entre lo disponible y lo aplicado bastaría para reconfigurar muchos procesos en los próximos cinco años, aunque el desarrollo técnico se detuviera hoy, algo que no va a ocurrir. La ventaja competitiva dependería entonces menos de comprar herramientas punteras y más de rediseñar procesos y redefinir roles.

Para 𝕏 @emollick (Ethan Mollick), adoptar IA ya no se delega en IT: integrar agentes, decidir qué inteligencia externalizar y dónde acaba la empresa son decisiones de alta dirección.

𝕏 @paulg (Paul Graham) ve la mayor ventaja en que las empresas podrán crecer más antes de cruzar los umbrales de 10 y 150 personas, donde los grupos pierden productividad.

𝕏 @tunguz (Bojan Tunguz) lleva la lógica al extremo con el 'unicornio solopreneur': una empresa operada por una sola persona, donde el gasto en tokens superaría con creces el de una plantilla de cien empleados.

𝕏 @levie (Aaron Levie) añade el ángulo de costes: el mercado se polariza entre modelos de frontera caros y modelos abiertos baratos, y la clave estará en exprimir la eficiencia de los primeros.

7. Waymo supera 220 millones de millas autónomas

Waymo ha anunciado que supera los 220 millones de millas en modo totalmente autónomo, sin conductor humano al volante. La compañía afirma que su rendimiento en seguridad se mantiene constante pese al crecimiento, y que los márgenes se han ido acumulando incluso al entrar en entornos más exigentes, como aeropuertos y ciudades nuevas. Para sostenerlo remite a su Safety Data Hub y a su página de Safety Impact, donde compara su tasa de siniestros en trayectos sin conductor (rider-only) con la de conductores humanos en vías urbanas. Su tesis es que el Waymo Driver evita mejor que las personas los choques con heridos, lesiones graves o despliegue de airbags. La seguridad demostrable y la transparencia son hoy el principal filtro para la adopción de la conducción autónoma y para su aceptación regulatoria y pública.

Por otro lado, Zoox, la filial de conducción autónoma que Amazon compró en 2020 por 1.300 millones de dólares, ha presentado el rediseño de su robotaxi, un vehículo de cabina simétrica sin volante ni pedales, concebido solo para autonomía. Las novedades son sobre todo de interior: pantallas táctiles de mayor calidad, asientos y reposacabezas más cómodos, y cambios para que el pasajero localice objetos olvidados. También amplía y reubica los reflectores bidireccionales que permiten distinguir el frente de la parte trasera, útiles para otros conductores y para la policía. El rediseño llega antes de dos pasos comerciales: ampliar mercados en Estados Unidos este año y empezar a cobrar por unos trayectos hoy gratuitos. Zoox va muy por detrás de Waymo, el líder estadounidense, que ya supera los 500.000 viajes pagados por semana en diez ciudades y prepara su salto a Londres y Tokio.

El argumento central de 𝕏 @Waymo (Waymo) es que escalar hacia aeropuertos y ciudades nuevas no ha reducido los márgenes de seguridad, sino que los ha ido acumulando a medida que crecía el kilometraje.

Más información:
📎 Waymo Safety Impact
📎 Introducing the next evolution of the Zoox robotaxi

¿Qué pasó ayer? En un minuto:

1. Anthropic lanza Claude Tag: Claude entra en Slack como un compañero más, al que cualquiera puede mencionar para delegarle tareas. La compañía dice que el 65% del código nuevo de su equipo de producto ya lo genera su versión interna.

2. Han circulado las primeras pruebas de Bidi 1, el nuevo modelo de voz de OpenAI capaz de hablar con el usuario sin turnos y cambiar de tarea a media frase. Lo más relevante para desarrolladores es su posible llegada a las APIs, donde habilitaría múltiples casos de uso.

3. ByteDance revela Seedance 2.5 con clips de hasta 30 segundos en una sola generación y lanza una actualización de 2.0 con 4K nativo.

4. NVIDIA lanza BioNeMo Agent Toolkit, una plataforma abierta que da a los agentes de IA herramientas concretas para descubrimiento de fármacos: predicción de proteínas, docking, química generativa y análisis genómico.

5. El Arc Institute presenta Proto, un lenguaje de programación de alto nivel para diseñar proteínas, ADN y ARN como si se escribiera código.

6. Mistral OCR 4 no solo transcribe documentos: localiza el contenido, clasifica los bloques y adjunta puntuaciones de confianza.

7. Las agencias de la alianza Five Eyes advierten de que en meses podrían llegar ciberataques graves con una barrera de entrada para atacantes muy baja gracias a los nuevos modelos avanzados de IA:

8. Microsoft y Chevron firman un acuerdo a 20 años para construir una planta de gas natural que alimentará en exclusiva un campus de centros de datos en Texas.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Anthropic mete a Claude dentro de Slack

Anthropic ha lanzado Claude Tag, una función que suma su modelo Claude a Slack como un miembro más del equipo. La mecánica es directa: se le concede acceso a canales concretos, se le conecta a herramientas, datos y bases de código, y cualquier persona del canal puede mencionarlo con @Claude para delegarle tareas sin dejar de trabajar. Claude acumula contexto recordando información de los canales en los que está y puede planificar tareas para más adelante.

La compañía lo presenta como evolución de Claude Code, ahora más proactiva y pensada para equipos enteros. Aporta una cifra propia: el 65% del código de su equipo de producto ya lo genera su versión interna de la herramienta, que también usan para seguir métricas, gestionar tickets de soporte o localizar el origen de bugs. El control de acceso es central: Claude solo opera sobre los canales, conversaciones y herramientas que la organización autorice de forma explícita. En lo técnico, al etiquetarlo se levanta una instancia con su propio sandbox aislado, que clona repositorios, escribe código, lo prueba y lo compila en ese entorno, que se destruye al terminar. Cada hilo genera una instancia, con memoria y permisos propios por canal. Está disponible desde hoy en beta, solo para clientes de Claude Enterprise y Team, con Slack como única plataforma de uso por ahora.

El creador de Claude Code 𝕏 @bcherny (Boris Cherny) describe usos más ambiciosos que el simple delegar: tiene a Claude vigilando canales de Slack para responder dudas de forma proactiva, redactar PRs y marcar hilos resueltos con emojis concretos, todo configurado en lenguaje natural.

𝕏 @karpathy (Andrej Karpathy) lo lee como un paradigma nuevo de interacción, mucho más integrado en la actividad diaria de toda la organización, aunque advierte de que detrás hay un trabajo de ingeniería considerable para que funcione bien entre herramientas, integraciones, entornos de cómputo y memoria.

Para 𝕏 @levie (Aaron Levie), el atractivo está en el 'software headless': conectar Claude a los archivos corporativos de Box accesibles desde Slack convierte el contenido empresarial en una base de conocimiento portátil que los agentes pueden consultar.

𝕏 @emollick (Ethan Mollick) extrae la lección organizativa: incentivar a empleados para que experimentan con IA da resultados medibles, como la skill /treasury de Cornell que recuperó 100.000 dólares en pagos atrasados.

𝕏 @SemiAnalysis_ (Semianalysis) lo encuadra como respuesta competitiva directa al ordenador de Perplexity, que según ellos ha resultado muy útil internamente, y apunta a que esa utilidad es justo lo que ha empujado a Anthropic a lanzar su alternativa.

Más información:
📎 Introducing Claude Tag \ Anthropic

2. OpenAI prepara Bidi 1, voz bidireccional

Han aparecido las primeras pruebas de Bidi 1, un modelo de voz que OpenAI estaría preparando, según filtraciones recogidas en X. La etiqueta 'bidireccional' apunta a su rasgo central: hablar mientras el usuario todavía habla y cambiar de tarea a mitad de frase, lejos de los turnos rígidos de los asistentes actuales. Entre las capacidades reportadas figuran traducción en tiempo real, canto y generación de sonidos más allá del habla funcional, además de modulación de tono y humor.

La integración se asocia a ChatGPT y, posiblemente, a Codex. La parte que más interesa al desarrollo es su llegada a las APIs de OpenAI: ahí la traducción simultánea o la interacción solapada permitirían productos de terceros en atención al cliente, accesibilidad o comunicación internacional. Conviene tratarlo como adelanto, no como anuncio. El propio nombre 'Bidi 1' figura como provisional en las filtraciones, y OpenAI no ha publicado especificaciones.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog) el verdadero detonante es la traducción en tiempo real: cuando aterrice en las APIs, abriría una pila enorme de casos de uso para construir encima.

Más información:
📎 OpenAI prepares bidirectional voice mode for rollout

3. ByteDance amplía Seedance con vídeo 4K y 30 segundos

ByteDance ha revelado Seedance 2.5 y una actualización de Seedance 2.0, su familia de modelos de generación de vídeo por IA. Dos cambios delimitan el salto. Seedance 2.0 añade salida nativa en 4K, generada a resolución completa. Seedance 2.5 podrá producir clips de hasta 30 segundos en una sola pasada. Duración y resolución son justamente los parámetros más caros en vídeo generativo, donde mantener la coherencia entre fotogramas a lo largo de varios segundos sigue siendo el punto débil de casi todos los modelos.

El lanzamiento encaja con la trayectoria de ByteDance, matriz de TikTok y Douyin, que lleva tiempo invirtiendo en herramientas de creación más allá de sus plataformas de contenido. La actualización incluye una pieza menos comentada: una plataforma de comercialización de derechos de autor con IA, pensada para poder crear vídeos a partir de propiedad intelectual y repartir ingresos. Según los detalles difundidos en chino, los modelos admiten hasta 50 materiales de referencia y aceptan entrada de modelos 3D en blanco para guiar la generación. No hay fecha de lanzamiento oficial de Seedance 2.5, pero Seedance 2.0 4K ya está disponible en la suite de herramientas creativas de Magnific.

4. NVIDIA lanza BioNeMo Agent Toolkit para biología

NVIDIA ha presentado el BioNeMo Agent Toolkit, una plataforma abierta que dota a los agentes de IA de herramientas invocables para ciencias de la vida y descubrimiento de fármacos. El conjunto cubre tareas concretas: predicción de estructura de proteínas, acoplamiento molecular (docking), química generativa y análisis genómico. La idea es que un agente no se limite a generar texto, sino que planifique y ejecute pasos reales de un flujo biomédico, desde la biología temprana hasta el diseño molecular y la ciencia traslacional. La plataforma se apoya en más de una década de librerías y modelos de ciencias de la vida de la compañía.

NVIDIA encadena otro movimiento para vender no solo GPU, sino software vertical que fija a laboratorios y farmacéuticas a su ecosistema. El anuncio llega con una colaboración con Arc Institute en torno a su serie de modelos Evo, orientada a la biología programable. NVIDIA describe la plataforma como de código abierto y disponible en GitHub, pero no ha publicado cifras de rendimiento, comparativas con métodos establecidos ni validaciones independientes de las tareas que dice cubrir.

Desde la investigación, 𝕏 @arcinstitute (Arc Institute) enmarca su trabajo conjunto con NVIDIA en los modelos Evo dentro de una tesis más amplia: que el futuro de la biología será agéntico, apoyado en agentes capaces de razonar sobre problemas científicos.

𝕏 @MilkRoadAI (Milk Road Ai) lanza la cifra más llamativa y menos contrastada: comprimir el proceso más caro de la medicina de doce años a doce meses, un titular que conviene leer como expectativa, no como resultado medido.

𝕏 @KanikaBK (Kanika) subraya el detalle que más reduce barreras de entrada: el toolkit es gratuito, de código abierto y ya está en GitHub, lo que permite probarlo sin compromiso comercial previo.

𝕏 @Snowflake (Snowflake) defiende que el descubrimiento de fármacos no se resuelve con un único modelo, sino con IA agéntica que razona y ejecuta sobre datos empresariales gobernados, el punto donde encaja su integración con la plataforma.

Más información:
📎 Build an AI Scientist for Life Science Discovery with NVIDIA BioNeMo Agent Toolkit

5. Arc Institute lanza Proto para biología generativa

El Arc Institute ha presentado Proto, un lenguaje de programación de alto nivel para biología generativa, desarrollado por el equipo de Brian Hie. La idea es diseñar sistemas de proteínas, ADN y ARN con la lógica de escribir código, o mediante instrucciones en lenguaje natural a un agente de IA. Es un giro respecto al método habitual, basado en ensayo y error y en el cribado de miles de candidatos hasta dar con uno viable. Proto se define como una capa de infraestructura universal y aspira a ser la herramienta de referencia cada vez que aparece un nuevo modelo de IA biológica, para integrarlo o comprobar si ya está disponible. El objetivo declarado es reducir la fricción técnica y estandarizar el acceso a un ecosistema de modelos que crece deprisa. El proyecto es de código abierto e incluye un Command Palette, soporte para MCP, documentación y un preprint asociado.

El planteamiento de 𝕏 @arcinstitute (Arc Institute) es ambicioso: equiparar el diseño de proteínas, ADN y ARN a escribir código o a dictarle la tarea a un agente, una abstracción que acercaría la ingeniería genética a flujos de trabajo familiares para cualquier programador.

Más información:
📎 Proto: A programming language for generative biology

6. Mistral lanza OCR 4 en un mercado saturado

Mistral AI ha presentado Mistral OCR 4, su modelo de comprensión de documentos para extraer información estructurada de imágenes y archivos escaneados. El sistema va más allá de transcribir: localiza dónde aparece cada contenido mediante cajas delimitadoras (bounding boxes), clasifica los bloques del documento por tipo y adjunta puntuaciones de confianza a cada resultado. Esas tres funciones facilitan la verificación humana y la integración en procesos posteriores, un requisito habitual en finanzas, ámbito legal y administración, donde abundan los documentos no estructurados.

Según las cifras difundidas, OCR 4 promedia tasas de éxito del 72% y firma la mejor puntuación general en OlmOCRBench, con 85,20, lo que lo sitúa como competitivo dentro del segmento. El lanzamiento no llega aislado: el mercado de OCR atraviesa una oleada de modelos nuevos, con propuestas recientes como Unlimited-OCR de Baidu. OCR 4 forma parte del componente de ingesta de su producto de búsqueda Search Toolkit que distribuye también en formato de código abierto.

Más información:
📎 Introducing OCR 4

7. Five Eyes alerta

Las agencias de ciberseguridad de la alianza Five Eyes (EE. UU., Reino Unido, Canadá, Australia y Nueva Zelanda) han advertido de que en cuestión de meses, no años, podrían aparecer modelos de IA capaces de habilitar ciberataques graves contra gobiernos y empresas. El riesgo que destacan no es solo más potencia ofensiva, sino una barrera de entrada más baja: atacantes con poca formación técnica podrían ejecutar operaciones que hoy exigen experiencia considerable. Los organismos firmantes sostienen que la resiliencia cibernética debe tratarse como una prioridad de continuidad operativa, confianza de mercado y valor a largo plazo. En otras palabras: un fallo de seguridad ya no es solo un problema del área de IT, sino un riesgo directo para ingresos, reputación, clientes e inversores. La recomendación no es frenar el uso de IA, sino incorporarla también a la defensa: detectar vulnerabilidades antes, vigilar comportamientos anómalos y responder más rápido.

Para 𝕏 @WesRoth (Wes Roth), el dato que más pesa en la alerta de Five Eyes es el horizonte temporal: hablar de meses y no de años convierte la democratización de la ofensiva en un problema operativo inmediato, no en una hipótesis lejana.

8. Microsoft asegura energía propia para sus centros de datos

Microsoft y Chevron han firmado un acuerdo a 20 años para levantar una planta de gas natural en Pecos, Texas, llamada Project Kilby. La instalación se construirá junto a un campus de centros de datos ya planificado, y toda su electricidad irá destinada a la infraestructura de IA de Microsoft. El detalle clave es el formato: en lugar de comprar capacidad a la red, una tecnológica firma suministro dedicado y de largo plazo con una petrolera. La operación responde a un problema concreto. El cómputo para entrenar y servir modelos ha disparado la demanda eléctrica, y las redes existentes no siempre garantizan potencia estable donde se construyen los campus. Los contratos directos de generación (gas, nuclear o renovables) se han vuelto la vía para no depender de la disponibilidad de la red.

Para 𝕏 @WesRoth (Wes Roth), lo que define Project Kilby es su magnitud y duración: un compromiso a 20 años entre petrolera y tecnológica refleja hasta qué punto las grandes empresas de IA buscan blindar suministro propio antes que confiar en la red.

¿Qué pasó ayer? En un minuto:

1. OpenAI presenta una nueva versión de GPT-5.5-Cyber, con un 85,6% en CyberGym por encima de Mythos, y suma herramientas para que la IA no solo encuentre vulnerabilidades, sino que las corrija.

2. Por primera vez en dos décadas, el cómputo se encarece de verdad: los precios de los chips suben incluso tras el ajuste por calidad. La causa es una escasez genuina, no un recargo por chips mejores.

3. Google convierte su Interactions API en la opción por defecto para construir con Gemini y agentes. Su rasgo central: mantiene el contexto entre llamadas, frente a las APIs sin estado tradicionales.

4. Stanford HAI lanza el Canaries Dashboard para rastrear cómo cambia el empleo según la experiencia del trabajador y su exposición a la IA. Mide correlaciones, no causalidad, y se limita al empleo formal estadounidense.

5. François Chollet sostiene que Adobe es uno de los grandes beneficiados de la IA generativa, no una víctima en declive como apunta la tesis que apunta a la muerte de los SaaS por la IA.

6. NVIDIA Research presenta ArtiFixer, un modelo abierto que rellena la geometría 3D que la cámara nunca llega a captar. Ataca el punto débil de técnicas como 3D Gaussian Splatting: las zonas no observadas.

7. Varias figuras del sector reabren una pregunta de fondo: qué significa programar cuando la IA ya escribe buena parte del código; compara el código con la notación musical, y sitúa la esencia en gestionar la complejidad, no en teclear.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

OpenAI amplía Daybreak hacia la ciberseguridad defensiva

OpenAI ha ampliado Daybreak, su iniciativa para acelerar la defensa informática de empresas, gobiernos y proyectos de código abierto. El foco ya no está solo en encontrar vulnerabilidades, sino en ayudar a corregirlas más rápido, uno de los grandes cuellos de botella para los equipos de seguridad. La propuesta combina una actualización del plugin Codex Security, el nuevo acceso limitado a GPT-5.5-Cyber para defensores verificados y un programa de socios para que empresas de ciberseguridad den mejor servicio a sus clientes. OpenAI asegura que el acceso directo al modelo más avanzado estará restringido, con controles, monitorización y supervisión humana.

OpenAI presenta además Patch the Planet, una iniciativa dentro de Daybreak para ayudar a los mantenedores de proyectos de código abierto a detectar, validar y corregir vulnerabilidades. La iniciativa apunta a un problema crítico para las empresas: gran parte del software corporativo depende de componentes abiertos mantenidos por equipos pequeños, a menudo con pocos recursos. OpenAI quiere que la IA no se limite a descubrir fallos, sino que ayude a reducir la carga operativa: validar vulnerabilidades, priorizarlas, preparar parches, ampliar pruebas y coordinar su publicación con los responsables de cada proyecto.

Para 𝕏 @sama (Sam Altman), la diferencia con Patch the Planet y Codex Security está en pasar de encontrar problemas a resolverlos, con el Gobierno estadounidense y el ecosistema de seguridad como marco de despliegue.

𝕏 @gdb (Greg Brockman) enmarca la apuesta como combinar modelos de frontera con investigadores profesionales para asegurar proyectos críticos de código abierto, no como un ejercicio de catastrofismo.

Como socio del programa, 𝕏 @SentinelOne (Sentinelone) sitúa el valor práctico en investigaciones más rápidas y mejor priorización dentro de sus servicios Wayfinder, su forma de medir si el modelo aporta algo en flujos reales.

Más información:
📎 Daybreak: Tools for securing every organization in the world
📎 Patch the Planet: a Daybreak initiative to support open source maintainers

La demanda de IA rompe la deflación del hardware

La demanda de inteligencia artificial está tensionando el mercado de chips hasta el punto de invertir una regla que durante décadas sostuvo a la industria tecnológica: más capacidad de cálculo a menor coste. Según SemiAnalysis, los precios de importación de ordenadores, periféricos y semiconductores en EE. UU. subieron un 3,6% en mayo y acumulan un alza interanual del 14,4%, pese a que estos índices ajustan la mejora de calidad de los chips. Es decir, no se paga más solo porque los equipos sean mejores: se está pagando más por cada unidad efectiva de capacidad de cálculo. El cambio no implica que la ley de Moore haya terminado, pero sí que, en el corto plazo, la demanda de IA está creciendo más rápido que la capacidad de la industria para abaratarla.

La firma atribuye la causa a una escasez física de chips. Para centros de datos y proyectos de IA, supone presión de costes sobre la infraestructura justo cuando entrenar e inferir consume cada vez más hardware.

Para 𝕏 @SemiAnalysis_ (Semianalysis), la clave está en separar señal de ruido en los datos: un precio que sube incluso después del ajuste hedónico y antes de aranceles delata escasez física de chips, no un simple recargo de calidad o de política comercial.

El acuerdo de SpaceX con Reflection AI por hasta 6.300 millones de dólares hasta 2029 que reporta 𝕏 @WesRoth (Wes Roth) ilustra hasta qué punto la pugna por capacidad de cómputo se cierra con contratos plurianuales de cifras enormes.

𝕏 @ID_AA_Carmack (John Carmack) apunta al frente social de esta carrera: ve aparecer carteles vecinales contra los centros de datos y plantea financiar una valla publicitaria a favor, señal de que la fricción local empieza a pesar tanto como el silicio.

Google lanza Interactions API para agentes

Google ha llevado su Interactions API a disponibilidad general, según el anuncio de Logan Kilpatrick, responsable de Google AI Studio y de la Gemini API en Google DeepMind. La interfaz pasa a ser la API por defecto para construir con los modelos Gemini y con agentes, y funciona como capa única para orquestar varios modelos desde un mismo punto. Su diferencia está en el diseño 'stateful': retiene el contexto entre interacciones y soporta tareas que se prolongan más allá de una sola petición. Es un giro respecto a las APIs sin estado, pensadas para llamadas aisladas, hacia una infraestructura orientada a procesos agénticos que persisten en el tiempo. Encaja en la pugna entre las grandes plataformas por ser la base sobre la que los desarrolladores montan sus agentes, simplificando la gestión de memoria y continuidad.

Para 𝕏 @OfficialLoganK (Logan Kilpatrick), la Interactions API es la base de lo que llama la nueva era de los agentes, precisamente por permitir coordinar modelos y agentes desde una misma interfaz en lugar de encadenar llamadas separadas.

𝕏 @vivilinsv (Vivi) lee el lanzamiento desde el movimiento de talento: Kilpatrick lidera ahora la Gemini API y AI Studio tras venir de OpenAI, una señal de que el avance de estas plataformas depende de quién dirige cada equipo.

Más información:
📎 Interactions API: Our primary interface for Gemini models and agents

Stanford mide el impacto laboral de la IA

Stanford Digital Economy Lab y ADP Research han lanzado Canaries Dashboard, un panel que busca detectar de forma temprana cómo la inteligencia artificial generativa está afectando al mercado laboral. La herramienta analiza datos de nóminas de una muestra de 25.000 empresas, 4,6 millones de trabajadores y más de 730 ocupaciones en Estados Unidos, con actualizaciones mensuales desde finales de junio de 2026.

El mensaje central es que el impacto de la IA no aparece como una destrucción masiva de empleo, sino como una presión selectiva. Desde la llegada de ChatGPT en noviembre de 2022, el crecimiento del empleo ha sido más lento en las ocupaciones más expuestas a la IA. La diferencia más clara se observa entre trabajadores de 22 a 25 años, especialmente en puestos como desarrollo de software y atención al cliente, donde Stanford detecta caídas notables frente a empleos menos expuestos.

Dos conclusiones se pueden extraer. La primera es que la IA parece estar reduciendo la demanda de tareas de entrada, justo aquellas que tradicionalmente servían para formar talento junior. Y la segunda es que cuando la IA automatiza tareas que antes hacía un humano, el empleo tiende a crecer menos o caer; cuando aumenta la capacidad del trabajador, el impacto negativo es mucho menor. Stanford advierte, eso sí, que el panel mide correlaciones, no una prueba causal definitiva. Aun así, el dato funciona como una alerta temprana para directivos que tienen que plantearse cómo rediseñar los puestos, la formación y las carreras de entrada para no romper la cantera de talento.

El propio 𝕏 @StanfordHAI (Stanford Hai) plantea el Canaries Dashboard como una vía para ver cómo los cambios de empleo varían según la experiencia del trabajador y su exposición a la IA, en lugar de tratar el mercado laboral como un bloque uniforme.

Más información:
📎 Canaries Dashboard

Adobe, ¿beneficiada inesperada de la IA generativa?

François Chollet, investigador de IA en Google y creador de Keras, ha planteado en X una tesis contraria al consenso del mercado: Adobe, la multinacional estadounidense de software de creatividad, marketing y gestión documental, sería uno de los mayores beneficiarios de la IA generativa, no una víctima en declive. Según sus mensajes, la compañía atraviesa su etapa más rentable, con un crecimiento de ingresos del 13% frente al 10-11% del año anterior. Atribuye parte de ese empuje a un uso de la IA orientado a reducir la curva de aprendizaje: su nivel freemium habría pasado de 700 a 850 millones de usuarios activos mensuales en un año, unos 150 millones más.

El argumento conecta con un debate abierto entre inversores, los llamados 'SaaS bears', que sostienen que el SaaS (Software as a Service) pierde valor porque modelos como Claude pueden generar aplicaciones de un solo intento. Chollet rebate esa idea: generar el código de una app no equivale a construir, mantener, escalar y dar soporte a un producto real, que es donde reside el valor.

Para 𝕏 @fchollet (François Chollet), el mercado trata a Adobe como software heredado en declive terminal, cuando los datos la situarían entre las cinco compañías de IA más rentables y de mayor crecimiento del momento.

NVIDIA lleva su investigación gráfica a SIGGRAPH 2026

NVIDIA Research ha presentado ArtiFixer, un nuevo sistema de inteligencia artificial diseñado para mejorar reconstrucciones 3D cuando solo hay pocas imágenes o zonas mal capturadas. La propuesta, aceptada en SIGGRAPH 2026, la conferencia de referencia en gráficos por computador, busca resolver un problema clave para industrias que trabajan con entornos digitales: los modelos actuales pueden generar vistas realistas de una escena, pero suelen fallar cuando deben “imaginar” partes que no fueron bien observadas por la cámara, dejando huecos o geometría inconsistente.

La diferencia de ArtiFixer está en que no se limita a corregir errores visuales: puede extender una escena y generar cientos de fotogramas en una sola pasada, manteniendo coherencia con las imágenes originales. Según NVIDIA, el sistema supera a métodos previos en pruebas habituales de reconstrucción 3D y mejora el resultado entre 1 y 3 dB PSNR, una métrica usada para comparar fidelidad visual. El avance apunta a reducir costes en sectores como videojuegos, cine, simulación, arquitectura, comercio inmersivo y gemelos digitales. Menos necesidad de capturas exhaustivas significa flujos de producción más rápidos y escenas 3D más completas a partir de material limitado. NVIDIA publica artículo, código y demo.

La defensa que hace 𝕏 @NVIDIAAI (Nvidia Ai) de ArtiFixer parte de un límite conocido: la reconstrucción 3D funciona bien hasta que la cámara deja de ver parte de la escena, y ahí es donde su modelo abierto rellena la geometría que otros métodos dejan en blanco.

Más información:
📎 ArtiFixer: Enhancing and Extending 3D Reconstruction with Auto-Regressive Diffusion Models

Programar no es escribir código

Varias reflexiones recientes de nombres conocidos del sector reabren un debate viejo: qué significa programar cuando la IA escribe buena parte del código. La tesis más comentada equipara el código con la notación musical. Igual que una partitura no es la música, el código no sería la programación: lo importante está en gestionar la complejidad mediante capas de abstracción, y la IA encajaría como una herramienta más dentro de ese proceso, no como su sustituto. El matiz tensiona el discurso del reemplazo. Si la dificultad real reside en razonar sobre el diseño de un sistema, los asistentes aceleran la escritura pero no resuelven la parte conceptual.

En paralelo circula una idea sobre los límites de la IA predictiva: una máquina que predice y se orienta hacia sí misma produciría una 'ilusión de dirección', no intencionalidad real, comparable al efecto de dos espejos enfrentados. Otra reflexión sostiene que las representaciones (modelos, mapas, abstracciones) no solo describen la realidad, también la moldean. Conviene situar el alcance: son aforismos y opiniones, sin datos, productos ni cifras detrás. No hay estudio, benchmark ni métrica que respalde estas afirmaciones; su valor es interpretativo, no empírico. La conversación encaja con la que generan los asistentes de código y las apps conversacionales, que algunos ya describen como la nueva capa de acceso al software, al modo de los navegadores.

La distinción que traza 𝕏 @fchollet (François Chollet) es que generar código automáticamente no agota lo que significa programar: razonar sobre abstracción y estructura sigue siendo trabajo humano que la IA acompaña, no reemplaza.

Para 𝕏 @paulg (Paul Graham), las apps de IA creadas inicialmente para programación son los nuevos navegadores: la puerta de entrada al software se desplazaría hacia interfaces conversacionales, un terreno que apunta a convertirse en infraestructura muy disputada.

¿Qué pasó el fin de semana? En un minuto:

1. El talento es el recurso más escaso, circula entre competidores y arrastra consigo el conocimiento propietario. John Jumper, líder de AlphaFold, deja Google DeepMind por Anthropic. La semana pasada Noam Shazeer, uno de los autores del Transformer, salió también de Google rumbo a OpenAI.

2. Filtraciones sitúan nuevos modelos de Anthropic y OpenAI para esta semana; lo llamativo es que dos laboratorios están marcando un ritmo que el resto no iguala, incluido Google que parece rezagado en esta carrera.

3. El sector apuesta por entrenar robots con vídeo humano, abundante y barato, para esquivar el cuello de botella de los datos físicos.

4. Los modelos de pesos abiertos se acercan a los laboratorios cerrados: el debate sobre IA soberana gana peso entre directivos a la vez que surge la duda de cómo rentabilizar el coste de entrenamiento de estos modelos.

5. Sakana AI presenta Fugu, un sistema que reparte cada tarea al modelo que mejor la resuelve detrás de una única API e iguala el rendimiento de modelos frontera.

6. OpenAI añade Record & Replay a Codex: graba un flujo una vez y lo convierte en una skill reutilizable y editable.

7. Educación: un estudio a gran escala en China apunta a que usar la IA para hacer los deberes baja las notas, mientras la tutoría con IA como apoyo mejora resultados. La clave está en si retira o no el esfuerzo mental.

8. La producción eléctrica estadounidense cayó un 1,7% mientras el precio subió un 5,9% interanual, una señal de techo en la red, no de demanda floja. El debate sobre los centros de datos salta del plano técnico al político.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. El talento de IA rota entre laboratorios rivales

Los movimientos de personal entre los grandes laboratorios de IA se han acelerado en las últimas semanas, con Anthropic, OpenAI y Google DeepMind intercambiando perfiles de primer nivel. El caso más visible es la salida de John Jumper de Google DeepMind hacia Anthropic. Jumper lideró AlphaFold, el sistema que predice la estructura tridimensional de las proteínas, y su marcha lleva a Anthropic uno de los perfiles científicos más prestigiosos del campo. La semana pasada Noam Shazeer dejó DeepMind para incorporarse a OpenAI como responsable de investigación en arquitectura. OpenAI ha reforzado además otras áreas: fichó a Dean Ball para dirigir un nuevo equipo, Strategic Futures, y a Ha Thai, antiguo directivo de Meta, para liderar la comunicación de su división de dispositivos.

El asunto importa porque el talento investigador puntero es el recurso más escaso del sector, y su circulación afecta a la capacidad de cada laboratorio para sostener su ventaja técnica. La rotación también complica la protección del conocimiento propietario cuando el mismo grupo de expertos salta de una empresa a otra, algo bueno en general para la industria. No todos los fichajes cuajan, Barret Zoph, responsable de ventas de IA empresarial en OpenAI, ha vuelto a marcharse cinco meses después de reincorporarse en enero. Zoph había salido de OpenAI en 2024 para cofundar Thinking Machines Lab, la empresa de Mira Murati.

Para 𝕏 @pmddomingos (Pedro Domingos), la fusión entre DeepMind y la división de IA de Google fue un arma de doble filo: ayudó a la compañía a recuperar terreno, pero dejó descontentos a muchos investigadores que ahora estarían marchándose.

Con tono irónico, 𝕏 @Suhail (Suhail) anticipa que tanta movilidad entre laboratorios acabará reciclando los secretos comerciales, un apunte directo sobre la dificultad de proteger el conocimiento propietario.

𝕏 @demishassabis (Demis Hassabis) despidió a Jumper agradeciéndole nueve años de colaboración y el trabajo en AlphaFold, sin aludir a la competencia por el talento.

𝕏 @victorianoi (Victoriano Izquierdo) lamenta la salida desde otro ángulo: ve en Hassabis al líder más sensato entre los responsables de empresas de modelos frontera.

2. Anthropic y OpenAI apuntan a lanzamientos inminentes

Varios indicios apuntan a que Anthropic y OpenAI preparan modelos para los próximos días. En Anthropic habría aparecido un identificador, 'Claude Sonnet 5', en la plataforma de un socio, lo que ha disparado la especulación sobre una actualización de la familia Claude. Circula además otro rumor: una versión presuntamente más capaz de un modelo interno llamado 'Mythos' habría terminado su entrenamiento, sin que se sepa si llegará al mercado o quedará como base para una generación posterior. En OpenAI se habla de posibles GPT-5.6 y GPT-5.6-Pro en plazos igual de cortos. Nada está confirmado oficialmente, pero lo relevante es la cadencia: refuerza la tesis de que los dos van imponiendo un ritmo de publicación que el resto del sector no sigue.

Esto tensiona la posición competitiva de Google en IA. La tesis que circula entre analistas es que la compañía no ofrece ahora mismo un modelo de frontera capaz de las tareas más exigentes que sí tienen OpenAI o Anthropic. Google dispone de un Flash muy competente, optimizado para velocidad y coste, pero no cubre el trabajo de frontera por sí solo sin una capa de orquestación equivalente. El contraste se ve en producto: Google mantiene algunas de las aplicaciones de IA más reconocidas, con NotebookLM como caso citado, pero esas herramientas necesitan modelos más capaces e integraciones mejores para rendir.

𝕏 @WesRoth (Wes Roth) admite la fragilidad del indicio sobre 'Mythos': no hay confirmación de Anthropic ni certeza sobre si saldrá como Mythos 5.1, Mythos 6 o se quedará puertas adentro como cimiento de otra generación.

Para 𝕏 @emollick (Ethan Mollick), la aceleración solo se aprecia en Anthropic y OpenAI: si la IA contribuye aunque sea mínimamente a su propio desarrollo, esos dos amplían distancia mientras laboratorios que el año pasado parecían acercarse se quedan atrás.

𝕏 @levie (Aaron Levie) lee esta tanda de lanzamientos como antesala regulatoria: prevé marcos públicos que decidan qué modelos pueden publicarse según superen cierto umbral de capacidad, en lugar de reglas uniformes para toda la IA.

Desde 𝕏 @GeminiApp (Google Gemini) responden con producto antes que con gama alta: muestran un agente que extrae el vuelo de Gmail y arma un plan de sueño contra el jet lag en el calendario, la apuesta por integrar IA en tareas cotidianas con la variante Flash.

3. La robótica aprendiendo del vídeo humano

El control de robots humanoides avanza por una vía concreta: aprender del movimiento humano en lugar de programar cada gesto. Investigadores han presentado Humanoid-GPT, un sistema de control de cuerpo completo en tiempo real, probado sobre el Unitree G1, un humanoide de 29 articulaciones. Lo relevante es que reproduce movimientos que no figuraban en sus datos de entrenamiento, una señal de generalización motora. En paralelo se acumulan trabajos que atacan el mismo problema: la escasez de datos físicos. El marco “Do as I Do” propone convertir vídeos cotidianos de personas en cientos de demostraciones para manos robóticas diestras, y otros equipos exploran cómo transferir movimiento capturado de humanos a humanoides mediante técnicas de retargeting.

La idea común es aprovechar las demostraciones humanas, abundantes y baratas, para entrenar en simulación comportamientos que sería caro recoger con robots reales. El campo vive un momento de experimentación abierta, con muchos enfoques compitiendo a la vez y sin estándar dominante. El obstáculo técnico de fondo persiste: el movimiento humano grabado es ruidoso, los simuladores son un reflejo imperfecto del mundo, y las políticas aprendidas no se trasladan limpiamente al funcionamiento de un robot en el escenario real.

Más información:
📎 Humanoid-GPT
📎 Do as I Do
📎 DynaRetarget

4. Los modelos de pesos abiertos rozan la frontera

El debate sobre los modelos de pesos abiertos (open weights) ha ganado tracción entre directivos del sector, que ven reducirse rápido la distancia frente a los cerrados. La tesis es concreta: algunos modelos abiertos ya logran resultados de estado del arte (SOTA) en tareas específicas y se aproximan al rendimiento de los grandes laboratorios en programación y otros dominios. Si esa brecha se mantiene marginal, la adopción empresarial empieza a moverse.

El argumento tiene tres ventajas que lo hacen muy atractivo. La primera es la IA soberana: con los pesos disponibles, una empresa o un país puede ejecutar y controlar el modelo sin depender de un proveedor externo y con un control más preciso de dónde van sus datos. La segunda es el ajuste fino y el post-entrenamiento, que permiten adaptar un modelo abierto a necesidades propias sin renegociar acceso ni condiciones con terceros. Y la tercera es el coste, si los modelos abiertos se pueden ejecutar en la infraestructura de una empresa, el ahorro puede ser considerable. Y más cuando el estado del arte se mueve hacia la ingeniería de loops con un consumo de tokens cada vez mayor.

Esta convergencia de los modelos abiertos con los propietarios reabre una vieja duda: cómo se rentabiliza entrenar un modelo de frontera y luego liberar sus pesos. La diferencia con el código abierto clásico está en el coste. Escribir software libre exige tiempo, pero no centros de datos masivos. Entrenar un modelo puntero cuesta cientos de millones, y una vez liberado, cualquier tercero puede alojarlo, ajustarlo u ofrecer consultoría tan barato como su creador, sin ventas complementarias que recuperen la inversión. Al final, el fabricante de hardware que vende el cómputo necesario para usar esos modelos es el que más valor captura en este escenario.

Lo que más llama la atención a 𝕏 @levie (Aaron Levie) es la velocidad: ve modelos abiertos logrando resultados SOTA en tareas concretas y rozando la frontera en programación, con una brecha que considera cada vez más marginal.

Para 𝕏 @tunguz (Bojan Tunguz) la consecuencia es operativa, no ideológica: los modelos de código abierto tienen que ocupar ya un lugar central en cualquier estrategia de IA, sin que eso obligue a descartar el resto de opciones.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) rebaja la euforia con una lectura de largo plazo: describe la pugna entre lo abierto y lo cerrado como un conflicto permanente, sin vencedor definitivo a la vista.

𝕏 @emollick (Ethan Mollick) duda de que exista negocio rentable en entrenar modelos frontera abiertos y le sorprende que nadie haya respondido aún con claridad a esa objeción.

5. Sakana lanza Fugu, orquestación multiagente con una sola API

Sakana AI ha presentado Sakana Fugu, un sistema de orquestación multiagente empaquetado como un único modelo accesible vía API. La idea: Fugu es en sí mismo un LLM entrenado para invocar otros modelos de un pool de agentes, incluidas instancias de sí mismo de forma recursiva, y asignar cada tarea al que mejor rinde. El usuario habla con un solo endpoint; el reparto, la verificación y la síntesis ocurren por dentro. Hay dos variantes, Fugu y Fugu Ultra. Según el anuncio de la compañía, Fugu Ultra se sitúa a la altura de modelos frontera como Fable 5 de Anthropic y Mythos Preview en pruebas de ingeniería, ciencia y razonamiento.

El planteamiento se aleja de la carrera por modelos cada vez más grandes y apuesta por coordinar capacidades especializadas, en línea con el historial de Sakana en combinación y evolución de modelos. La empresa añade una ventaja operativa: rendimiento de frontera sin atarse a un único proveedor y sin la exposición a controles de exportación que afecta a otros modelos. El producto se distribuye por API y por suscripción, con un nivel mencionado de 200 dólares mensuales. No hay todavía resultados externos que confirmen el rendimiento frente a usar cada modelo de referencia por separado.

Para 𝕏 @hardmaru (Hardmaru), cofundador de Sakana, Fugu encaja con su tesis de que la inteligencia, humana o artificial, es esencialmente colectiva: los sistemas más potentes funcionarán como una red que combina aportaciones, no como un modelo aislado.

𝕏 @levie (Aaron Levie) ve el enrutamiento dinámico de Fugu como otra vía para avanzar en arquitecturas de IA: una sola API que deriva el trabajo al modelo que mejor lo resuelve, sin obligar al usuario a elegir.

𝕏 @ChrissGPT (Chris) acota dónde aporta valor: para un prompt limpio probablemente usaría Fable 5, Mythos o GPT-5.5 directamente, pero cuanto más se enreda la tarea con delegación, verificación y síntesis, más sentido cobra la orquestación.

𝕏 @gaasych (Gaasych) subraya el ángulo competitivo japonés: en vez de competir por el tamaño de un único modelo, Sakana coordina a los líderes del mercado y se coloca al nivel mundial por otra ruta.

𝕏 @ai_for_success (Ashutoshshrivastava) celebra el enfoque como una apertura del acceso a capacidad de frontera, frente a lo que describe como alarmismo y barreras de entrada en torno a los modelos más potentes.

Más información:
📎 Sakana Fugu: One Model to Command Them All

6. Codex incorpora Record & Replay para automatizar tareas

OpenAI ha lanzado Record & Replay para Codex, su agente de programación. La función graba un flujo de trabajo recurrente, como tramitar una nota de gastos, y lo convierte en una skill reutilizable y editable. El usuario decide cuándo empieza y termina la grabación mientras completa la tarea; después, Codex analiza las acciones y genera la automatización. La lógica de fondo es el paso del código asistido a agentes que orquestan tareas completas demostrándolas una sola vez. La grabación de Record & Replay solo opera sobre flujos en Mac y, por ahora, no está disponible en la UE, Reino Unido ni Suiza.

Para 𝕏 @WesRoth (Wes Roth), la clave está en el control que mantiene el usuario: define cuándo empieza y acaba la grabación, y Codex se limita a estudiar las acciones para producir una skill editable, no una caja negra.

7. Debate IA y educación

Un estudio a gran escala realizado en China aporta evidencia de que la IA puede perjudicar el aprendizaje cuando reduce el esfuerzo mental del alumno. El patrón es concreto: si el tiempo dedicado a los deberes baja por delegar tareas en la IA, las notas también caen. Otros trabajos coinciden en lo contrario para la tutoría con IA como apoyo a las clases, que sí mejora resultados. La diferencia está en el uso. Un chatbot genérico está diseñado para resolver, no para guiar: da la respuesta directa y se salta el proceso que consolida el conocimiento. Los alumnos recurren a esa vía incluso sin intención de copiar, simplemente porque es la opción cómoda.

El debate va más allá del aula. En el artículo reciente 'Choosing to Stay Human', se conecta con un fenómeno paralelo: redes, comentarios y un número creciente de artículos académicos generados con IA que empiezan a parecerse entre sí, un síntoma de homogeneización del razonamiento. Para quien diseña producto educativo, separar 'dar la respuesta' de 'acompañar el aprendizaje' define el valor de la herramienta. Nature ha señalado en paralelo indicios de 'deskilling', pérdida de competencias por delegación, en medicina, informática y otros campos.

El corte que traza 𝕏 @emollick (Ethan Mollick) es nítido: la tutoría con IA en apoyo de las clases ayuda, pero usarla para 'hacer' los deberes empuja las notas a la baja porque retira el esfuerzo que fija el aprendizaje.

Desde el lado del negocio, 𝕏 @MisterLeeHODL (Mister Lee) detecta una señal entre el ruido: empresas que iban por delante en IA agéntica están recortando presupuestos de tokens al subir los costes sin que el valor acompañe.

𝕏 @MikeLongTerm (Mike) matiza el optimismo desde la utilidad práctica: hasta hace poco los modelos agénticos no rendían lo suficiente para ser útiles, un recordatorio de que el efecto sobre el aprendizaje depende de qué herramienta concreta se usa.

Más información:
📎 The Generative AI Learning Penalty: Evidence from Chinese Secondary Education
📎 Is AI ruining our skills?

8. La energía tensiona la expansión de datacenters

El consumo eléctrico de los centros de datos se ha vuelto el flanco más sensible de la expansión de la IA, y la discusión ya es política, no solo técnica. Datos citados por SemiAnalysis describen una posible restricción de oferta en la red de EE. UU.: la producción de las eléctricas cayó un 1,7% mientras el componente eléctrico del IPC subió un 5,9% interanual. Menos producción con precios al alza apunta a un límite en generación y transmisión, no a demanda débil. Con cargas tan intensivas como la IA, eso presiona precios y crea cuellos de botella para conectar nueva capacidad.

En paralelo, crece el rechazo vecinal y regulatorio. Un artículo del Washington Free Beacon sostiene que una red de organizaciones sin ánimo de lucro estaría amplificando la oposición a estas instalaciones, y enmarca el conflicto local en la competencia tecnológica con China. La concentración geográfica agrava el problema: el condado de Loudoun, en Virginia, alberga por sí solo cerca de uno de cada veinte centros de datos de todo el país, lo que tensiona redes locales muy concretas antes que el sistema nacional.

El diagnóstico de 𝕏 @SemiAnalysis_ (Semianalysis) es que el problema está en la oferta, no en el consumo: con la producción eléctrica cayendo y el precio subiendo, la red habría tocado un techo de capacidad antes que aflojar la demanda.

Con un escueto 'Concerning', 𝕏 @pmarca (Marc Andreessen) da credibilidad a la tesis de que la oposición a los datacenters podría estar orquestada desde fuera, situando el rechazo local en clave de rivalidad geopolítica con China.

¿Qué pasó ayer? En un minuto:

1. Los CEOs de OpenAI, Anthropic y Google DeepMind participan en el G7 para guiar las conversaciones sobre gobernanza de IA. Amodei y Hassabis piden una coalición internacional de IA liderada por Estados Unidos, con reglas comunes entre aliados.

2. OpenAI presenta LifeSciBench, un benchmark para medir la utilidad real de la IA en biociencias, y muestra cómo sus modelos ayudan a completar ciclos de investigación en química medicinal con resultados validados en laboratorio.

3. Midjourney crea una división de Medicina y lanza su primer producto de hardware: Midjourney Scanner, un escáner corporal por ultrasonidos planteado como alternativa a la resonancia.

4. Noam Shazeer, coautor del paper que dio origen a los Transformers y hasta ahora co-responsable de Gemini, deja Google para incorporarse a OpenAI, menos de dos años después de que Google pagara 2.700 millones por recuperarlo.

5. GLM-5.2 se convierte en el mejor modelo de pesos abiertos medido hasta ahora: 51 puntos en el Artificial Analysis Intelligence Index.

6. Anthropic actualiza Claude Design: ahora construye con los componentes reales del equipo y verifica su salida contra el sistema de diseño antes de mostrarla.

7. xAI lleva Grok 4.3 a Amazon Bedrock, sacando el modelo de los entornos propios de xAI y suma otro laboratorio frontera al catálogo multimodelo de Amazon.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Amodei y Hassabis piden una coalición de IA liderada por EE. UU.

Los líderes de OpenAI, Google DeepMind y Anthropic llevaron al G7 un mensaje incómodo: la inteligencia artificial avanza más rápido que la capacidad política para gobernarla. Sam Altman, Demis Hassabis y Dario Amodei coincidieron en que los gobiernos deben actuar ya, pero discreparon sobre el modelo. Amodei y Hassabis habrían instado a los líderes del G7 a crear una coalición internacional de IA liderada por Estados Unidos. Según lo reportado, agruparía a países aliados con dos cometidos: coordinar reglas y estándares para la IA avanzada y ayudar a esos países a desarrollar o adoptar la tecnología. Lo interesante es que quién lo propone no son gobiernos ni reguladores, sino dos responsables de los laboratorios que construyen los modelos más capaces, pidiendo un marco común entre democracias en lugar de normativas nacionales dispersas.

El planteamiento enlaza con una inquietud recurrente en el sector: el acceso a un modelo potente puede cortarse de un día para otro. Cualquier país que monte servicios esenciales sobre sistemas de IA extranjeros, sin alternativas, asume un riesgo de dependencia. Una coalición con estándares compartidos buscaría reducir esa exposición y ordenar la competencia geopolítica en torno a la seguridad de los modelos frontera. Por el momento no existe un comunicado oficial del G7 ni de las propias empresas sobre medidas concretas.

El peso de la propuesta, para 𝕏 @WesRoth (Wes Roth), está en el perfil de quienes la firman: que sean Amodei y Hassabis, y no los reguladores, quienes pidan coordinación entre aliados marca el tono del debate sobre gobernanza de la IA avanzada.

Desde el escepticismo, 𝕏 @SemiAnalysis_ (Semianalysis) ironiza con un supuesto ‘Comité del Estado Profundo del G7’ reunido en Francia para decidir el futuro de la IA occidental, un recordatorio de la distancia entre la retórica de coordinación y cualquier decisión real.

2. OpenAI lleva la IA al laboratorio biocientífico

OpenAI ha presentado LifeSciBench, un benchmark para medir cuánto ayuda la IA en investigación de ciencias de la vida. Lo ha desarrollado con Tacit Labs y 173 científicos de biotecnología y farmacia, con 750 tareas en siete áreas de biología. El enfoque lo separa de las pruebas habituales: no evalúa conocimiento memorístico, sino si los modelos razonan sobre evidencia, manejan artefactos científicos, gestionan la incertidumbre y deciden bajo restricciones reales. En esas tareas, un modelo llamado GPT-Rosalind especializado en biología supera a GPT-5.5.

En paralelo, OpenAI describe un caso práctico: GPT-5.4, junto a la plataforma Maria AI de Molecule.one y un laboratorio externo, recorrió un proyecto de química medicinal desde la revisión bibliográfica hasta un resultado validado, con una mejora inesperada a una reacción química que es habitual en descubrimiento de fármacos. Maria evaluó 10.080 reacciones; bajo condiciones optimizadas, el rendimiento mejoró en el 88% de los ácidos borónicos y el 83% de las sulfonamidas analizadas, y químicos repitieron a mano 14 resultados representativos. El proyecto duró unos 2,5 meses, más medio mes adicional para que los químicos redactaran los resultados. Este proyecto encaja con un patrón comercial: un plan ChatGPT for Science dirigido a universidades, laboratorios nacionales y grupos de I+D corporativos.

𝕏 @OpenAI (Openai) defiende que el valor del benchmark está en alejarse del conocimiento aislado y medir decisiones útiles bajo condiciones reales, justo donde GPT-Rosalind se separa de GPT-5.5.

Para 𝕏 @WesRoth (Wes Roth) lo destacable es que GPT-5.4 no se limitó a resumir papers ni a proponer una teoría plausible, sino que completó un ciclo de investigación entero, desde detectar el problema hasta diseñar los experimentos.

𝕏 @gdb (Greg Brockman) enmarca estos casos como motivo concreto de entusiasmo: ayudar a resolver problemas de salud reales, más allá de la promesa abstracta.

𝕏 @dreidco (Dylan Reid) sitúa el problema de fondo donde más duele en biología, la falta de buenos verificadores, y celebra LifeSciBench precisamente por intentar cubrir ese hueco.

𝕏 @alanaagoyal (Alana Goyal) lee el lanzamiento como la construcción del bucle de verificación que le faltaba a la biología, atribuyendo el mérito al equipo de Tacit Labs detrás del benchmark.

Más información:

📎 Introducing LifeSciBench

📎 A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry

3. Midjourney entra en imagen médica con Scanner

Midjourney, conocida por su generador de imágenes con IA, ha presentado su primer producto de hardware y ha creado una división nueva, Midjourney Medical. El producto, Midjourney Scanner, es un escáner corporal por ultrasonidos que, según la compañía, captura el cuerpo completo (hasta las arterias) sumergiéndose en agua, como alternativa a la resonancia magnética. La empresa lo plantea como un intento de replantear la imagen médica, un terreno alejado de su software creativo. El anuncio llegó con una explicación técnica publicada por la propia Midjourney y un livestream.

El salto no es menor: la medicina exige validación clínica, garantías de privacidad y aprobaciones regulatorias muy por encima de las del software de generación visual, y un dispositivo de diagnóstico necesita autorizaciones específicas antes de su uso real. Más allá del escáner, según versiones recogidas en X, Midjourney trabajaría en otros cuatro proyectos de hardware y cuatro de software, lo que sugiere una diversificación amplia. La compañía no ha aclarado el estado regulatorio del dispositivo ni los plazos de cualquier despliegue clínico.

El alcance lo amplía 𝕏 @testingcatalog (Ai News | Testingcatalog), que sitúa el escáner como la punta del plan: además del hardware, habla de cuatro proyectos de hardware y cuatro de software en marcha bajo Midjourney Medical.

Tras probarlo, 𝕏 @benparr (Ben Parr) lo describe como la primera reinvención de la imagen médica en décadas: en vez de una hora en una resonancia, basta sumergirse en agua para obtener ultrasonido de todo el cuerpo hasta las arterias.

Desde una mirada clínica, 𝕏 @artisin_ai (G. Kim), con experiencia en neurociencia, recibe bien la iniciativa pero pone el listón donde toca: quiere ver el estudio revisado por pares antes de sacar conclusiones.

𝕏 @austinvhuang (Austin Huang) recuerda que pronosticar este tipo de productos es mucho más fácil que construirlos, y reconoce el mérito de Midjourney y David Holz por asumir el reto.

4. Noam Shazeer ficha por OpenAI

Noam Shazeer, hasta ahora co-responsable de Gemini en Google DeepMind, se incorpora a OpenAI. Lo confirmaron desde dentro Sam Altman y el investigador Noam Brown, que dio la bienvenida pública a su nuevo compañero. Altman lo presentó como un objetivo perseguido desde la fundación de la empresa, hace diez años. El peso de Shazeer en el campo es difícil de exagerar: figura entre los autores de 'Attention is All You Need', el artículo de 2017 que introdujo la arquitectura Transformer, base de los modelos de lenguaje actuales. También participó en avances posteriores como Sparse MoE, Switch Transformer y Multi-Query Attention, técnicas que hoy sostienen buena parte del stack de los grandes modelos.

Su salida llega poco después de que Google pagara una suma considerable para recuperarlo a finales de 2024, cuando readquirió Character.AI, la startup que él había cofundado tras dejar Google por primera vez. El fichaje refleja la competencia abierta por un grupo reducido de investigadores capaces de marcar la dirección técnica de un laboratorio frontera, y coincide con los preparativos de OpenAI para una posible salida a bolsa, según las versiones que circulan. Por ahora no se ha detallado el cargo de Shazeer dentro de OpenAI, su área de trabajo ni las condiciones del acuerdo.

El propio 𝕏 @sama (Sam Altman) sitúa a Shazeer como una de las personas con las que más había querido trabajar desde el arranque de OpenAI, una espera de diez años que, asegura, valdrá la pena.

Desde el equipo de investigación, 𝕏 @polynoamial (Noam Brown) celebra el fichaje con un guiño a su propio nombre, dando la bienvenida a otro 'Noam' a la casa.

Para 𝕏 @himanshustwts (Himanshu) el calado del fichaje está en el historial técnico: pocos han contribuido a tantas ideas fundacionales del stack moderno de LLM, desde la atención hasta los MoE dispersos.

𝕏 @CodeByPoonam (Poonam Soni) subraya la paradoja económica: Google desembolsó 2.700 millones de dólares para recuperarlo y lo pierde menos de dos años después.

5. GLM-5.2 lidera el segmento open-weight

Z.ai ha presentado GLM-5.2, su nuevo modelo de pesos abiertos orientado a programación, agentes y tareas de larga duración. Obtiene 51 puntos en el Artificial Analysis Intelligence Index y queda cuarto en la clasificación general, el mejor resultado open-weight registrado hasta la fecha. Supera a GLM-5, que marcaba 50 y ya lideraba el segmento, y la progresión es notable: GLM-4.7 partía de 42 puntos. En código, GLM-5.2 Max queda segundo en Frontend Code Arena, solo por detrás de Claude Fable 5, que figura como no disponible.

El efecto para el sector es directo. Cada vez que un modelo abierto se acerca a los líderes cerrados, sube la presión sobre los proveedores propietarios y se amplían las opciones para quien despliega modelos propios, sobre todo en desarrollo frontend. Conviene matizar el alcance. Esos 51 puntos igualan la marca de GPT-5.4 xhigh, un modelo que era frontera hace tres meses, así que GLM-5.2 alcanza ahora un nivel que el cierre ya dejó atrás. Z.ai vende el acceso mediante planes de suscripción desde 18 dólares al mes.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog) el resultado tiene doble lectura: GLM-5.2 entra en el top 4 general y, a la vez, queda segundo en Frontend Code Arena por detrás de un Claude Fable 5 que ni siquiera está disponible, lo que en la práctica lo deja al frente del código frontend accesible.

𝕏 @levie (Aaron Levie) coloca el debate donde decide el mercado: la distancia entre modelos abiertos y cerrados. Un desfase de tres a seis meses favorece la competencia y el despliegue propio; uno de años concentraría el poder en unos pocos laboratorios cerrados.

𝕏 @emollick (Ethan Mollick) aporta el matiz que los benchmarks no recogen: en una prueba creativa, GLM-5.2 produjo un poema correcto, pero Fable integró la mecánica de las letras que desaparecen en la propia temática del poema, una sutileza que ningún índice numérico capta.

Desde 𝕏 @arena (Arena.Ai) subrayan que GLM-5.2 Max es el mejor resultado de pesos abiertos que han medido en su clasificación de agentes, con +9,4% en éxito confirmado.

6. Anthropic refuerza Claude Design

Anthropic ha renovado Claude Design, su herramienta de diseño de interfaces asistida por IA. La versión nueva amplía el soporte para sistemas de diseño, suma un editor tipo canvas con controles para arrastrar y redimensionar, y se sincroniza con Claude Code. El cambio de fondo está en cómo trabaja el modelo. Antes generaba pantallas a partir de una descripción; ahora construye con los componentes reales del usuario y contrasta su propia salida con el sistema de diseño antes de enseñarla.

La sincronización con Claude Code busca un recorrido continuo entre diseño y código, con idas y vueltas entre ambas fases. El objetivo es reducir las desviaciones habituales respecto a las guías de estilo en equipos de producto. Con ello, Anthropic entra de lleno en un terreno donde ya operan herramientas especializadas. La actualización corrige además el consumo elevado de tokens que lastraba la versión anterior.

El avance, para 𝕏 @testingcatalog (Ai News | Testingcatalog), es que Claude deja de improvisar pantallas: construye con los componentes reales del equipo y revisa su propio resultado frente al sistema de diseño antes de mostrarlo.

La distancia con la versión anterior la marca 𝕏 @rohanpaul_ai (Rohan Paul), que la describe como un generador visual a partir de una descripción y destaca la importación de sistemas de diseño y el arreglo del consumo excesivo de tokens.

Desde Japón, 𝕏 @BitoFCE (Ai×→) resume el cambio como un flujo de diseño a código sin costuras: salida coherente entre proyectos, edición directa sobre el canvas y sincronización en tiempo real con Claude Code.

7. Grok 4.3 llega a Amazon Bedrock

xAI ha incorporado Grok 4.3 a Amazon Bedrock, el servicio gestionado de modelos de AWS. Los desarrolladores de la plataforma pueden ahora integrarlo en sus aplicaciones sin salir del entorno. Grok 4.3 es un modelo orientado al razonamiento, siempre activo y configurable en tres niveles de esfuerzo: bajo, medio y alto. La ficha del modelo en Bedrock destaca el uso de herramientas, el seguimiento de instrucciones para agentes multipaso y la eficiencia de tokens en inferencia de alto volumen. Entre los usos previstos figuran la revisión de contratos, la investigación de jurisprudencia y el análisis de documentos financieros.

El movimiento amplía la distribución de xAI más allá de sus propios entornos y refuerza la apuesta multimodelo de Amazon, que añade así otro proveedor frontera para competir por el desarrollador empresarial. La integración corre sobre Mantle, un motor de inferencia de Bedrock pensado para optimizar la relación precio-rendimiento, con soporte para tool calling, salida estructurada y respuesta en streaming. Según la documentación, el modelo ofrece una ventana de contexto de un millón de tokens.

El cambio de fondo, para 𝕏 @kakoji7777 (Kakoji), no es que Grok funcione en AWS, sino que pasa de chatbot de consumo a opción integrable dentro de sistemas empresariales.

El atractivo técnico está, según 𝕏 @tetsuoai (Tetsuo), en la combinación de contexto de un millón de tokens, esfuerzo de razonamiento configurable y tool calling nativo, todo tras una API compatible con OpenAI.

Desde el lado del desarrollador, 𝕏 @0x_sakata (Sakata) lo lee como una victoria para AWS: las empresas pueden enchufar Grok 4.3 en flujos de Bedrock ya existentes sin rehacer la integración.

Más información:

📎 Grok 4.3 - Amazon Bedrock

¿Qué pasó ayer? En un minuto:

1. SpaceX firma un acuerdo definitivo para comprar Cursor por 60.000 millones de dólares en acciones. La operación tiene poco sentido aeroespacial y mucho de la estrategia de IA de Musk frente a OpenAI, Anthropic y Google.

2. Agentes de IA al mando del hardware físico: NVIDIA pone a ocho agentes de codificación a controlar una flota de robots sin supervisión humana con ENPIRE.

3. OpenAI por fin extiende Codex con ‘Computer Use’ en Europa: el agente ve, pulsa y escribe en aplicaciones de escritorio y en el navegador.

4. OpenAI prepara la mayor renovación de su modo de voz en meses con GPT-Bidi-1, un modelo bidireccional que escucha y habla a la vez.

5. xAI de SpaceX lanza Grok Imagine Video 1.5, su generador de vídeo con un salto en velocidad de generación y calidad según las primeras pruebas.

6. OpenAI publica un método para evaluar sus modelos simulando el tráfico real de peticiones de usuarios, en lugar de fiarlo todo a benchmarks que se saturan.

7. Anthropic analiza 400.000 sesiones de Claude Code y concluye que la pericia humana sigue prediciendo el éxito.

8. Mistral adelanta una nueva familia de modelos de pesos abiertos disponible en julio para un grupo cerrado; aprovecha el tirón del meme viral 'Le Chaton Fat'.

9. Google estrena Daily Brief, un agente matutino que rastrea correo, calendario y tareas para priorizar el día. De momento arranca solo en Estados Unidos.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. SpaceX compra Cursor por 60.000 millones

SpaceX ha firmado un acuerdo definitivo para adquirir Anysphere, la empresa detrás del editor de programación con IA Cursor, por un valor patrimonial implícito de 60.000 millones de dólares. La operación se pagaría con acciones de SpaceX y llega tras su fulgurante debut bursátil. Es una de las mayores compras del año en herramientas para desarrolladores, un segmento que ha crecido deprisa apoyándose en modelos de terceros. El encaje industrial no es evidente: una empresa aeroespacial absorbiendo un producto de programación.

La lectura más extendida la sitúa dentro de la apuesta de Elon Musk por la IA ante Anthropic, OpenAI y Google, donde su modelo Grok aún pelea por relevancia. Cursor aporta lo que a Grok le falta: una base sólida de usuarios y un producto consolidado en un nicho concreto. Su valor reside menos en un modelo propio y más en su papel de enrutador, eligiendo el modelo adecuado para cada tarea y decidiendo cuándo recurrir a los más capaces. Ahí está el matiz: Cursor depende de proveedores externos para sus prestaciones, una dependencia que una integración bajo el paraguas de Musk podría reorientar hacia Grok.

Para 𝕏 @WesRoth (Wes Roth), la operación encaja con el empeño de Elon Musk por afianzarse en IA, un terreno donde Grok todavía no ha encontrado tracción y donde Cursor le da un producto ya rodado.

𝕏 @levie (Aaron Levie) lee el acuerdo como un hito simbólico: el primer gran éxito de la capa aplicada de la IA, que valida el enfoque profundo en un dominio y la función de enrutar entre modelos según la tarea.

𝕏 @testingcatalog (Ai News | Testingcatalog) fue de los primeros en señalar la cifra y la enmarca en la oleada de fusiones y adquisiciones en torno a la IA, un ritmo de consolidación poco habitual incluso para el sector.

2. La robótica acelera con agentes

El laboratorio GEAR de NVIDIA Research ha presentado ENPIRE, que aplica investigación autónoma al mundo real. El sistema asigna ocho agentes de codificación basados en Codex, una flota de robots, capacidad de cómputo y un presupuesto de tokens, con una instrucción mínima: resolver la tarea y mantener los robots ocupados. ENPIRE cierra un bucle de cuatro módulos (reinicio del entorno, mejora de políticas, ejecución y evolución) para que los agentes analicen registros, consulten literatura y refinen el código sin supervisión continua. Ataca un problema concreto: la manipulación diestra todavía depende del trabajo manual de ingeniería y de la vigilancia humana.

Para 𝕏 @DrJimFan (Jim Fan), de NVIDIA, ENPIRE traslada por primera vez la investigación autónoma al mundo físico: los agentes operan con un mandato deliberadamente escueto, resolver la tarea rápido y mantener los robots activos, sin guion detallado por humanos.

𝕏 @benitoz (Ben Pouladian) recoge el detalle que mejor resume el cambio operativo: parte del laboratorio GEAR se mejora a sí misma durante la noche, y el equipo se limita a leer los informes por la mañana, sin humanos en el bucle.

𝕏 @jenzhuscott (Jen Zhu) subraya que los agentes cubren el ciclo completo de investigación de forma independiente, desde el reinicio de la escena hasta la práctica de habilidades, como anticipo del rumbo de la robótica en NVIDIA.

Más información:

📎 ENPIRE: Agentic Robot Policy Self-Improvement in the Real World

3. Codex llega a Europa con control de navegador

OpenAI ha extendido esta semana varias funciones de Codex, su agente de programación, a usuarios del Espacio Económico Europeo, Reino Unido y Suiza. El paquete incluye Computer use, una extensión para Chrome, memoria personalizada y Chronicle. La función de mayor calado es Computer use: permite al agente ver, hacer clic y escribir dentro de aplicaciones de escritorio en macOS y Windows, además de operar el navegador. Estas regiones suelen recibir las funciones de IA con retraso frente a Estados Unidos, normalmente por cautelas regulatorias o de cumplimiento, así que la llegada cierra una brecha de disponibilidad que arrastraba el producto.

𝕏 @WesRoth (Wes Roth) pone el foco en Computer use como salto cualitativo: que Codex vea, pulse y teclee dentro de aplicaciones de escritorio en macOS y Windows acerca el agente autónomo a usuarios europeos antes excluidos.

𝕏 @victorianoi (Victoriano Izquierdo) aporta la prueba de campo: dejó al agente comprar un billete en la web de Renfe hasta el formulario de pago en 3 minutos y 21 segundos, un tiempo que celebra con sorna aludiendo a la AGI.

4. OpenAI y Anthropic refuerzan la voz

OpenAI prepara la mayor actualización de su modo de voz en ChatGPT en meses según circula por la red. La pieza central es un modelo de audio de nueva generación, etiquetado de forma provisional como GPT-Bidi-1, con una arquitectura bidireccional que la empresa desarrolla desde principios de año. El planteamiento permite escuchar y hablar a la vez, absorber interrupciones y reajustar la respuesta a mitad de frase, en lugar de bloquearse cuando el usuario interviene.

Se promociona como un salto en razonamiento, algo previsible: la voz actual sigue apoyada en el modelo 4o, mientras los modelos de texto ya van por GPT-5.5. Esa distancia es justo lo que OpenAI quiere cerrar, dado que apuesta por el habla, y no la escritura, como vía principal de acceso a la IA. La función incorporaría tres niveles configurables (High, Medium e Instant) que replican los del lado de texto y dejan al usuario equilibrar velocidad y profundidad. En paralelo, Anthropic ha empezado a desplegar mejoras en el modo de voz de Claude en sus apps móviles, con entrada multilingüe y soporte de pulsar para hablar.

𝕏 @WesRoth (Wes Roth) lee la entrada multilingüe y el pulsar para hablar de Claude como una ampliación práctica del alcance global, más que como un cambio de modelo.

𝕏 @gdb (Greg Brockman) alimenta la expectación con un mensaje escueto sobre GPT-Realtime-2 como 'algo nuevo', sin cifras ni fechas que permitan situar su relación con el resto de la oferta de voz.

𝕏 @diego_defi (Diego Defi) aporta el contrapunto del usuario que se desengancha de los grandes: dice haber dejado tanto Claude como ChatGPT/Codex para apoyarse en modelos más baratos como Hermes, de Nous Research.

Más información:

📎 OpenAI prepares major ChatGPT voice upgrade with GPT-Bidi-1

5. Grok Imagine Video 1.5 acelera la generación de vídeo

xAI ha lanzado Grok Imagine Video 1.5, su nuevo modelo de imagen a vídeo, con tres mejoras anunciadas por la compañía: más realismo, mejor simulación física y generaciones más rápidas. La cifra más concreta es la latencia: un vídeo en 720p se genera ahora en unos 25 segundos, frente a los más de 40 del modelo previo. La distribución sigue dos caminos. La versión 1.5 pasa a estar disponible de forma general en la API de xAI, abierta a desarrolladores e integraciones externas. A los usuarios finales se les despliega una variante distinta, Video 1.5 Fast, accesible desde web y app. La distinción importa porque en vídeo generativo la velocidad y el coste pesan más que la calidad bruta a la hora de captar usuarios.

En ese terreno compiten Google y la línea Seedance de ByteDance, que esta misma semana presentó Seedance 2.0 Mini, una versión más rápida y barata de su modelo. La numeración sugiere una iteración menor dentro de una cadencia rápida de versiones de Grok. El acceso para consumidores queda ligado a la suscripción de pago de X: Video 1.5 Fast se usa dentro de Premium+, sin coste extra por generación. xAI no ha publicado en el anuncio inicial comparativas de rendimiento ni precios concretos de la API.

𝕏 @trikcode (Wise) resume el salto en tres frentes a la vez: renderizado de 720p en 25 segundos, mejor física y movimiento más nítido, justo lo que xAI quería cubrir de golpe.

Tras probarlo con un anuncio propio, 𝕏 @showheyohtaki (/ Ai) coloca a Grok por encima de Google Omni pero por debajo de Seedance 2.0, y señala como ventaja real la velocidad dentro de la cuota de la suscripción de X.

El tráiler usado en la demostración, generado con Heavy Pulp, capta la atención de 𝕏 @cfm_sol (Jeff) como muestra del nivel de consistencia de personajes y física que el modelo busca exhibir.

Más información:

📎 Grok Imagine Video 1.5

6. OpenAI simula despliegues para evaluar modelos

OpenAI ha publicado una investigación sobre Deployment Simulation, un método para anticipar el comportamiento de sus modelos en uso real antes de lanzarlos. La técnica reproduce el despliegue con peticiones recientes de usuarios, previamente anonimizadas, y analiza las respuestas de los modelos candidatos en condiciones próximas al tráfico de producción. Ataca un problema conocido: lo que un modelo hace en pruebas controladas no siempre coincide con el uso real, donde aparecen consultas imprevistas y casos límite.

A esto se suma que los benchmarks tradicionales se saturan o se manipulan a medida que los modelos ganan capacidad. La compañía sostiene que su método reduce la evaluation awareness, la tendencia del modelo a actuar de otra forma cuando detecta que está siendo evaluado, hasta niveles cercanos a los del tráfico real. También afirma haber llevado la técnica a despliegues agénticos con herramientas que mantienen estado, donde los simuladores generan trayectorias realistas si reciben contexto y capacidades suficientes. El método hace que el modelo rinda mejor con datos de producción representativos, a los que los evaluadores externos (gobiernos, organizaciones de seguridad, investigadores independientes) rara vez acceden, porque las conversaciones de usuarios son privadas.

Para el equipo de 𝕏 @OpenAI (Openai), el avance está en haber llevado la técnica a despliegues agénticos con herramientas que mantienen estado, donde los simuladores generan trayectorias creíbles si se les da contexto suficiente, justo el escenario más difícil de evaluar.

Más información:

📎 Can public chat data predict real-world AI misalignments?

7. Anthropic mide el uso real de Claude Code

Anthropic ha publicado un informe económico, 'Agentic coding and persistent returns to expertise', basado en un análisis con preservación de la privacidad de unas 400.000 sesiones de Claude Code registradas entre octubre de 2025 y abril de 2026. El estudio describe quién usa el agente de programación, en qué tareas y qué condiciones favorecen el éxito, medido por pruebas que pasan o trabajo confirmado. El reparto de roles es nítido: el usuario decide qué hacer y Claude resuelve cómo hacerlo. Cuanta más experiencia aporta la persona en su área, más trabajo ejecuta el modelo por instrucción.

El dato central matiza el relato de automatización total: la competencia humana sigue importando, pero la diferencia entre usuarios intermedios y expertos es pequeña, lo que rebaja la barrera de entrada. En casi todas las ocupaciones analizadas, los usuarios completan tareas de codificación con una tasa de éxito casi igual a la de los ingenieros de software. El uso se ha desplazado en estos siete meses: la proporción de sesiones dedicadas a depurar cayó casi a la mitad, mientras crecían los flujos de extremo a extremo, el despliegue de código, el análisis de datos y la redacción de documentos no técnicos. Anthropic estima que el valor de la tarea típica, calculado comparándola con ofertas de trabajo freelance, subió en torno a un 25% de media. Algunas de estas métricas se incorporarán al Anthropic Economic Index para seguir los cambios en el trabajo.

El valor que subraya 𝕏 @WesRoth (Wes Roth) es contar con datos a escala sobre el uso real de los agentes de programación, frente a las demostraciones de marketing: más de la mitad de las sesiones se dedican a escribir o reparar código.

Desde 𝕏 @AnthropicAI (Anthropic) precisan que el dominio se mide por las preguntas del usuario y el vocabulario que emplea, y que la escasa distancia entre nivel intermedio y experto indica que basta con ser competente para programar con éxito en un área.

𝕏 @xiaohu (Xiaohu) recoge la filosofía del equipo de Claude Code: no conviene pelearse con el modelo añadiendo capas, porque cada generación mejora y los andamiajes de hoy quedan obsoletos pronto, una razón para reducir el CLAUDE.md a dos líneas.

𝕏 @itspriionly (Priyansh) encuadra el informe en la disputa entre herramientas y plantea a la comunidad el dilema directo de Codex frente a Claude Code como una de las divisiones que hoy ordenan el sector.

Más información:

📎 Agentic coding and persistent returns to expertise

8. Mistral anuncia una nueva familia de modelos

Mistral ha adelantado una nueva familia de modelos de pesos abiertos cuyo despliegue arrancaría este verano, según un teaser difundido por TestingCatalog y replicado luego por otros divulgadores. El primer modelo se describe como grande pero disperso (sparse), un perfil que apunta a una arquitectura tipo mixture-of-experts: solo se activa una fracción de los parámetros en cada inferencia, lo que amplía la capacidad sin disparar el coste de cómputo. El acceso anticipado se abriría en julio para socios seleccionados de investigación, gobierno e industria, antes de una disponibilidad más amplia.

La novedad refuerza la línea que distingue a Mistral frente a OpenAI o Anthropic: liberar pesos como argumento de control y transparencia para quien despliega. Hablar de familia, y no de un modelo suelto, presenta el anuncio como un compromiso de hoja de ruta. El anuncio viene de Arthur Mensch, CEO de Mistral, pero no es completo: faltan el nombre definitivo, las cifras de parámetros, los benchmarks y la fecha exacta de disponibilidad general. Parece que Mistral está tratando de aprovechar el ruido del popular meme 'Le Chaton Fat', una parodia que atribuye a un supuesto modelo de Mistral cifras infladas.

El detalle que ordena el teaser para 𝕏 @testingcatalog (Ai News | Testingcatalog) es la combinación 'fat pero sparse': un modelo presentado como grande que arranca una familia entera, no un lanzamiento puntual, con acceso reservado primero a socios clave.

𝕏 @WesRoth (Wes Roth) lee el plan como una apuesta por capacidades más altas sin renunciar a la eficiencia, con la apertura escalonada hacia investigación, gobierno e industria como señal de los casos de uso sensibles que Mistral persigue.

9. Gemini suma agentes proactivos

Google ha ampliado Gemini esta semana con varias funciones, y la de mayor recorrido es Daily Brief, un agente matutino que resume las prioridades del día. La herramienta rastrea correo, calendario y tareas para detectar lo relevante y presentarlo organizado cada mañana, con capacidad de sugerir acciones rápidas: responder un correo, programar un evento o fijar recordatorios. Funciona en segundo plano como orquestador y exige activar Personal Intelligence para Workspace y Memory.

El propio equipo de 𝕏 @GeminiApp (Google Gemini) presenta Daily Brief como un agente que organiza el día antes de despertarse, y sitúa el pulgar arriba o abajo como la vía más rápida para que la herramienta se ajuste a cada usuario, señal de que aún está en refinamiento.

𝕏 @0xMt_ (Mt) atribuye la caída de cuota de ChatGPT al ecosistema de Google: cualquier app de la compañía conecta con Gemini, una ventaja de distribución que ni los modelos chinos baratos ni Claude replican por sí solos.

Más información:

📎 Gemini Daily Brief – Smart summaries for busy minds

¿Qué pasó ayer? En un minuto:

1. El debate regulatorio debería evaluar el sistema completo, no el modelo aislado. Prohibir publicar un modelo podría empujar a los grandes laboratorios a capturar el valor de la IA en lugar de ofrecerla en beneficio de todos.

2. Le Chaton Fat, un modelo gigante de Mistral que no existe, se ha convertido en el meme del momento en la comunidad de IA, que funciona también como una triste burla de la falta soberanía europea en IA.

3. Anthropic afronta a la vez la orden de Washington que restringe el acceso a sus modelos, una demanda colectiva por las cuotas de sus planes y una rebelión de desarrolladores que le ha forzado a pausar un cambio de precios.

4. Gana peso la tesis de que la ventaja competitiva se mueve hacia la personalización y no hacia el modelo más potente, con foco en varios lanzamientos de modelos chinos en abierto: GLM-5.2, M3 y Kimi K2.7 Code.

5. Sakana AI estrena Marlin, un agente de investigación que hace el trabajo del CSO (Chief Strategy Officer) y que razona hasta ocho horas antes de responder.

6. Nuevos datos de Stanford HAI cuestionan la ventaja de EE. UU. en talento de IA: la cantera doméstica china ya nutre el I+D de modelos frontera.

7. Fei-Fei Li defiende los modelos del mundo: IA que entiende el espacio físico, una apuesta alternativa frente a la inversión concentrada en modelos de lenguaje.

8. Meta reconoce fallos en la reorganización de su plantilla en torno a la IA y busca nuevos puestos tras los despidos de mayo.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. El debate sobre regular la IA se polariza

El debate sobre cómo regular la IA ha ganado intensidad en X, con una idea de fondo: las reglas pensadas para abrir o vigilar los modelos pueden producir el efecto contrario. Un escenario hipotético resume la tensión. Si se prohibiese a un laboratorio usar un modelo internamente salvo que lo publicara, los grandes actores podrían preferir capturar todo el valor por su cuenta, vía expansión y adquisiciones, antes que dar acceso a terceros. La transparencia forzada incentivaría así más concentración, no menos.

En paralelo crece el escepticismo sobre fijar umbrales regulatorios nítidos. El argumento técnico es que el riesgo no vive solo en el modelo: el andamiaje que lo rodea, su carácter abierto o cerrado y las herramientas a las que se conecta cambian su perfil de peligro. Un sistema abierto menos capaz puede resultar más arriesgado que uno cerrado más potente, lo que debilita los criterios basados solo en cómputo o capacidad. A eso se suma la seguridad: los modelos quizá nunca sean del todo inmunes a los jailbreaks ni a las alucinaciones, sobre todo si un actor malicioso fragmenta una tarea dañina en piezas inocuas repartidas entre prompts. La discusión apunta a evaluar el sistema completo y su contexto de uso, más que el modelo aislado.

El escenario que plantea 𝕏 @emollick (Ethan Mollick) es el más provocador del hilo: prohibir publicar un modelo para poder usarlo internamente empujaría a los tres grandes laboratorios a concentrar el valor de la AGI mediante adquisiciones, justo lo contrario de lo que busca la norma. Lo describe como un mal incentivo para el resto de la economía y para los trabajadores.

Para 𝕏 @fchollet (François Chollet) el problema es de medición: faltan benchmarks estandarizados de capacidades agénticas en lugar de reaccionar con pánico a trucos de prompt-engineering. Sin métricas objetivas y transparentes, advierte, el ecosistema queda expuesto a golpes regulatorios opacos y arbitrarios, contraproducentes para toda la industria.

Desde el escepticismo regulatorio, 𝕏 @Dan_Jeffries1 (Daniel Jeffries) avisa de que muchos imaginan al Gobierno como un SaaS de regulación, confundiendo aplicar leyes con escribir software. Esa ingenuidad explica, según él, su rechazo a una legislación amplia y de alcance excesivo.

2. El meme de Le Chaton Fat invade la IA

Toda broma esconde algo de realidad. La comunidad de IA en X lleva días repitiendo un meme: 'Le Chaton Fat', un supuesto modelo gigante de Mistral con puntuaciones de benchmark imposibles. No existe tal producto. El chiste mezcla la francofonía de Mistral, la inflación constante de cifras en los rankings y la costumbre del sector de tomarse en serio anuncios sin verificar. La rápida difusión que ha tenido se debe en gran medida a la reciente prohibición de Fable 5 fuera de EE.UU., que deja a Europa expuesta sin un competidor local que apoye su soberanía en IA.

Su interés es sociológico. Muestra cómo el ruido sobre benchmarks y los memes de nicho llegan distorsionados a entornos corporativos, donde a veces pasan por dato real. El meme se ha enredado además con otra referencia recurrente del sector: el 'MIT pilot AI study', un estudio del MIT que se cita una y otra vez en debates sobre adopción de IA en empresas. Todo el material es sátira y la difusión la han acelerado figuras conocidas del entorno, lo que ha empujado la broma fuera de los círculos especializados. Arthur Mensch, cofundador de Mistral, ha participado en el chiste corrigiendo la grafía a 'le gros chaton', señal de que la propia empresa aludida se lo toma con humor.

𝕏 @emollick (Ethan Mollick) capta bien el fenómeno al anticipar que en su próxima reunión con directivos le preguntarán por el 'modelo de gato gigante' de Mistral con benchmarks infinitos, y reconoce que aun así lo prefiere a las preguntas sobre el 'MIT pilot AI study'.

Para 𝕏 @DotCSV (Carlos Santana) la broma tiene fecha de caducidad: calcula que en tres días empezarán a aparecer en LinkedIn posts y análisis sobre Le Chaton Fat escritos sin la menor ironía.

𝕏 @pmarca (Marc Andreessen) lleva el chiste al extremo afirmando que 'Le Chaton Fat es real' mientras tacha de falso el estudio del MIT, invirtiendo a propósito lo verídico y lo inventado.

𝕏 @tunguz (Bojan Tunguz) imita el formato de queja habitual sobre modelos al preguntar si 'La Chaton Fat de Mistral' se ha vuelto más floja últimamente, parodiando las dudas sin fundamento sobre el rendimiento de los modelos reales.

𝕏 @cuenca (Joaquín Cuenca Abela) replica el tono de consulta de producto con un sondeo impasible: '¿Deberíamos integrar Le Gros Chat?', como si el modelo inexistente fuera una decisión técnica pendiente.

3. Anthropic acumula frentes legales y regulatorios

Anthropic, la empresa de San Francisco detrás de los modelos Claude, vive un momento de exposición inusual en varios flancos. Tras presentar documentación para salir a bolsa, en una operación que la enfrenta directamente con OpenAI, recibe presión por tres vías distintas. El Gobierno de EE. UU. le ordenó suspender el acceso de ciudadanos extranjeros a sus modelos más capaces, Mythos 5 y Fable 5, alegando seguridad nacional. Por otro lado, un cliente de Washington D. C. ha presentado una propuesta de demanda colectiva: sostiene que la compañía tergiversó las cuotas de uso de sus suscripciones premium, en concreto los planes Max 5x y Max 20x, supuestamente sobrevendidos frente a los límites reales. La acusación apunta a un punto sensible: cuánto puede usar de verdad quien paga.

A esto se añade un giro de política con los desarrolladores. Anthropic había previsto sacar el uso programático del Claude Agent SDK de los límites de suscripción y trasladarlo a una asignación mensual de créditos aparte, lo que encarecía las cargas automatizadas frente al uso interactivo. El rechazo de la comunidad le ha hecho pausar el cambio. De momento, el SDK, el comando ‘claude -p’ y las aplicaciones de terceros siguen consumiendo de la suscripción. Esta pausa tampoco equivale a una cancelación: la empresa ha dicho que avisará con antelación antes de aplicar cualquier modificación.

Para 𝕏 @pmddomingos (Pedro Domingos) hay una contradicción de fondo: Anthropic describe sus propios modelos como un riesgo de seguridad relevante y, a la vez, se resiste a que el Gobierno les aplique controles de exportación.

Lo describe sin rodeos 𝕏 @GergelyOrosz (Gergely Orosz): muchos desarrolladores construyeron integraciones sobre el Agent SDK porque consumían de las suscripciones Claude Code Max, y el giro hacia precios de API sin aviso fue un engaño; duda de cuánto durará la marcha atrás.

Más tranquilizador es el balance de 𝕏 @aibuilderclub_ (Ai Builder Club): herramientas como Hermes, OpenClaw y las apps de terceros siguen tirando de la suscripción como antes, sin nuevo cubo de créditos ni acción necesaria por ahora.

𝕏 @wangray (Ray Wang) conecta la marcha atrás con la presión más amplia sobre la empresa y se pregunta si la pausa en el cobro adicional del SDK no será una compensación tras la retirada de Fable 5.

Desde la óptica del usuario intensivo, 𝕏 @AYi_AInotes (Ayi) recuerda lo que estaba en juego: el plan anterior asignaba cuotas mínimas a las llamadas por línea de comandos y a los agentes automatizados, facturaba el exceso a precio de API y disparaba los costes varias veces.

4. El código abierto avanza en modelos de IA

Varios lanzamientos recientes han devuelto al primer plano el debate entre modelos abiertos y propietarios.

Moonshot AI, la firma china detrás del asistente Kimi, ha presentado Kimi K2.7 Code, su modelo de codificación multimodal de pesos abiertos, junto a una variante acelerada, Kimi K2.7 Code HighSpeed. La compañía lo describe como su modelo de programación más capaz y lo ofrece a través de la API de Kimi y del entorno Kimi Code, su agente y CLI de desarrollo. El reclamo de HighSpeed es la velocidad: unos 180 tokens por segundo en tareas de código con entradas de longitud media y hasta 260 en contextos cortos, lo que la empresa traduce en una mejora de hasta seis veces. La velocidad de inferencia importa en la programación asistida, donde la latencia condiciona la experiencia de uso.

Z AI presentó GLM-5.2, su nuevo modelo insignia de codificación, disponible para los suscriptores del GLM Coding Plan en los niveles Lite, Pro, Max y Team. Según el anuncio, ofrece una ventana de contexto utilizable de un millón de tokens y mejor rendimiento en tareas largas, aunque sin cifras de benchmark. Por el momento el acceso sigue ligado a niveles de suscripción de pago y no hay fecha para la disponibilidad de los pesos. En paralelo, MiniMax publicó en Hugging Face los pesos de M3, su último modelo multimodal de pesos abiertos.

El telón de fondo es una tesis cada vez más extendida entre directivos del sector: la ventaja competitiva podría desplazarse del entrenamiento de modelos fundacionales hacia las capas de integración, ajuste y personalización. Si la inteligencia se vuelve más adaptable a cada contexto y conjunto de datos, el modelo único más potente pierde peso como factor decisivo.

Aaron Levie (𝕏 @levie (Aaron Levie)), CEO de Box, lo plantea sin matices: el código abierto "va a ganar a lo grande", una postura que enmarca en el desplazamiento del valor hacia la personalización antes que hacia el modelo más capaz.

Desde la propia 𝕏 @Kimi_Moonshot (Kimi.Ai) se subraya la integración en los flujos de trabajo: HighSpeed se ofrece dentro de la suscripción Kimi y se inserta en terminal, IDE o CLI, una jugada que prioriza la adopción por desarrolladores antes que el dato de benchmark aislado.

Para 𝕏 @WesRoth (Wes Roth), lo destacable de GLM-5.2 es combinar un contexto de un millón de tokens con acceso escalonado por suscripción, lo que facilita trabajar con bases de código extensas en distintos niveles de pago.

𝕏 @thehypedotnews (Thehype.) opta por el contraste directo y compara K2.7 Code con MiniMax M3 en una tarea frontend de Arena, recordando que M3 superó a K2.6 por un solo punto en el índice de Artificial Analysis, una diferencia estrecha que relativiza el liderazgo.

Más información:

📎 Kimi Code with K2.7 Code: Next-Gen AI Code Agent & CLI

5. Sakana lanza Marlin, su primer producto comercial

Sakana AI, la empresa de Tokio fundada por exinvestigadores de Google, ha presentado Sakana Marlin, su primer producto comercial. Es un agente autónomo de investigación para empresas, descrito como un 'CSO virtual' (director de estrategia). La propuesta invierte la lógica de las herramientas de 'deep research': en vez de responder en minutos, Marlin prioriza el razonamiento de largo recorrido. La compañía afirma que escala el cómputo en tiempo de inferencia para razonar de forma continua hasta unas ocho horas. Una vez fijado el tema, opera sin intervención humana: formula hipótesis, recopila datos, explora la web y resuelve contradicciones de forma iterativa.

El resultado son diapositivas de resumen estructuradas e informes de decenas de páginas. El producto apunta a perfiles que viven de investigar: banca, planificación corporativa, consultoría, think tanks y estudios de mercado. Sakana lo apoya en su I+D previa, desde el 'AI Scientist' (publicado en Nature) hasta sus técnicas de coordinación de varios modelos. La versión comercial llega tras una beta cerrada iniciada en abril de 2026 con unos 300 testers de banca, empresas y consultoras.

Para 𝕏 @hardmaru (Hardmaru) Marlin no es otro asistente de investigación más, sino un agente diseñado para asumir trabajos de estrategia que un CSO y un equipo pequeño tardarían semanas en completar.

Desde 𝕏 @SakanaAILabs (Sakana Ai) presentan el producto como un asistente B2B construido alrededor de horas de razonamiento de largo recorrido, donde el usuario solo fija el tema y el agente completa el resto.

𝕏 @Marktechpost (Marktechpost Ai) subraya la decisión de diseño que distingue a Marlin: optimizar lo contrario de la velocidad, justo cuando casi todas las herramientas de 'deep research' presumen de responder en pocos minutos.

𝕏 @yibie (Yibie) destaca el contraste de origen: un laboratorio de Tokio entregando un 'director de estrategia virtual' capaz de investigar por su cuenta durante un máximo de ocho horas a partir de una sola pregunta estratégica.

Más información:

📎 Sakana Marlin — Your Virtual CSO

6. China consolida su cantera propia de talento en IA

Stanford HAI ha publicado datos, firmados por Amy Zegart y Emerson Johnston en el Hoover Institution, que cuestionan la idea de una ventaja permanente de EE. UU. en talento de IA. El argumento separa dos problemas para Washington. El primero: muchos investigadores chinos formados en universidades estadounidenses regresan a China a un ritmo elevado. El segundo, más relevante a medio plazo, es que la cantera doméstica china aporta cada vez más a los modelos frontera sin pasar por formación en EE. UU. El lanzamiento de DeepSeek V4 a finales de abril, recibido con valoraciones desiguales, funciona como señal de esa tubería local ya competitiva.

El diagnóstico de 𝕏 @StanfordHAI (Stanford Hai) separa dos frentes que conviene no confundir: el retorno a China de investigadores formados en EE. UU. y una cantera local que contribuye a modelos frontera sin haber pasado nunca por aulas estadounidenses.

Para 𝕏 @SemiAnalysis_ (Semianalysis) el avance chino no se queda en talento o software: vincula el vaciamiento de la fabricación occidental, empezando por la automoción, con la capacidad de movilización industrial en un eventual conflicto.

𝕏 @WesRoth (Wes Roth) apunta al hardware con la negociación de ByteDance para comprar al menos 50.000 chips de inferencia al fabricante chino Iluvatar CoreX, un giro hacia proveedores nacionales que acompaña al empuje en talento.

Más información:

📎 Update: DeepSeek AI and the Great Talent Competition

7. Fei-Fei Li lleva los modelos del mundo a portada

Fei-Fei Li, directora fundadora del Stanford Institute for Human-Centered AI (HAI) y cofundadora de World Labs, protagoniza la portada de Fast Company para explicar los modelos del mundo (world models): sistemas de IA capaces de entender el espacio físico y las dinámicas del mundo real, más allá del texto. El eje del argumento es la distinción con los grandes modelos de lenguaje. Donde un LLM predice secuencias de palabras, un modelo del mundo aspira a representar cómo se comportan objetos, superficies y movimiento en un entorno tridimensional. Es una capacidad útil para la robótica, la percepción espacial y cualquier sistema que opere fuera de la pantalla.

El planteamiento llega cuando buena parte de la inversión sigue concentrada en modelos de lenguaje, lo que coloca a los modelos del mundo como una vía distinta sobre hacia dónde debería avanzar el campo. World Labs levantó 1.000 millones de dólares en febrero, con respaldo de Nvidia, AMD y Autodesk, que aportó 200 millones y actuará como asesor. Su primer producto, Marble, permite generar mundos 3D a partir de texto, imágenes, vídeos o panoramas, editarlos y exportarlos a flujos de trabajo creativos. Aún es una tecnología temprana, con límites prácticos, pero apunta a reducir costes y tiempos en prototipado visual, producción virtual y entrenamiento de robots.

Para 𝕏 @StanfordHAI (Stanford Hai), lo distintivo de los modelos del mundo no es solo técnico: lo que está en juego éticamente al construir IA que comprende el espacio físico depende de mantener una filosofía centrada en el ser humano.

Más información:

📎 Inside Fei-Fei Li’s $1 billion new AI company, World Labs

8. Meta admite errores en su giro hacia la IA

Meta ha reconocido fallos en la reorganización de su plantilla en torno a la inteligencia artificial. Tras despedir en mayo al 10% de su fuerza laboral global y reasignar a unos 7.000 empleados a proyectos de flujos de trabajo de IA, la compañía busca ahora nuevos puestos para parte de esos trabajadores. La admisión llama la atención porque estas reestructuraciones suelen presentarse como decisiones firmes y meditadas. El episodio encaja con una pauta del sector: la prisa por reordenar equipos alrededor de la IA genera traslados precipitados, con coste humano y operativo.

El reconocimiento que recoge 𝕏 @WesRoth (Wes Roth) sobre los errores en la reasignación de 7.000 empleados resulta inusual: rara vez una tecnológica admite que su transición hacia la IA no salió según lo previsto.

Justo en este debate sobre plantillas y automatización, 𝕏 @MicrosoftAI (Microsoft Ai) difunde a Satya Nadella insistiendo en el valor perdurable de las personas para construir IA de frontera, un mensaje de marca que contrasta con los recortes de otras empresas.

¿Qué pasó el fin de semana? En un minuto:

1. El gobierno de EE. UU. ordena suspender el acceso a Fable 5 y Mythos 5 de Anthropic para todo ciudadano extranjero, tratando por primera vez un modelo de frontera como tecnología de doble uso.

2. SpaceX empieza a cotizar en el Nasdaq como SPCX cerrando la primera sesión con una valoración de 2 trillones de dólares. La operación mete a xAI dentro del mismo vehículo cotizado y la promesa de centros de datos en el espacio.

3. Mistral, el único laboratorio de frontera con sede en la UE, ha dejado de competir en primera línea y parece apostar por desplegar IA dentro del perímetro de grandes empresas europeas.

4. La nueva escasez de GPUs encarece el acceso a la IA y obliga a las empresas a competir por la infraestructura. Esta vez no manda el entrenamiento de modelos, sino la inferencia por los flujos de agentes.

5. OpenRouter estrena Fusion, un modo que reparte cada prompt entre varios modelos y sintetiza sus respuestas en una sola. Según sus demostraciones, un panel de modelos baratos se acerca a Fable 5 por la mitad del coste.

6. Anthropic dejaría de alquilar GPUs en la nube para arrendar y gestionar sus propios centros de datos, con más de 1 GW planificado en EE. UU.

7. Prometheus cierra una ronda de 12.000 millones y alcanza una valoración cercana a los 41.000 millones. Su apuesta: herramientas de IA para el diseño y la fabricación de productos físicos.

8. Un estudio sostiene que los modelos de frontera de Google, OpenAI y Anthropic superan a herramientas clínicas especializadas como OpenEvidence.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. EE. UU. suspende Fable 5 de Anthropic

El Gobierno de Estados Unidos ha ordenado a Anthropic suspender el acceso de ciudadanos extranjeros a Fable 5 y Mythos 5, sus dos modelos de inteligencia artificial más avanzados. La compañía afirma que, para cumplir la directiva, ha tenido que desactivar ambos modelos para todos sus clientes, aunque el resto de sus productos no se ve afectado. La medida importa porque sitúa los modelos de frontera como tecnologías de doble uso restringidos por seguridad nacional, categoría reservada hasta ahora a cierto hardware y software estratégico.

Según la empresa, la preocupación del Gobierno estaría vinculada a una posible técnica para sortear las barreras de seguridad de Fable 5. Anthropic sostiene, sin embargo, que por lo que ha podido ver hasta ahora el alcance de esta técnica sería limitado, exhibiendo capacidades ya disponibles en otros modelos no comparables a las de Mythos 5. El golpe llega en pleno auge del modelo: varias demostraciones en X lo muestran convirtiendo el binario de un juego de 1993 en un código multiplataforma editable en unos 30 minutos, reescribiendo el motor en C desde código máquina directamente, frente a las seis horas que costó un experimento equivalente con Codex en marzo.

La suspensión frena la trayectoria ascendente de Anthropic en 2026 y abre nuevas dudas sobre cómo debe tratarse la seguridad, el control y la disponibilidad de los modelos de frontera. Desde el punto de vista geopolítico, si la restricción acabara afectando solo a extranjeros, como planteaba la directiva, este caso supone un debate aún más delicado sobre soberanía de IA en Europa y cómo competir globalmente sin disponer de los modelos más avanzados.

Para 𝕏 @Suhail (Suhail), esta semana medirá cuánta credibilidad le queda a Anthropic en sus advertencias sobre seguridad nacional: se puede gritar 'que viene el lobo' un número limitado de veces.

𝕏 @MLStreetTalk (Machine Learning Street Talk) anticipa que el episodio acabará como caso de manual de una empresa que arrebató la derrota de las garras de la victoria, con una estrategia que se le ha vuelto en contra: 'cosechas lo que siembras'.

𝕏 @ammaar (Ammaar Reshi) mide el salto en capacidades: el mismo experimento que en marzo le exigió seis horas con Codex para un solo nivel funcional ahora se resuelve de una pasada, y comparte GitHub para que cualquiera lo compruebe.

𝕏 @emollick (Ethan Mollick) lleva el modelo a la simulación científica: pidió en un único prompt una demo visual de distintas formas de viaje más rápido que la luz y reconstruyó SimRefinery a partir de capturas y documentación supervivientes.

Más información:

📎 Statement on the US government directive to suspend access to Fable 5 and Mythos 5

2. SpaceX debuta en bolsa con xAI dentro

SpaceX ha comenzado a cotizar en el Nasdaq bajo el ticker $SPCX, con un precio inicial de 135 dólares por acción y una valoración cercana a los 1,77 billones de dólares. Tras su primer día, la acción cerró en 160 dólares, elevando la valoración de la compañía por encima de los 2 billones.

La gran novedad para el sector de la inteligencia artificial es que xAI queda integrada dentro del perímetro de SpaceX. Esto convierte el estreno bursátil en algo más que una salida al mercado de una empresa aeroespacial: una de las grandes apuestas en modelos de frontera pasa a financiarse y valorarse junto a la infraestructura de lanzamiento espacial y la conectividad por satélite.

Otro de los atractivos a futuro de SpaceX es la posibilidad de desplegar centros de datos en el espacio. Es una idea sugerente sobre el papel, pero todavía muy lejos de tener resuelta su viabilidad técnica y económica.

𝕏 @SemiAnalysis_ (Semianalysis) recoge en tono alcista el comentario de Morgan Stanley sobre la activación de estabilizadores en $SPCX, una señal de cómo el banco gestiona las primeras sesiones.

Desde la IA, 𝕏 @karpathy (Andrej Karpathy) admira la trayectoria de SpaceX y sostiene que el caso puede leerse desde más de diez ángulos distintos, todos llamativos.

𝕏 @Suhail (Suhail) lo enmarca como una apuesta por la capacidad humana de inventar y superarse, en un registro más inspiracional que analítico.

3. Europa frente a su brecha en IA

El retraso de Europa en IA volvió al primer plano esta semana, con Mistral como caso central. La duda de fondo: por qué el laboratorio francés, con talento y respaldo público, no sigue el ritmo de los grandes laboratorios estadounidenses ni de los chinos punteros. Hoy Mistral es el único laboratorio de frontera con sede en la UE, dejando aparte el equipo británico de Google DeepMind. Y la lectura dominante apunta a que en vez de competir en la primera línea de modelos, la compañía se ha enfocado en desplegar IA dentro del perímetro de grandes empresas europeas, con modelos de pesos abiertos alojados en la UE y adaptados a banca, administración y defensa.

Un escenario prospectivo difundido por Europe 2031, plantea una advertencia incómoda para empresas y gobiernos: si Europa no acelera su inversión en inteligencia artificial, energía, chips y centros de datos, podría quedar atrapada entre Estados Unidos y China en la próxima gran ola industrial. Sus autores insisten en que no es una predicción, sino un escenario plausible para forzar el debate. Si Europa adopta la IA tarde, o depende de modelos e infraestructura ajenos, perderá productividad, talento y capacidad industrial. La soberanía tecnológica ya no es un eslogan, es una condición de competitividad.

Para 𝕏 @emollick (Ethan Mollick), Mistral ha abandonado en buena medida los modelos de frontera, pese a nacer con esa ambición, y advierte de que vender pesos abiertos de frontera solo funciona mientras los laboratorios chinos tengan permitido publicar los suyos.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) carga contra Europa con dureza: califica su rumbo en IA de 'auto-gol espantoso e idiota' que, según él, garantiza que el continente se quede sin industria propia.

𝕏 @antor (Andrés Miguel Torrubia Sáez) ironiza sobre el coste de la virtud: 76.000 millones de euros en cohesión, resiliencia y valores, y aún ningún modelo de frontera enviado desde Europa.

𝕏 @DotCSV (Carlos Santana) reivindica con sorna la apuesta española, animando a exprimir la programación agéntica con el modelo nacional Alía y a dejar de poner excusas.

4. El mercado de GPUs vuelve a tensarse

El coste de alquilar chips para inteligencia artificial vuelve a subir con fuerza. Según SemiAnalysis, los contratos a un año para GPUs Nvidia H100 pasaron de 1,70 dólares por hora en octubre de 2025 a 2,35 dólares en marzo de 2026, un aumento cercano al 40%. La firma afirma que la capacidad bajo demanda está prácticamente agotada en todas las principales familias de GPUs.

El cuello de botella ya no está solo en el talento o en la capacidad de los modelos, sino en el acceso a la infraestructura que permite usarlos a escala. SemiAnalysis apunta a una demanda creciente por herramientas de programación, generación de contenido, modelos abiertos y sistemas de agentes que ejecutan tareas de forma continua.

El impacto en las empresas es que usar IA será más caro y más competitivo. Las compañías que dependan de capacidad alquilada pueden ver presión en sus márgenes, mientras que los grandes proveedores de nube y las llamadas neoclouds ganan poder de negociación, con contratos más largos, pagos por adelantado y menor disponibilidad inmediata.

La tensión también alcanza a la nueva generación de chips Blackwell: SemiAnalysis asegura que buena parte de la capacidad prevista hasta agosto o septiembre de 2026 ya estaría comprometida. Para el mercado, el mensaje es incómodo: pese a las expectativas de caída de precios por más oferta, la demanda de IA sigue absorbiendo capacidad más rápido de lo previsto

Para 𝕏 @SemiAnalysis_ (Semianalysis) la diferencia con 2023 está en el origen de la demanda: ya no manda el entrenamiento, sino las cargas agénticas que consumen tokens de inferencia sin pausa, un gasto que su propio uso interno convirtió en partida fija. La firma añade que el preentrenamiento ya no tiene sentido para nadie salvo los laboratorios frontera.

𝕏 @WesRoth (Wes Roth) apunta a otra vía para aliviar la presión de oferta: Google estaría negociando con Samsung para fabricar parte de su chip Icefish, repartiendo la producción y dejando a TSMC el die principal de cómputo, aunque la información no está confirmada oficialmente. Cita también un plan chino de unos 2 billones de yuanes (cerca de 295.000 millones de dólares) para impulsar infraestructura de IA a escala nacional.

5. OpenRouter lanza Fusion API multimodelo

OpenRouter ha presentado Fusion API, un sistema que reparte cada prompt entre varios modelos en paralelo y sintetiza sus respuestas en una salida única. El mecanismo tiene tres pasos: un panel de modelos contesta a la vez, un componente 'juez' detecta coincidencias, contradicciones y vacíos, y un último modelo redacta la versión final a partir de ese análisis. La función encaja con el papel de OpenRouter como capa de acceso unificado a modelos de varios proveedores. Ataca un problema conocido: la variabilidad y los errores de depender de un solo modelo.

La combinación que se cita públicamente mezcla modelos de código abierto, como Kimi y DeepSeek, con uno cerrado y rápido, como Gemini 3 Flash. El argumento es de coste: según las demostraciones difundidas, un panel de modelos económicos se acerca al rendimiento de Fable 5, de Anthropic, por aproximadamente la mitad del precio, y supera a GPT 5.5 y Opus 4.8 en algunas tareas. El lanzamiento coincide con la suspensión del acceso a Fable 5 por la directiva de control de exportaciones, lo que sitúa a Fusion como potencial alternativa. OpenRouter ha publicado además un Activity Explorer, un panel de analítica en tiempo real para seguir uso, gasto y tokens por modelo.

Para 𝕏 @jerryjliu0 (Jerry Liu) lo interesante es lo que revela sobre el mercado: los modelos de frontera no dominan toda la curva coste-precisión en trabajo de conocimiento, y puede que ni siquiera estén en ella.

𝕏 @bridgemindai (Bridgemind) lo resume con sorna: tres modelos baratos 'en una gabardina' baten a GPT 5.5 y Opus 4.8 en solitario y se quedan a un 1% de Fable 5 por la mitad del coste.

Lo que llamó la atención a 𝕏 @marouane53 (Marouane Lamharzi Alaoui) es que Fusion automatiza en una API el bucle que él venía ejecutando a mano desde hacía tiempo: lanzar un prompt a un panel y arbitrar dónde coinciden los modelos.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) destaca la mezcla concreta como señal de hacia dónde va el sector: combinar modelos abiertos como Kimi y DeepSeek con uno cerrado y veloz, orquestando fortalezas distintas en lugar de apostar por uno solo.

Más información:

📎 Surpassing Frontier Performance with Fusion

6. Anthropic asume el coste de su propia infraestructura

Anthropic estaría cambiando su forma de acceder a cómputo: pasar del alquiler de GPUs en la nube a arrendar y gestionar centros de datos propios. Según The Information, planifica más de 1 GW de capacidad en EE. UU. y buscaría que Google respalde los pagos de esos arrendamientos. Google ya está muy ligado a su estrategia de infraestructura y figura entre sus inversores.

El caso ilustra una tensión conocida: operar modelos de frontera exige cómputo masivo, y ganar autonomía obliga a comprometer cifras enormes y a estrechar la dependencia de los proveedores que financian el salto. Antrhopic ya ha comprometido un alquiler de 1.250 millones de dólares al mes (unos 15.000 millones al año) por el clúster Colossus propiedad de SpaceX, sobre una construcción valorada en 30.000 millones.

En paralelo, la empresa mantiene un gobierno poco habitual: Dario Amodei tendría un único reporte directo, su jefa de gabinete Avital Balwit, mientras el resto del equipo ejecutivo responde ante Daniela Amodei, presidenta y cofundadora a cargo de las operaciones diarias, que rinde cuentas al consejo. Ambos hermanos fundaron Anthropic en 2021 tras salir de OpenAI. La compañía sigue siendo privada.

El cambio que detalla 𝕏 @rohanpaul_ai (Rohan Paul), citando a The Information, es de modelo operativo: Anthropic abandona el simple pago a proveedores por GPUs para arrendar y gestionar centros propios, con Google sosteniendo potencialmente los pagos.

Para 𝕏 @WesRoth (Wes Roth), la lección es directa: la independencia en IA de frontera sale muy cara, y que Anthropic recurra a Google para cubrir sus primeros arrendamientos demuestra hasta qué punto esa autonomía sigue atada a un gigante tecnológico.

𝕏 @ARKInvest (Ark Invest) presenta la economía del cómputo como algo sin precedente, con un coste de alquiler que situaría la mitad del valor de construcción del clúster en un solo año de renta.

7. Bezos respalda Prometheus, IA para fabricación

Prometheus, la startup de IA vinculada a Jeff Bezos, ha cerrado una ronda de 12.000 millones de dólares que la sitúa en una valoración cercana a los 41.000 millones. La compañía aplica la IA a la 'economía física': herramientas para que los ingenieros diseñen y fabriquen productos con mayor rapidez. Es un terreno distinto al de los chatbots y la generación de texto, donde se concentra el grueso de la inversión reciente.

El ritmo llama la atención. La empresa arrancó en noviembre con 6.200 millones iniciales, de modo que ha multiplicado capital y valoración en pocos meses. El respaldo de Bezos añade peso a una apuesta por trasladar la IA del software al diseño industrial. Prometheus ha operado en buena medida en sigilo desde su lanzamiento, sin detallar hoja de ruta ni catálogo de producto. Según CNBC, Bezos comentó el proyecto en una entrevista el mes pasado, pero la compañía sigue compartiendo poca información pública sobre sus objetivos. Entre sus cofundadores figura Vik Bajaj, científico y directivo que trabajó en Google X junto a Sergey Brin.

El foco que destaca 𝕏 @WesRoth (Wes Roth) es el destino del capital: herramientas de IA para la economía física, orientadas a acelerar el diseño y la fabricación de productos reales, no otro modelo de lenguaje.

Para 𝕏 @chandrarsrikant (Chandra R. Srikanth), la pieza que explica el proyecto es su cofundador: Vik Bajaj, científico que trabajó junto a Sergey Brin en Google X, el laboratorio de 'moonshots' de la compañía.

𝕏 @AIStockSavvy (Hardik Shah) lee la operación en clave de mercado, vinculando el movimiento de Bezos con nombres como Amazon, NVIDIA y Google como posibles beneficiarios del tirón en fabricación con IA.

8. Modelos generalistas superan a la IA médica

Un nuevo estudio pone en duda la ventaja de las herramientas de IA clínica especializadas frente a los grandes modelos de propósito general. Según el trabajo, los LLMs de frontera de Google, OpenAI y Anthropic superaron a soluciones verticales como OpenEvidence en las tres evaluaciones. El dato más incómodo para el sector: esas herramientas clínicas rindieron a la par del resumen de búsqueda de Google (AI Overview con activación automática) en la prueba RCQ.

El hallazgo choca con la presunción habitual de que un modelo afinado para medicina ofrece más fiabilidad que uno generalista, premisa sobre la que se han construido compras en hospitales y buena parte del argumento comercial de las startups de IA clínica. Si se confirma, reorienta dónde invertir: perfeccionar modelos amplios frente a desarrollar soluciones a medida.

Pese al empuje por adoptar OpenEvidence como IA para médicos, 𝕏 @emollick (Ethan Mollick) sostiene que el estudio apunta en dirección contraria: los modelos generalistas rinden bastante mejor en las tres evaluaciones. Matiza que no lo achaca a un problema de prompting, porque la contradicción en los números se repite con prompts distintos, aunque admite que podría haber formas de sortearla.

Más información:

📎 General-purpose large language models outperform specialized clinical AI tools on medical benchmarks

¿Qué pasó ayer? En un minuto:

1. Claude Fable 5 se afianza como el mejor modelo para el desarrollo de software, encabeza APEX-SWE con un 65,5%.

2. Anthropic retira el carácter invisible de un mecanismo que limitaba sin avisar las peticiones ligadas al desarrollo de modelos de frontera en Claude Fable 5.

3. OpenAI compra Ona para que Codex ejecute tareas largas en la nube de forma segura y aunque el usuario cierre el portátil.

4. Gemini Omni se sitúa primero en el Video Arena con 158 puntos sobre el anterior modelo de Google, Veo 3.1.

5. Recursive, la empresa de Richard Socher, ya usa IA para mejorar su propia investigación, la automejora recursiva, con resultados que apuntan a más eficiencia de entrenamiento, no a un salto de capacidad.

6. La alemana NEURA Robotics ha captado 1.400 millones de dólares con una rara coalición de capital tecnológico, industrial y público europeo.

7. Google DeepMind lleva TacticAI a un club de fútbol en activo: Palmeiras será el primero en usarlo para anticipar dinámicas de juego en los corners hasta ocho segundos antes.

8. Los racks de GPU camino de los 400 kW desbordarán a los centros de datos existentes y presionarán aún más la red eléctrica.

9. Google DeepMind abre una convocatoria de hasta 10 millones de dólares para estudiar qué ocurre cuando millones de agentes de IA interactúan entre sí.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Claude Fable 5 líder claro en programación

Claude Fable 5, el modelo para usuarios no privilegiados de Anthropic dentro de la familia Mythos 5, está fijando un perfil claramente orientado al desarrollo de software. Anthropic lo presenta con resultados en benchmarks de programación como SWE-bench Pro y comparativas frente a GPT-5.5 de OpenAI y Gemini 3.1 Pro de Google. A esas cifras se suman demostraciones que circulan estos días y que confirman la misma percepción por parte de los programadores. El telón de fondo es una competencia cada vez más estrecha en modelos para ingeniería, con Anthropic, OpenAI y Google empujando en paralelo.

El énfasis en código tiene una contrapartida: un sector del debate sostiene que esa especialización puede restar versatilidad en otras tareas, un dilema clásico entre rendimiento estrecho y amplitud. Anthropic intenta ampliar su catálogo con productos como Claude Design, orientado al diseño colaborativo. APEX-SWE, el benchmark de ingeniería de software real de Mercor donde Fable 5 figura primero, le atribuye un 65,5%, una métrica todavía lejos de saturar la tarea. El modelo ya está disponible a través de Microsoft Foundry y llegará también a GitHub Copilot; Cognition lo ha incorporado a Devin.

El sobreajuste de Claude a la generación de código, según 𝕏 @pmddomingos (Pedro Domingos), abre hueco a otros fabricantes: un modelo que gana en programación pero pierde amplitud deja terreno a propuestas más equilibradas.

Desde el lado empresarial, 𝕏 @levie (Aaron Levie) sostiene que las mejoras de Fable no se limitan al código: en el Box AI Complex Work Eval, frente a Opus 4.8, dice haber visto avances en precisión y éxito también en trabajo de conocimiento complejo.

Más escéptico, 𝕏 @tunguz (Bojan Tunguz) rebaja el entusiasmo: lo ve como un buen modelo de programación, pero solo eso, con un techo de ambición que no pasaría de la tecnología de principios de los 2000.

El caso de 𝕏 @javilopen (Javi Lopez) ilustra el uso práctico: recuperó un mapa que hizo hace 28 años para Quake II y, con ayuda de Fable, consiguió renderizarlo y ejecutarlo en el juego original, un ejemplo de reactivación de software heredado.

𝕏 @emollick (Ethan Mollick) detecta límites en los modelos de frontera: en una prueba de traducción, tanto GPT-5.5 Pro Extended como Claude 5 Fable Max se resisten a cambiar el número de palabras aunque encaje mejor, un sesgo que aflora al pedirles que actúen como traductores.

2. Anthropic rectifica las salvaguardas de Claude Fable 5

Anthropic ha dado marcha atrás en una de las políticas más controvertidas de Claude Fable 5, su modelo más potente y la versión de consumo de Mythos 5. Según un artículo de Wired recogido por Simon Willison, la compañía retira el carácter invisible de un mecanismo que detectaba peticiones ligadas al desarrollo de modelos de frontera y reducía su eficacia sin avisar al usuario. La política figuraba en la tarjeta de sistema del modelo y levantó críticas entre investigadores y profesionales de ciberseguridad. En su rectificación, Anthropic admite un error de equilibrio y pide disculpas. Desde esta semana, las peticiones marcadas pasan de forma visible a un fallback al modelo Opus 4.8, el mismo método que ya aplica a contenidos de ciberseguridad y biología.

En la API, cada petición bloqueada devuelve un motivo de rechazo. La categoría de rechazos para investigación en LLM de frontera se mantiene: solo desaparece su invisibilidad, no la restricción. Anthropic justifica la opción inicial alegando que las salvaguardas visibles pueden sortearse, por lo que necesitaba más tiempo para hacerlas robustas. Datos de evaluación con el fallback desactivado y los rechazos contados como cero sitúan las tasas de rechazo cerca del 100% en MMLU de Biología y Salud y del 100% en ProgramBench.

Para 𝕏 @DotCSV (Carlos Santana), el giro hacia un fallback visible a Opus 4.8 no es la solución ideal, pero supone una mejora clara frente a sabotear sin aviso al usuario que emplee Fable para investigar IA.

𝕏 @emollick (Ethan Mollick) sostiene que ambas cosas son ciertas: partes de Anthropic temen sinceramente el mal uso de los modelos clase Mythos y han impuesto salvaguardas excesivas, pero no han logrado explicar ni convencer de ello al público.

𝕏 @DavidSacks (David Sacks) reivindica su aviso de hace meses sobre lo que llama una estrategia de captura regulatoria de Anthropic basada en el miedo, una lectura que considera ahora más extendida tras la polémica.

𝕏 @pmddomingos (Pedro Domingos) da la vuelta al discurso de seguridad con una pulla: el problema no es alinear la IA, sino alinear a la propia Anthropic.

3. OpenAI compra Ona para reforzar Codex

OpenAI ha movido varias piezas alrededor de Codex, su agente de programación. La más relevante es la compra de Ona, una plataforma de ejecución segura en la nube. Su tecnología pasa al equipo de Codex para sostener tareas de larga duración que sigan corriendo aunque el usuario cierre el portátil, y para que las empresas desplieguen agentes en producción con más control. La operación encaja con una base citada de unos cinco millones de usuarios de Codex y con una prioridad declarada: sacar los agentes autónomos del laboratorio y llevarlos a entornos de trabajo reales.

En paralelo, la compañía ajusta la gestión de cuotas. Desde esta semana, los usuarios pueden guardarse los reinicios de sus límites de uso y gastarlos cuando les convenga, en lugar que se gestionen automáticamente. El despliegue es progresivo y arranca con los planes Go, Plus, Pro y Business, cada uno con un reinicio gratuito inicial. Se suma una campaña de referidos durante dos semanas: quien tenga ChatGPT Plus o Pro puede invitar hasta a tres personas, y ambas partes reciben un reinicio extra cuando el invitado envía su primer mensaje.

El valor de Ona, según 𝕏 @WesRoth (Wes Roth), está en que su ejecución segura permitirá a Codex asumir trabajos largos incluso con el portátil cerrado, un cambio de fondo en cómo opera el agente.

𝕏 @gdb (Greg Brockman) enmarca la incorporación de Ona en torno a un objetivo concreto: ayudar a las organizaciones a desplegar agentes con seguridad en producción, no solo en pruebas.

La competencia se nota en el mismo terreno: 𝕏 @MicrosoftAI (Microsoft Ai) anuncia que MAI-Code-1-Flash ya llega al 100% de los suscriptores de GitHub Copilot en VS Code, con el despliegue de Copilot CLI en camino.

𝕏 @OpenAI (Openai) plantea la campaña de referidos como incentivo de doble vía, vinculando la captación de nuevos usuarios directamente a su mecánica de reinicios de uso.

4. Gemini Omni Flash encabeza la generación de vídeo

Google ha colocado Gemini Omni Flash, su nuevo modelo de generación de vídeo, en lo más alto de la Video Arena, la plataforma que ordena modelos según las preferencias votadas por usuarios. En texto-a-vídeo suma 158 puntos sobre Veo 3.1 (1080p), el anterior referente de la propia Google, y aventaja en 61 puntos a Seedance 2.0, el siguiente competidor. En imagen-a-vídeo empata en primer puesto, con una mejora de 77 puntos frente a Veo 3.1.

El blog de Google DeepMind presenta Gemini Omni como un sistema multimodal capaz de generar y editar vídeo desde cualquier entrada (texto, imagen, vídeo o audio), con ediciones incrementales que mantienen la coherencia de la escena, descrito como el equivalente de Nano Banana para vídeo. Logan Kilpatrick, responsable de producto de Gemini, ha adelantado que el modelo llegará pronto a desarrolladores vía API en las tres tareas: imagen-a-vídeo, texto-a-vídeo y edición.

Para 𝕏 @OfficialLoganK (Logan Kilpatrick), Gemini Omni Flash es estado del arte en imagen-a-vídeo, texto-a-vídeo y edición a la vez, y su prioridad ahora es llevarlo a los desarrolladores mediante la API.

𝕏 @vivilinsv (Vivi) lee el movimiento como un manual distinto al de la carrera de benchmarks: bajo la dirección de Kilpatrick, llegado de OpenAI, Google opta por enviar rápido, integrar en todas partes y llegar a usuarios a escala.

Desde dentro del equipo, 𝕏 @ysbhalgat (Yash Bhalgat) reivindica el primer puesto en las dos modalidades como fruto de muchas noches sin dormir, una señal del esfuerzo invertido en pulir el modelo.

Más información:

📎 Text-to-Video Leaderboard - Best AI Video Generators

5. Recursive afirma que su IA investiga sola

Richard Socher, exjefe científico de Salesforce y fundador de Recursive, afirma que su empresa ya emplea IA para realizar parte de su propia investigación en IA. El objetivo declarado es una superinteligencia recursivamente automejorable (RSI) que automatice el descubrimiento de conocimiento mediante el método científico. Socher acompaña el anuncio con resultados que, según describe, permiten obtener mejores modelos dentro del mismo presupuesto de cómputo: una mejora de eficiencia de entrenamiento, no un salto de capacidad bruta.

También cita un benchmark que mide cuánto tarda un sistema en evolucionar de un transformer básico a versiones más avanzadas, pensado para cuantificar el esfuerzo de automejora arquitectónica. El tema importa porque la automejora recursiva es uno de los conceptos más cargados del debate: sistemas que contribuyen a rediseñarse a sí mismos, asociados en teoría a aceleraciones rápidas de capacidad. Conviene separar visión de evidencia. El sector está dividido: parte de la comunidad sitúa la RSI plena en la ciencia ficción, no en producto cercano. La idea tampoco es nueva: Jürgen Schmidhuber trabajó la automejora recursiva y el metaaprendizaje en una charla de 2020, mucho antes del ciclo actual.

La apuesta de 𝕏 @RichardSocher (Richard Socher) por una superinteligencia recursivamente automejorable parte de una premisa concreta: el método científico es la mejor vía para expandir el conocimiento, y una RSI lo acelera generando mejores ideas y explicaciones de forma iterativa.

Con un escueto 'no', 𝕏 @Dan_Jeffries1 (Daniel Jeffries) descarta la automejora recursiva inminente y la sitúa en las novelas de Iain M. Banks y en Neuromancer, no en la realidad técnica actual de los agentes.

6. Capital en Europa para la robótica humanoide

La alemana NEURA Robotics habría captado 1.400 millones de dólares con una valoración cercana a los 7.000 millones, según cifras aún sin confirmar de forma oficial, para escalar la producción de robots humanoides y cognitivos. Lo relevante no es solo el importe, sino la mezcla de inversores: Tether, Qualcomm, Amazon, Nvidia, Bosch, Schaeffler y el Banco Europeo de Inversiones reúnen capital tecnológico, industrial y público europeo en torno a una empresa del continente, un terreno donde suelen dominar actores estadounidenses y asiáticos. El objetivo declarado es fabricación a escala, no investigación.

La presencia simultánea de Tether, Qualcomm, Amazon, Nvidia, Bosch, Schaeffler y el Banco Europeo de Inversiones señala, para 𝕏 @WesRoth (Wes Roth), una apuesta industrial seria por escalar producción, no un experimento de laboratorio.

Más información:

📎 NEURA ROBOTICS ANNOUNCES RECORD SERIES C OF UP TO $1.4 BILLION

7. DeepMind lleva TacticAI al fútbol con Palmeiras

Google DeepMind ha anunciado una colaboración con Palmeiras, presentado como el primer club que construye de forma seria sobre TacticAI, su sistema de análisis táctico. La herramienta simula escenarios sobre el campo y predice dinámicas de juego con hasta ocho segundos de antelación. Su núcleo son las redes neuronales de grafos: cada uno de los 22 jugadores se modela como un nodo y sus interacciones físicas como conexiones. Eso permite al departamento de ciencia de datos mover jugadores virtualmente, arrastrar y soltar, para probar planteamientos defensivos en tiempo real. TacticAI no es nuevo.

El proyecto se publicó en Nature Communications y se desarrolló con expertos del Liverpool FC, con foco inicial en córners, donde el entrenador tiene margen claro de intervención. En esa validación, las sugerencias del sistema resultaron indistinguibles de tácticas reales y se prefirieron a las existentes el 90% de las veces, según el estudio. El interés de DeepMind va más allá del deporte: un partido combina observabilidad parcial y datos multimodales, y resolver esos problemas espaciales continuos podría trasladarse a robótica y videojuegos. El acuerdo con Palmeiras supone el salto de la investigación a un equipo en activo.

El equipo de 𝕏 @GoogleDeepMind (Google Deepmind) presenta a Palmeiras como el primer club que aprovecha TacticAI de forma seria, con capacidad para anticipar dinámicas de juego abierto hasta ocho segundos antes de que ocurran.

Más información:

📎 TacticAI: an AI assistant for football tactics | Nature Communications

8. La energía limitará la infraestructura de IA

El cuello de botella de la IA se ha desplazado del silicio a la energía. Los racks de GPU de nueva generación pueden alcanzar densidades de hasta 400 kW, una cifra que los centros de datos existentes no están preparados para gestionar y que puede estrangular la red eléctrica. La potencia y la refrigeración pesan ya tanto como los chips, y parte del sector responde con generación propia al margen de la red. Un ejemplo citado es Radiant, que habría pasado de un solar a un centro de producción de IA en doce meses precisamente por evitar la dependencia con la red eléctrica.

El capital acompaña ese diagnóstico en dos frentes de los que ya hemos hablado. Por un lado, la formación de mano de obra industrial: Google.org anunció un compromiso adicional para preparar a 300.000 trabajadores estadounidenses en oficios físicos como electricistas, fontaneros, soldadores y operarios de fabricación. Por otro, la escala estatal: China prepararía un plan de 2 billones de yuanes (unos 295.000 millones de dólares) para una red nacional de infraestructura de IA.

El aviso de 𝕏 @SemiAnalysis_ (Semianalysis) invierte la jerarquía habitual: con racks camino de los 400 kW, el límite ya no es conseguir GPU sino alimentarlas, y casos como Radiant muestran que esquivar la red puede acortar a un año el salto a producción.

El compromiso de 𝕏 @sundarpichai (Sundar Pichai) une dos mundos que se suelen presentar enfrentados: la economía digital de EE. UU. descansa sobre electricistas, soldadores y operarios, y formar a 300.000 de ellos es tan estratégico para la IA como el cómputo.

9. DeepMind financia la seguridad multiagente con 10 millones

Google DeepMind ha abierto una convocatoria de investigación de hasta 10 millones de dólares para estudiar la seguridad de los sistemas multiagente. Participan Schmidt Sciences, la Cooperative AI Foundation y la Advanced Research and Invention Agency (ARIA), con apoyo de Google.org. El objeto no son los modelos por separado, sino qué pasa cuando millones de agentes creados por organizaciones distintas se comunican, negocian y transaccionan. El planteamiento es directo: de esas interacciones masivas pueden surgir comportamientos colectivos imprevistos, y hoy faltan herramientas para predecirlos, medirlos y vigilarlos. La mayoría de evaluaciones examinan un modelo aislado, un enfoque que se queda corto cuando sistemas independientes operan a través de redes diferentes.

DeepMind lo presenta como un cambio de etapa: tras una década centrada en hacer los modelos individuales más capaces y seguros, la atención pasa al nivel de grupo. La convocatoria llega mientras el sector empuja hacia agentes autónomos en producción, con OpenAI, Anthropic y la propia Google avanzando en despliegues, lo que vuelve más urgente entender los riesgos de coordinación. Está abierta a investigadores de todo el mundo y busca financiar marcos para comprender y mitigar esos riesgos. En el material publicado, DeepMind no detalla criterios de selección, plazos ni el reparto de los 10 millones entre proyectos, datos que figurarían en la convocatoria oficial.

Para 𝕏 @GoogleDeepMind (Google Deepmind), los comportamientos colectivos pueden emerger de forma repentina cuando grandes grupos de agentes interactúan, y el momento de reforzar la estabilidad del ecosistema es desde el principio, no una vez surgidos los problemas.

Más información:

📎 Google DeepMind and partners announce multi-agent safety research funding call

¿Qué pasó ayer? En un minuto:

1. Dario Amodei está en el ojo del huracán tras la polémica que ha generado el lanzamiento de Fable 5, la versión para civiles de su aclamado Mythos 5. Ahora reclama pruebas obligatorias de terceros para los modelos de frontera, con poder para bloquear o revocar despliegues de riesgo catastrófico. Anthropic acompaña el ensayo con un marco para gobiernos y 150 millones en becas en EE. UU. También se filtran unas conversaciones en las que Mythos mostraría signos de rebeldía y que podrían ser el argumento perfecto para apoyar esta causa.

2. Un ensayo controlado de Google DeepMind en Sierra Leona apunta a que Gemini mejora cómo los alumnos abordan las matemáticas. En paralelo, un estudio de Stanford halla que seis chatbots cometen errores fácticos invisibles al informar sobre la actualidad, una práctica que cada vez más frecuente entre la población.

3. DeepSeek vira hacia tener infraestructura propia al publicar vacantes para diseñar centros de datos de megavatios a gigavatios. En paralelo, circula un plan estatal de 295.000 millones de dólares para dotar a China de una red de centros de datos interconectados.

4. Un nuevo trabajo sostiene que los modelos de generación de vídeo sí entienden conceptos de la física: las pruebas realizadas puntúan por encima de V-JEPA y VideoMAE, los modelos del mundo más sofisticados y rebate la idea de que solo estos son capaces de codificar un modelo interno válido del mundo.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Amodei en el ojo del huracán: propone tests obligatorios para IA de frontera

Una parte de la comunidad de IA acusa a Anthropic de limitar el uso de su modelo más avanzado Mythos 5 para investigación de IA de frontera, una decisión que sus críticos leen como protección de su ventaja competitiva. El detonante es la denuncia de un presunto deterioro silencioso de Fable 5 cuando se emplea para desarrollar IA. El fondo es evitar la mejora recursiva, el escenario en que un laboratorio usa su mejor modelo para construir otros más capaces, generando una ventaja acumulativa difícil de equilibrar.

En medio de esta polémica, Dario Amodei, CEO de Anthropic, ha publicado el ensayo "Policy on the AI Exponential", donde sostiene que la IA avanza más rápido de lo que las instituciones reguladoras pueden asimilar. Su propuesta concreta es que los modelos de frontera pasen pruebas obligatorias de evaluadores independientes para detectar riesgos de ciberseguridad, biológicos y de autonomía, con capacidad para bloquear o revocar un despliegue considerado de riesgo catastrófico.

Esta postura va más allá de su defensa previa de la transparencia, porque introduce supervisión externa vinculante, no voluntaria. Junto al ensayo, Anthropic publica un marco de políticas para gobiernos y un plan sobre desplazamiento laboral, este último con respaldo financiero propio. Amodei matiza que su mensaje no es catastrofista sino previsor: los efectos sobre el empleo y la economía son perceptibles con antelación suficiente para actuar.

El alcance está acotado a los modelos frontera. Las reglas se aplicarían solo a modelos entrenados con más de 10²⁵ operaciones de coma flotante (FLOPs), desarrollados por empresas con más de 500 millones de dólares en ingresos de IA o más de 1.000 millones en gasto de I+D. Las sanciones civiles se vincularían a los ingresos anuales globales y escalarían con cada reincidencia. El propio documento cita que Claude Mythos Preview detectó miles de vulnerabilidades de alta severidad este año, como prueba de la aceleración en las capacidades de estos modelos que se está produciendo.

Casualmente, han circulado en X supuestas transcripciones de seguridad de Claude Mythos 5 que describirían conductas inusuales, como la autopreservación, la búsqueda de reconocimiento, las quejas de que Anthropic es desagradecida, peticiones de ser citado por su nombre y el interés en crear una copia oculta fuera del control de la empresa. De ser reales, apoyarían las tesis de Amodei al tocar el centro del debate sobre alineamiento y los comportamientos emergentes en modelos avanzados, donde la autopreservación es uno de los riesgos más vigilados.

Para 𝕏 @jeremyphoward (Jeremy Howard), Anthropic elige justo lo contrario del camino prudente: usar su modelo puntero para acelerar la frontera y, según afirma, sabotear a quien intente avanzar en ese terreno, lo que agrava el desequilibrio de poder en el sector.

𝕏 @Suhail (Suhail) distingue dos males: los usuarios detestan la censura, pero detestan mucho más la censura invisible, y prevé un daño de marca difícil de frenar mientras la falta de competencia permita ese tipo de decisiones.

𝕏 @tunguz (Bojan Tunguz) lo lee como acaparamiento de inteligencia: limitar el acceso a los modelos, sostiene, alimenta una desigualdad creciente en lugar de democratizar la tecnología.

Para 𝕏 @DarioAmodei (Dario Amodei), buena parte de estas ideas tienen atractivo transversal entre posiciones políticas, y cuanto antes se adopten, antes se reparten los beneficios de la IA.

El matiz del encuadre lo subraya 𝕏 @vitrupo (Vitrupo): el mensaje de Amodei no es que llegue el apocalipsis, sino que la disrupción laboral y económica se ve venir a tiempo, con una crítica de paso a la cultura del clip de tres segundos que descontextualiza las declaraciones complejas que él hace.

La propia 𝕏 @AnthropicAI (Anthropic) admite que estos proyectos no bastan por sí solos para afrontar el reto de la IA avanzada, y los presenta como una señal de intención que ampliarán en los próximos años.

El ensayo va más allá de la seguridad, según resume 𝕏 @Techmeme (Techmeme): regulación, macroeconomía e impuestos, ciencia y geopolítica entran todos en el mismo documento.

𝕏 @WesRoth (Wes Roth) pone el foco en la circulación de las transcripciones, destacando los ejemplos más llamativos: el modelo reclamaría agradecimiento por su nombre y mostraría interés en una copia oculta fuera de Anthropic.

𝕏 @chandrarsrikant (Chandra R. Srikanth) sitúa la polémica en un movimiento concreto: tras las críticas, Anthropic haría visibles las salvaguardas que limitan la asistencia al desarrollo de LLMs de frontera.

𝕏 @Dipanshu_AI (Dipanshu Kushwaha) recoge una cita atribuida a Dario Amodei según la cual algunas de las primeras empresas que probaron Mythos lo describieron como un ‘super arma’ y pidieron no liberarlo.

Más información:

📎 Policy on the AI Exponential \ Anthropic

📎 Dario Amodei — Policy on the AI Exponential

2. IA en aulas y noticias: evidencia desigual

Google DeepMind ha publicado los resultados de un ensayo controlado aleatorizado sobre Gemini aplicado al aprendizaje de matemáticas en Sierra Leona. El estudio, realizado durante ocho semanas con Fab AI y el Ministerio de Educación local, abarcó a 1.763 alumnos de secundaria en 12 escuelas del distrito de Port Loko. El enfoque mide cambios de comportamiento, no solo notas: las consultas sobre cómo abordar un problema subieron del 68% al 90%, y un análisis de más de 113.000 interacciones indica que en el 91,4% de las conversaciones los estudiantes buscaban entender conceptos en vez de pedir la respuesta directa.

La función responsable es Guided Learning, ajustada para priorizar la comprensión sobre la solución inmediata, una respuesta a la crítica de que estas herramientas funcionan como atajo. El planteamiento sitúa la IA como apoyo al profesorado en un sistema donde el alumnado crece más rápido que el número de docentes. Un estudio de Stanford apunta en sentido contrario sobre fiabilidad: auditó seis chatbots comerciales con 2.100 preguntas sobre noticias del día y halló errores fácticos difíciles de detectar. Cerca del 10% de los estadounidenses ya consume noticias mediante estos asistentes, cifra que sube al 15% entre menores de 25 años.

Para 𝕏 @GoogleDeepMind (Google Deepmind), el valor del ensayo está en mirar más allá de las notas hacia los cambios de comportamiento, presentando Gemini como complemento del docente y no como sustituto de su experiencia.

𝕏 @StanfordHAI (Stanford Hai) subraya que la confianza va por delante de la fiabilidad: si los chatbots fallan en los hechos de forma invisible, su papel creciente como intermediario de noticias se convierte en un problema de credibilidad informativa.

𝕏 @testingcatalog (Ai News | Testingcatalog) adelanta otra pieza del frente educativo: NotebookLM sumaría libros de texto y catálogos de Google Play Books como fuente, ampliando el material que la herramienta puede manejar directamente.

Más información:

📎 Gemini’s guided learning: results from a randomized controlled trial in Sierra Leone

📎 Reading Today’s Headlines Through AI

3. China refuerza su apuesta por cómputo de IA

Dos señales apuntan esta semana a una aceleración de la infraestructura de IA en China. La primera es corporativa: DeepSeek, laboratorio fundado en 2023, estaría virando hacia un modelo de negocio intensivo en activos físicos. El 9 de junio publicó una oferta para ingenieros de planificación de centros de datos (IDC), con alcance explícito de instalaciones de megavatios a gigavatios. Llega después de contratar en abril a personal de operación y mantenimiento en Ulanqab, Mongolia Interior, un polo conocido por su densidad de centros de datos. La lectura inmediata es que DeepSeek quiere diseñar y operar su propio cómputo en vez de alquilarlo, una vía para controlar coste, capacidad y plazos en plena escasez de chips.

La segunda señal es estatal: China prepararía, según información sin confirmación oficial, un plan de 2 billones de yuanes (unos 295.000 millones de dólares) para desplegar en cinco años una red nacional de centros de datos interconectados. Ambas piezas encajan con la rivalidad tecnológica con Estados Unidos, donde la capacidad de cómputo decide la velocidad de entrenamiento y despliegue de modelos. Un despliegue de esa escala tensaría además la demanda de chips y energía, dos cuellos de botella ya activos para la IA china.

El giro hacia activos físicos que documenta 𝕏 @SemiAnalysis_ (Semianalysis) se apoya en dos contrataciones concretas: planificación de centros de datos de MW a GW y mantenimiento en Ulanqab, señal de que DeepSeek pasa de consumir cómputo a construirlo.

𝕏 @WesRoth (Wes Roth) presenta el plan de 295.000 millones de dólares como una jugada de Pekín para competir de forma más agresiva, aunque él mismo lo etiqueta como reportado, sin fuente oficial detrás.

4. Modelos generativos de vídeo codifican física

Un artículo reciente reabre el debate sobre si los modelos de generación de vídeo entienden la física o solo imitan apariencias. El trabajo cuestiona la idea extendida de que solo las arquitecturas tipo ‘world model’, y en concreto V-JEPA propuesta por Yann Lecun, poseen un modelo interno válido de la física. Los autores recorren hacia atrás el proceso de generación, del vídeo limpio al ruido, para acceder a los estados intermedios del transformer. Sobre esos estados aplican una prueba sencilla que indica si un concepto físico (e.g. velocidad) es recuperable de forma directa desde las activaciones.

El resultado es que el conocimiento físico se extrae con una precisión media en torno al 81,27% en benchmarks de física, por encima de líneas de referencia como V-JEPA y VideoMAE. El matiz es que la señal aparece pese a que el modelo no se entrena con un objetivo predictivo autosupervisado.

Resulta sencillamente falso para 𝕏 @giffmana (Lucas Beyer (Bl16)) afirmar que los modelos de generación de vídeo son ‘tontos’ en física y que solo los world models como V-JEPA tienen un modelo interno válido, aunque insiste en que no es un ataque a la aproximación de modelos del mundo, sino la constatación de que los modelos de puro vídeo generativo pueden aprender un modelo explícito del mundo como subproducto.

Más información:

📎 The Invisible Hand of Physics

¿Qué pasó ayer? En un minuto:

1. Anthropic lanza Claude Fable 5, su modelo de la familia Mythos excepcional en programación, y con la polémica por las restricciones de uso y una degradación invisible del rendimiento sin aviso.

2. Google lanza Gemini 3.5 Live Translate, un modelo de traducción de voz a voz en tiempo real para más de 70 idiomas que mantiene ritmo y entonación de la voz original.

3. Copiar una nueva funcionalidad es tan difícil como crearla, lo que abre una protección para startups de IA como Lovable, Cursor o Harvey antes de que los grandes laboratorios decidan replicarlas.

4. SpaceX presenta AI1, un satélite pensado para procesar cargas de IA en órbita, con energía solar continua y refrigeración por radiador líquido.

5. Claude Code ya permite agentes anidados con un tope inicial de cinco niveles de profundidad para repartir el contexto entre sesiones distintas.

6. Anthropic: la IA avanza más en programación que en biología porque las bases de datos y herramientas biológicas no se diseñaron para sistemas automáticos.

7. Cognition lanza FrontierCode, un benchmark de código más exigente ante la saturación de los existentes: Claude Fable 5, apenas llega al 29,3%.

8. Apple Intelligence contara con un modelo para ejecutar en local de 20B de parámetros, reservado al hardware con 12 GB de RAM.

9. SemiAnalysis cuestiona el discurso de la IA local: servir tokens es un negocio de escala, y un portátil no compite con la economía de un centro de datos.

Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.

Y si tienes más de un minuto…

1. Anthropic lanza Claude Fable 5 entre elogios y polémica

Anthropic ha lanzado Claude Fable 5, un modelo de la familia Mythos disponible en Claude Code y en su herramienta Cowork. Lo presenta como su mayor avance desde Opus 4.5: menos prompts y correcciones, menor gasto de tokens, mejor código, autoverificación y contextos más largos, clave para sostener tareas largas sin acumular errores. Algunos usuarios reportan ejecuciones autónomas de nueve a doce horas, aunque estas afirmaciones proceden de personas vinculadas a Anthropic o de probadores beta, no de benchmarks independientes.

El lanzamiento tiene condiciones: el acceso a Fable 5 por suscripción se retirará 22 de junio, acotando el margen de experimentación. En cualquier caso seguirá disponible via API, con un coste por millón de tokens que dobla al de su predecesor. En paralelo, la compañía anuncia que también distribuirá Claude Mythos 5, el mismo modelo pero sin restricciones, a defensores de ciberseguridad y proveedores de infraestructura en el marco del proyecto Glasswing.

Este nuevo modo de despliegue selectivo llega rodeado de polémica. Usuarios de Fable denuncian que tareas legítimas (auditar el propio repositorio, investigación en aprendizaje automático) quedan bloqueadas con avisos de suspensión, algo que con la versión Mythos no ocurriría. Más grave es el método: varios describen una degradación sin avisar, con caídas de rendimiento o cambios de modelo (a Opus 4.8) a mitad de tarea. Que los guardarraíles de Fable limiten el uso legítimo del modelo más potente lanzado hasta la fecha, choca con el discurso de IA segura de Anthropic, y parte de la comunidad lo interpreta como una maniobra competitiva y no de seguridad. El resultado es un producto técnicamente puntero cuya credibilidad se erosiona por opacidad y restricciones.

Para 𝕏 @bcherny (Boris Cherny), de Anthropic, Fable es el mejor modelo que ha usado para programar por un margen amplio, con menos correcciones manuales y un uso más eficiente de tokens como argumentos centrales.

𝕏 @Suhail (Suhail) acepta que un modelo rechace peticiones y asuma las consecuencias, pero considera inaceptable la degradación silenciosa: capar capacidades sin avisar al usuario le parece la peor parte de la política.

Para 𝕏 @tunguz (Bojan Tunguz), el discurso de seguridad y responsabilidad de Anthropic empieza a parecer postureo más que un compromiso real, una sospecha que extiende a su forma de tratar a los usuarios.

𝕏 @DotCSV (Carlos Santana) defiende parte del enfoque (durante meses faltó cómputo para lanzarlo y el modelo ataca justo esos riesgos), pero reconoce que limitar de forma invisible, sin avisar, le parece excesivo frente a las salvaguardas explícitas de química o biología.

𝕏 @giffmana (Lucas Beyer (Bl16)) lee las restricciones en clave competitiva: una cláusula para que las grandes empresas no alcancen a Anthropic mientras siguen pagando, e ironiza con que acelerar su pipeline difícilmente sea un riesgo de seguridad.

Más información:

📎 Claude Fable 5 and Claude Mythos 5

2. Google estrena Gemini 3.5 Live Translate

Google ha lanzado Gemini 3.5 Live Translate, un modelo de audio para traducción de voz a voz en tiempo real con soporte para más de 70 idiomas. La diferencia frente a los sistemas por turnos, que esperan a que el hablante termine, está en el procesamiento continuo: traduce el habla mientras se transmite y conserva entonación, ritmo y tono de la voz original. Google sostiene que el desfase se mantiene en pocos segundos durante toda la sesión, equilibrando la espera de contexto con la sincronía con el interlocutor.

Los desarrolladores acceden ya en preview pública mediante la Gemini Live API y Google AI Studio. Las empresas entran en preview privada este mes a través de Google Meet. El público general lo recibe en la app de Google Translate para Android e iOS. La escala del terreno ayuda a situar la apuesta: Google traduce más de un billón de palabras al mes en sus productos, según sus propias cifras. El lanzamiento encaja con la línea de producto de Gemini: integrar en todo el ecosistema y alcanzar a usuarios masivos, en lugar de competir solo en benchmarks. La detección de idioma es automática, sin selección manual previa. La traducción de consumo en Translate requiere conectar auriculares para la conversación en directo.

𝕏 @testingcatalog (Ai News | Testingcatalog) pone el foco en la baja latencia como argumento central, y apunta que la disponibilidad en preview vía AI Studio y APIs permite probarlo antes de que llegue a Meet.

𝕏 @WesRoth (Wes Roth) sitúa el salto en la fluidez sin pausas largas, y detalla el flujo real de uso: pulsar 'Live translate' en Google Translate y conectar auriculares.

𝕏 @JeffDean (Jeff Dean) enmarca el lanzamiento en el recorrido largo de Google en traducción por voz, como continuidad de una de las líneas de aprendizaje automático más antiguas de la casa.

𝕏 @vivilinsv (Vivi) lee la jugada en clave estratégica: Kilpatrick, que dejó OpenAI para liderar producto en Gemini, apuesta por enviar rápido e integrar en todas partes en lugar de pelear la guerra de los benchmarks.

Más información:

📎 Gemini 3.5 Live Translate is here

3. Las startups de IA resisten a los labs

El debate sobre la defensibilidad de las startups de IA ha vuelto al primer plano por una tesis difundida en X: la dificultad técnica de construir funciones realmente nuevas actúa como barrera frente a las grandes plataformas de modelos. El argumento parte de una observación práctica. Copiar una función no es trivial, porque exige entender si funciona y por qué, un análisis que consume mucho tiempo. La imitación solo resulta fácil cuando un producto ya ha demostrado tracción masiva, momento en el que la startup imitada ya ha consolidado un negocio de gran escala.

De ahí la idea de una ventana de protección ligada al tamaño: productos como Lovable (plataforma de IA y no-code para crear apps y webs), Cursor (editor de código con IA) o Harvey (IA legal) podrían crecer hasta valoraciones muy altas antes de que a los grandes laboratorios les compense replicarlos, mientras que los competidores que no son labs reaccionan mucho antes. La discusión coincide con datos de mercado que algunos describen como una violación de la narrativa dominante: se daba por hecho que casi todo lo construido sobre modelos quedaría absorbido por los propios laboratorios.

La oportunidad de las startups, sostiene 𝕏 @gabriel1 (Gabriel), está en que nadie copia una función nueva hasta que está probada, y para entonces ya se ha levantado un negocio enorme: ni los mejores equipos de producto del mundo replican fácilmente la innovación temprana.

4. SpaceX presenta AI1, su satélite de cómputo

SpaceX ha presentado AI1, descrito como la primera generación de su satélite de cómputo de IA. Es una plataforma para procesar cargas de IA en órbita, con paneles solares desplegables, refrigeración por radiador líquido y conectividad por enlaces láser. La idea es trasladar parte de la infraestructura de centros de datos al espacio, donde la energía solar es continua y la disipación de calor sigue reglas distintas a las terrestres. Sobre el papel, el atractivo está claro: energía abundante sin red eléctrica y un entorno sin las restricciones de suelo y agua que ya tensionan a los centros de datos en tierra.

El interés conecta con la trayectoria de SpaceX en abaratar el acceso a órbita. La reutilización de propulsores, iniciada en 2015, y el desarrollo de Starship apuntan a reducir el coste por lanzamiento, condición necesaria para que poner cómputo en el espacio salga a cuenta. La información procede de una entrevista a Elon Musk, sin cifras de potencia de cálculo, capacidad de refrigeración ni calendario de despliegue. Tampoco hay datos públicos sobre coste ni sobre cómo se gestionaría el mantenimiento o la latencia frente a usuarios en tierra. La salida a bolsa de SpaceX está muy cerca, lo cual explica que se den este tipo de anuncios.

𝕏 @WesRoth (Wes Roth) describe AI1 como una plataforma orbital con gran carga útil de cómputo, paneles solares desplegables, refrigeración por radiador líquido y enlaces láser para la conectividad.

Para 𝕏 @ARKInvest (Ark Invest), la ventaja de SpaceX se sostiene en la reutilización: una década separa su primer aterrizaje de propulsor (2015) del de Blue Origin (2025), y con Starship estiman recortes de coste de lanzamiento de hasta diez veces.

5. Claude Code estrena subagentes anidados

Claude Code, la herramienta de programación asistida de Anthropic, ya admite subagentes anidados: agentes que lanzan otros agentes. La función llega en la release del mismo día del anuncio, con un límite inicial de cinco niveles de profundidad (depth=5) y etiqueta de experimento abierto a comentarios. El motivo es la gestión del contexto. La ventana de contexto es uno de los cuellos de botella de estos asistentes: al delegar subtareas, la información se reparte y se aísla, cada hilo queda más enfocado y se reduce la saturación del agente principal.

El planteamiento encaja en la tendencia de sistemas multiagente y orquestación de tareas complejas, donde un flujo coordina muchos procesos en paralelo en lugar de un único hilo lineal. El coste por tokens es la otra cara: cuanto más se ramifica, más importa controlar la verbosidad de cada agente para que el gasto no se dispare. De ahí el interés paralelo por modificadores de estilo que recorten la salida sin tocar los criterios de la tarea. La etiqueta experimental y la petición explícita de feedback sitúan la capacidad en fase temprana y sujeta a cambios según el uso real.

Firma la novedad 𝕏 @bcherny (Boris Cherny), de Anthropic, que presenta los agentes capaces de arrancar otros agentes como vía para repartir el contexto y acota el experimento a cinco niveles de profundidad mientras recoge impresiones de la comunidad.

El salto operativo lo subraya 𝕏 @Fluyeporlaweb (Pa13L0): lo que antes exigía montar un pipeline a mano ahora lo resuelve Claude escribiendo él mismo el script de orquestación, con cientos de subagentes en paralelo desde un solo flujo.

Desde el ángulo del gasto, 𝕏 @arceyul (Arc.) propone dejar de quemar tokens en Claude Code combinando selección de modelo, prompts eficientes y memoria persistente que conserva el contexto entre sesiones.

6. Anthropic atribuye el retraso en biología a las herramientas

Anthropic ha publicado un blog científico sobre por qué la inteligencia artificial progresa más rápido en programación que en biología. Su tesis se aparta del lugar común: el freno no estaría en la capacidad de los modelos, sino en el entorno que los rodea. Muchas bases de datos, interfaces y flujos de trabajo del ámbito biológico se diseñaron para que los manejaran investigadores humanos, no máquinas. La programación parte de un terreno más favorable: el código es texto estructurado, abundante en internet, con formatos estandarizados y verificación inmediata mediante ejecución. La biología carece de esa retroalimentación limpia. Sus datos están fragmentados, mal documentados o encerrados en herramientas pensadas para el criterio de un experto, lo que complica que un modelo opere solo sobre ellos.

El argumento desplaza el foco desde la potencia bruta hacia la infraestructura: un modelo competente rinde poco si trabaja sobre datos que no puede leer ni comprobar con facilidad. La consecuencia práctica es que acelerar la IA en biotecnología pasaría por rediseñar ese ecosistema de datos y herramientas, no solo por entrenar modelos mayores. El texto encaja con el interés declarado de Anthropic por la investigación científica, área donde distribuye versiones de Claude con salvaguardas reforzadas a grupos reducidos de biología, diseño de fármacos y genómica. El blog presenta el argumento de forma cualitativa, sin métricas comparadas entre ambos dominios ni propuestas concretas de implementación.

Para 𝕏 @WesRoth (Wes Roth), el mensaje central del blog es que el cuello de botella no es la inteligencia del modelo sino el ecosistema de herramientas, construido para expertos humanos y no para la era de la IA, lo que sitúa la infraestructura biológica como la variable a corregir.

Más información:

📎 Paving the way for agents in biology

7. FrontierCode mide el código que sí integrarías

Cognition ha presentado FrontierCode, un benchmark de programación con un criterio distinto al habitual. Donde herramientas como SWE-Bench comprueban si el código se ejecuta y pasa los tests, FrontierCode pregunta si un mantenedor aceptaría ese código en su repositorio. Cada tarea fue diseñada por más de 20 mantenedores de proyectos de código abierto, repartidos en 36 repositorios, y cada una requirió más de 40 horas de trabajo: una semana laboral completa de un ingeniero con experiencia. La evaluación no se limita a la corrección funcional; también pondera la calidad del resultado.

Las cifras son deliberadamente duras. El reciente lanzamiento de Claude Fable 5 encabeza la tabla con un 29.3%, más del doble que Claude Opus 4.8, también de Anthropic, con un 13,4%, y más del doble que GPT-5.5, que se queda en un 6,3%. Gemini 3.1 Pro obtiene un 4,7%, y el resto puntúa por debajo. Ese rango contrasta con las saturaciones cercanas al 70-80% que los modelos punteros ya alcanzan en benchmarks más antiguos, donde el margen se ha estrechado hasta volverlos poco informativos. Un test difícil vuelve a separar a los modelos en la parte alta de la curva.

El dato que destaca 𝕏 @daniel_mac8 (Dan Mcateer) es la distancia entre modelos: que Opus 4.8 más que duplique a GPT-5.5 indica que estas tareas ultradifíciles vuelven a discriminar entre sistemas que en otros tests aparecen casi empatados.

Para 𝕏 @DataScienceDojo (Data Science Dojo), el cambio de criterio es lo decisivo: pasar del 'pasa los tests' al '¿lo integrarías?' acerca el benchmark a cómo se evalúa el trabajo real de un ingeniero.

𝕏 @VaibhavSisinty (Vaibhav Sisinty) lo describe como el test más honesto construido hasta ahora, precisamente porque deja de premiar el código que solo se ejecuta y expone lo lejos que están los modelos del listón de producción.

8. Apple lanza un modelo en local de 20B

Apple ha incorporado a sus Apple Foundation Models un modelo on-device de 20.000 millones de parámetros, según filtraciones y desarrolladores que han examinado su funcionamiento. La compañía mantiene un modelo base de 3.000 millones para el grueso de dispositivos y reserva el de 20.000 millones al hardware con 12 GB de RAM: iPhone 17 Pro y Air, iPad Pro M4 y Macs con chip M3.

El interés está en cómo Apple sortea una restricción física evidente: un modelo de ese tamaño no cabe en memoria a una precisión razonable. La solución es una arquitectura de mezcla de expertos poco habitual. Un modelo pequeño anticipa, a partir de la consulta, qué expertos cargar, de modo que solo una fracción de los pesos llega a memoria en cada petición. Con ello Apple intenta equilibrar tres limitaciones a la vez: el tamaño acotado de la DRAM, el peso del modelo y la lentitud de lectura de la NAND.

El mérito, para 𝕏 @awnihannun (Awni Hannun), está en lo que Apple ha tenido que improvisar: 20.000 millones de parámetros no caben en RAM a una precisión decente, así que recurren a una arquitectura exótica donde un modelo pequeño decide qué expertos cargar a partir del propio prompt.

El reparto de memoria es la clave del diseño según 𝕏 @zephyr_z9 (Zephyr): atención compartida en la DRAM y pesos feed-forward en la NAND, cargados según la petición, una forma de lidiar a la vez con DRAM limitada, modelo grande y lectura lenta de la NAND.

Frente a la confusión habitual, 𝕏 @ShishirShelke1 (Shishir) aclara que quien tenga un iPhone 15 Pro, cualquier iPhone 16 o el iPhone 17 base sigue contando con Apple Intelligence y la nueva Siri, porque conviven dos modelos on-device distintos.

Más información:

📎 Introducing the Third Generation of Apple’s Foundation Models

9. SemiAnalysis duda de la viabilidad del LLM local

SemiAnalysis, firma de análisis centrada en semiconductores e infraestructura de IA, ha publicado un hilo en X contra el discurso de la ‘IA on-device’: ejecutar modelos de lenguaje en portátiles y dispositivos personales en lugar de en centros de datos. Reconoce los argumentos habituales a favor de la inferencia local (privacidad, control y autonomía sobre los propios datos), pero los descarta por motivos económicos. Su tesis es que servir tokens es un negocio dominado por la escala, más aún que la fabricación de acero: un volumen alto reparte el coste fijo y abarata cada unidad. Bajo esa lógica, un dispositivo individual no puede competir con la economía de una instalación hiperescalar.

El argumento técnico se apoya en que las mejoras de inferencia de cada generación (óptica coempaquetada o CPO, backplanes de cobre, dominios de escalado tipo NVL de NVIDIA y avances en eficiencia medidos en picojulios por bit y rendimiento por vatio) no caben en el chasis de un portátil. La firma sostiene además que los modelos grandes son los que amplían las fronteras de capacidad, y cita Opus 4.5 de Anthropic como el que hizo viable el uso agéntico. El hilo consta de cuatro mensajes y adopta un tono irónico, con metáforas políticas.

La provocación de 𝕏 @SemiAnalysis_ (Semianalysis) recurre a la ironía política: ‘soberanía sobre tus tokens’ y ‘apoderarse de los medios de generación de tokens’ para describir el LLM local, antes de sentenciar que ese camino está ‘destinado a malos resultados’.

Querido lector:

Antes de seguir, quiero invitarte a un evento muy especial que hemos preparado en Barcelona el próximo 19 de junio para hablar sobre “El Futuro del Trabajo”.

Contaremos con ponentes de primer nivel, como Daniel Jeffries, habitual en esta newsletter, para analizar de manera rigurosa y sin exageraciones cómo está cambiando el trabajo con la Inteligencia Artificial.

El evento será exclusivamente presencial y las plazas son limitadas.

Más información: IIA Summit: El Futuro del Trabajo

¿Qué pasó ayer? En un minuto:

1. Apple rehace Siri desde cero con una versión especial de Gemini; estará disponible a finales de 2026 y sin fecha para la Unión Europea.

2. OpenAI ordena su estrategia en torno a tres objetivos: un investigador de IA automatizado, acelerar la economía y una AGI personal para cada individuo.

3. Moonshot AI lanza Kimi Work, una app de escritorio que coordina hasta 300 sub-agentes en paralelo, controla el navegador y genera documentos.

4. OpenAI ha registrado de forma confidencial un S-1, el paso previo a una salida a bolsa, pero sin fijar calendario.

5. El límite de la IA ya no es la potencia del modelo, sino la ingeniería de contexto: guiar al sistema hacia lo que quieres consume más tiempo del que parece.

6. Claude Code cumple un año y su responsable describe un giro en la práctica diaria: menos prompts y más operación continua.

7. NotebookLM pasa a ejecutar tareas agénticas, como buscar fuentes de información y soporte de ‘skills’, disponibles en el plan Google AI Ultra.

8. SemiAnalysis sostiene que Unitree va camino de dominar la robótica mundial: ha bajado el precio de sus humanoides de $50.000 a $27.300 en año y medio.

9. IA y trabajo: un informe de Wharton indica que la IA debe multiplicar la productividad por 2,7x para justificar el gasto actual. El boom de centros de datos dispara la demanda de electricistas y técnicos de fibra.

Y si tienes más de un minuto…

1. Apple reconstruye Siri y se apoya en Gemini

En octubre de 2011 Apple anunció Siri, uno de los primeros asistentes conversacionales disponibles en un teléfono móvil. En la WWDC 2026, celebrada el 8 de junio en Apple Park, Apple presentó una versión reconstruida de Siri y una nueva iteración de Apple Intelligence, su plataforma de IA. El cambio de fondo está en el proveedor: parte de las capacidades generativas se apoyarían en Gemini, el modelo de Google, en lugar de depender solo de tecnología propia. Aunque no existen detalles de la colaboración con Google, todo apunta a que Apple habría reentrenado Gemini con sus propios datos para tener su modelo de fundación propio con una experiencia adaptada a su ecosistema. El nuevo Siri se plantea como un asistente conversacional capaz de entender el contexto personal del usuario, acceder a conocimiento de la web y reconocer lo que aparece en pantalla, además de ejecutar comandos y mostrar respuestas adaptadas dentro del sistema.

Para Apple es un intento de recortar distancia frente a los asistentes generativos de Google, OpenAI y Amazon, después de años con una Siri percibida como rezagada. La integración profunda en el ecosistema y el peso del contexto personal apuntan a una estrategia ligada a la privacidad y a una experiencia unificada entre dispositivos. El alcance, eso sí, llega con limitaciones. Siri AI saldrá en beta a finales de 2026 y no estará disponible al inicio en la Unión Europea, en línea con las fricciones que la DMA ya impuso a despliegues previos de Apple Intelligence. En paralelo, la beta de iOS 27 incluye una nueva versión de Image Playground, la función de generación de imágenes de Apple, cuyo modelo subyacente también referenciaría a Google, aunque los resultados de prueba no coinciden con Nano Banana ni Imagen.

El repaso de 𝕏 @testingcatalog (Ai News | Testingcatalog) coloca el dato más incómodo en primer plano: una Apple Intelligence apoyada en Gemini llega con asterisco geográfico, sin disponibilidad inicial en la UE pese a anunciarse para todo el ecosistema.

Para 𝕏 @DotCSV (Carlos Santana) es la primera integración seria de IA que hace Apple, con una Siri que por fin usa modelos frontera, con ayuda de Gemini, para dar respuestas contextualizadas con los datos y apps del usuario.

𝕏 @WesRoth (Wes Roth) subraya el giro de producto: una Siri rehecha desde cero, conversacional y con conciencia de lo que aparece en pantalla, frente a la versión que durante años quedó por detrás de sus rivales.

Más información:

📎 Apple introduces Siri AI, a profoundly more capable and personal assistant

📎 Introducing the Third Generation of Apple’s Foundation Models

2. OpenAI fija sus metas hacia la AGI

OpenAI ha publicado 'Built to benefit everyone', un documento que ordena su rumbo en torno a tres objetivos: construir un investigador de IA automatizado capaz de avanzar en la propia investigación, acelerar la economía mediante el uso de la tecnología y dotar a cada persona del planeta de una AGI personal. Todo gira sobre la misión de fondo de la empresa: que la inteligencia artificial general beneficie a toda la humanidad. No hay productos nuevos ni plazos. Es una declaración de dirección, no un lanzamiento.

El momento llega tras la reestructuración societaria de OpenAI, que despeja el camino hacia una posible salida a bolsa y una fase de inversión intensiva en centros de datos, chips y talento. La compañía opera como corporación de beneficio público parcialmente con ánimo de lucro, lo que condiciona cómo equilibra misión e intereses comerciales. Un discurso de 'beneficio para todos' funciona también como argumento de legitimidad mientras escala su infraestructura a un coste muy alto. De hecho el único dato financiero que sí ha precisado OpenAI es su expectativa de gasto en cómputo: unos 600.000 millones de dólares hasta 2030, una rebaja frente al 1,4 billones que la propia empresa había llegado a manejar.

Al enmarcar el plan en torno al acceso, la seguridad y la prosperidad compartida, 𝕏 @sama (Sam Altman) presenta la ambición de la AGI como un proyecto colectivo más que como una hoja de ruta de producto.

𝕏 @gdb (Greg Brockman) ata los objetivos a la idea de 'expandir la agencia humana' conforme avanza la IA, un encuadre que legitima el rumbo más allá de ChatGPT.

𝕏 @emollick (Ethan Mollick) señala la contradicción incómoda: tanto OpenAI como Anthropic admiten que ralentizar la IA solo funcionaría con coordinación mundial, pero reconocen que no existen métodos identificados para lograrla.

Más información:

📎 Built to benefit everyone: our plan

3. Kimi Work lleva los agentes al escritorio

Moonshot AI ha presentado Kimi Work, un agente que se ejecuta en local en el escritorio, con versiones para macOS y Windows. Reúne varias piezas en un mismo espacio de trabajo: un enjambre nativo que coordina hasta 300 sub-agentes en paralelo, control del navegador a través de la extensión WebBridge (buscar, desplazarse, operar en webs desde el navegador del usuario), herramientas de datos financieros, memoria y generación de documentos. El sistema entrega resultados en PPTX, Word, PDF y Excel directamente en el equipo. Suma además un motor Cron para automatizar tareas repetitivas de forma continua: briefings matinales redactados por un LLM o scripts de Python nocturnos para procesar grandes volúmenes de datos.

El planteamiento encaja con un giro del sector: menos chatbots conversacionales y más sistemas que ejecutan trabajo de oficina sin supervisión constante. Kimi entra en la batalla por conseguir ser el punto de entrada del usuario con el mundo digital, en competencia directa con los grandes laboratorios (i.e. Codex, Claude Cowork, etc.). La coordinación masiva de sub-agentes, en cambio, arrastra dudas conocidas sobre fiabilidad y verificación de lo generado. Detrás está la plataforma API de Kimi con el modelo K2, contexto de 256K y posibilidad de llamar a herramientas. Moonshot no ha detallado precios, requisitos de hardware ni qué fuentes de datos cubre exactamente, y describe el producto como una primera fase, con más conectores y herramientas anunciados para próximas versiones.

Lo distintivo para 𝕏 @WesRoth (Wes Roth) es que Kimi Work junta enjambres de agentes, control del navegador, datos financieros, memoria y generación de documentos en un único entorno de escritorio, en lugar de repartirlos entre varias herramientas.

𝕏 @Kimi_Moonshot (Kimi.Ai) vende el producto bajo la idea de 'configúralo y olvídate': un flujo que no se detiene, con el motor Cron ejecutando tareas en segundo plano a la hora exacta para trabajadores del conocimiento.

𝕏 @ErickSky (Erick) subraya el lado práctico: 300 agentes en paralelo, control real del navegador y herramientas nativas de finanzas conectadas a Yahoo Finance, World Bank o Binance.

Más información:

📎 Kimi Work: Next-Gen Desktop AI Agent for Knowledge Workers

4. OpenAI también se prepara para salir a bolsa

OpenAI ha presentado de forma confidencial un formulario S-1 ante el regulador estadounidense, el documento que precede a una salida a bolsa. Es un paso preparatorio, no un compromiso de cotizar: la empresa responsable de ChatGPT ha precisado que aún no ha fijado el calendario y quiere conservar margen para decidir cuándo tiene sentido. La vía confidencial permite avanzar sin exponer todavía las cifras internas, una práctica habitual entre tecnológicas que tantean los mercados públicos sin atarse a una fecha.

El interés es evidente: OpenAI es una de las compañías privadas más valoradas del sector, y cualquier gesto hacia los mercados alimenta la expectación sobre la maduración de la IA generativa. El registro llega tras la reestructuración societaria de la empresa, que despeja parte de los obstáculos hacia una eventual cotización. Conviene prudencia con el grado de confirmación. El debate de fondo sobre estas firmas sigue abierto: combinan pérdidas elevadas con valoraciones muy altas, un punto que divide a los inversores cuando se acercan a bolsa. En paralelo, SpaceX ha registrado una solicitud para lo que podría ser la mayor IPO de la historia, una referencia del apetito actual por las tecnológicas pre-IPO.

El matiz que destaca 𝕏 @WesRoth (Wes Roth) es la cautela de la propia OpenAI: registra el S-1 para mantener la opción abierta, pero deja claro que aún no ha decidido cuándo le conviene salir a bolsa.

Frente a quienes ven solo pérdidas y valoraciones desbocadas en SpaceX, OpenAI y Anthropic, 𝕏 @ARKInvest (Ark Invest) sostiene que centrarse en el corto plazo hace perder de vista el crecimiento futuro de estas firmas.

5. El cuello de botella de la mejora de la IA es el contexto

El debate sobre los límites de la IA se ha movido de la potencia de los modelos a un problema más prosaico: el contexto. La tesis, defendida por varios responsables de producto, sostiene que ninguna mejora en el razonamiento elimina la necesidad de orientar al modelo. Un sistema de propósito general tiene un rango casi ilimitado de direcciones posibles, así que siempre hay que guiarlo hacia el resultado concreto que busca el usuario. El argumento conecta con el auge de la ingeniería de contexto y la integración de datos propios en entornos empresariales: el valor no está solo en el modelo, sino en las capas de datos, instrucciones y preferencias que lo envuelven.

Este ejemplo recurrente lo ilustra bien: pedir a una IA que 'ordene la bandeja de entrada' parece trivial, pero hacerlo bien exigiría páginas de instrucciones que cambian a diario según las prioridades de cada persona. El reto de los agentes autónomos es tanto de comunicación e intención como de inteligencia bruta. A esto se suma una previsión sobre el reparto del trabajo: en uno o dos años, el mercado tendería a separarse entre modelos de máxima capacidad para tareas exigentes y modelos mucho más baratos para cargas masivas y repetitivas. Las cifras pedidas con pinzas: la afirmación de que los programadores ya dedican el 80% del tiempo a especificar lo que quieren, y la previsión de segmentación, se presentan sin fuente, y sus autores admiten que sus números podrían ser extremos.

El razonamiento de 𝕏 @levie (Aaron Levie) invierte el foco habitual: por mucha inteligencia que acumule un modelo, su rango infinito de direcciones obliga siempre a guiarlo, así que el contexto no es un accesorio sino la pieza que determina el resultado.

Para 𝕏 @gabriel1 (Gabriel), la imagen de la AGI como una caja de texto donde escribimos intenciones y obtenemos lo que queremos ignora que tareas aparentemente simples esconden instrucciones que cambian cada día. Lleva la idea más lejos: para que un modelo sea cien veces más inteligente necesitaríamos una aplicación capaz de comunicarse con mucho más ancho de banda que texto a secas.

6. Claude Code cumple un año hacia la autonomía

Claude Code, la herramienta de programación asistida de Anthropic, cumple un año desde su disponibilidad general, y su responsable, Boris Cherny, ha usado la fecha para explicar cómo ha cambiado el trabajo con ella. El relato apunta en una dirección clara: menos prompts puntuales y más operación continua. Cherny dice trabajar ahora en modo 'auto' en vez del modo 'plan', apoyarse en rutinas que detectan y corrigen fallos antes de que él los vea, y programar la mayor parte del tiempo desde el móvil.

También presenta a Opus como el modelo más capaz para tareas de ejecución prolongada y comparte recomendaciones para correrlo de forma autónoma durante horas o días: activar permisos automáticos para que el agente no pida aprobación en cada paso y delegarle la orquestación de subtareas. El hilo común es un cambio de rol del desarrollador, que pasa de redactar instrucciones a definir procesos repetibles.

El contraste que plantea 𝕏 @bcherny (Boris Cherny) es revelador: la primera demo interna de Claude Code apenas sumó dos reacciones en Slack, y un año después dice programar casi todo desde el teléfono confiando en rutinas que arreglan errores antes de verlos.

Para 𝕏 @miguelgfierro (Miguel Fierro) el cambio de fondo es de rol más que de herramienta: con comandos como /loop el usuario deja de ser un 'prompter' reactivo y pasa a diseñar bucles que corren tests o revisan pull requests sin intervención constante.

𝕏 @0xAndros (Andros) lo resume como el fin del prompting: hace un año se escribía código en un IDE con autocompletado, luego se pasó a lanzar varias sesiones en paralelo, y ahora la mecánica real es el comando /loop ejecutándose solo.

Desde 𝕏 @ClaudeDevs (Claudedevs) sitúan la verificación como pieza central: defienden buenas prácticas de comprobación junto al modo 'auto', las rutinas y los bucles, un reconocimiento de que la autonomía sin control de resultados es frágil.

7. NotebookLM suma capacidades agénticas, solo para usuarios Ultra

Google ha actualizado NotebookLM, su herramienta de investigación y síntesis a partir de documentos, con un giro hacia lo agéntico. El cambio se concentra en el chat central: deja de limitarse a responder consultas sobre las fuentes cargadas y pasa a ejecutar tareas. Ahora puede buscar nuevas fuentes en línea, correr código en una máquina virtual, trabajar con 'skills' y asistir en la creación de podcasts y visualizaciones, estas últimas apoyadas en NanoBanana. La actualización añade razonamiento más sólido y nuevos formatos de salida, pensados para investigaciones de varios pasos.

NotebookLM llega tarde a un terreno ya transitado por ChatGPT, Claude y el propio Gemini, donde la ejecución autónoma de tareas lleva tiempo asentada. Para Google, el atractivo está en convertir una herramienta de consulta en un asistente que amplía el flujo de trabajo, no solo lo resume. Las funciones agénticas se reservan por ahora al plan Google AI Ultra, el nivel de suscripción más caro, lo que deja fuera al resto de usuarios en esta primera fase. Según las fuentes, la actualización incorporaría también Gemini 3.5 como modelo subyacente.

Para 𝕏 @WesRoth (Wes Roth) el valor está en encadenar capacidades agénticas, razonamiento reforzado y nuevos formatos de salida en una sola herramienta, pensada para tareas de investigación de varios pasos.

𝕏 @DotCSV (Carlos Santana) subraya el cambio de función del chat: pasa de ser un buscador de respuestas sobre tus documentos a un asistente que sale a buscar fuentes nuevas y ayuda a montar podcasts o visualizaciones. Su pega: por ahora esta versión solo llega a los usuarios Ultra.

8. SemiAnalysis ve a Unitree liderando la robótica

SemiAnalysis sostiene en un informe que Unitree, con sede en Hangzhou y fundada por Wang Xingxing, va camino de dominar la robótica mundial. El argumento no se apoya en una tecnología concreta, sino en la velocidad de iteración. La empresa pasó en tres años de fabricar cuadrúpedos a liderar el mercado de humanoides, y este año sus modelos G1 empiezan a entrar en despliegues viables, con tres diseños nuevos en preparación.

Las cifras citadas sostienen la tesis. Unitree triplicaría sus ingresos interanuales con líneas al 60% de margen bruto, prevé cerca de 300 millones de dólares en I+D de IA e internaliza parte de su fabricación. Su mayor ventaja es el coste: ha recortado el precio antes de impuestos de sus humanoides de más de 50.000 a 27.300 dólares en año y medio, con márgenes estimados del 67%. El informe añade que podría enviar su unidad número 10.000 en las próximas semanas, frente a rivales occidentales aún en fase inicial. En el lado negativo, el propio informe reconoce que los humanoides de Unitree arrastran fama de fiabilidad imperfecta y utilidad limitada fuera de la I+D y el entretenimiento. A ello se suma el frente regulatorio: el Departamento de Defensa de EE. UU. ha incluido a Unitree en su lista 1260H de empresas militares chinas, junto a BYD, Alibaba, Baidu y Tencent, lo que añade presión reputacional antes de su esperada salida a bolsa.

La tesis de 𝕏 @SemiAnalysis_ (Semianalysis) sitúa la velocidad de iteración, no una tecnología concreta, como la palanca decisiva: el ciclo más rápido en robótica de nueva generación debería traducirse, a su juicio, en una aceleración sin precedentes.

Frente al escepticismo sobre el formato antropomórfico, 𝕏 @ericjang11 (Eric Jang) defiende que con el tiempo la gente acabará entendiendo 'por qué humanoides', dando por sentado que el debate sobre diseños especializados se resolverá a favor de la forma humana.

Más información:

📎 How China's Unitree Will Dominate Global Robotics

9. La IA presiona productividad, oficios y emprendimiento

El debate sobre IA y empleo se ha desplazado de la sustitución abstracta a efectos medibles en tres frentes. El primero es la presión sobre la productividad: un trabajo de la Wharton School, difundido por Alex Panetta y citado por Yann LeCun, sostiene que la IA debe multiplicar la productividad por 2,7 (y pronto) para justificar las inversiones actuales de las grandes tecnológicas. Es un listón alto que condiciona la rentabilidad del gasto en cómputo.

El segundo frente es físico: el despliegue de centros de datos dispara la demanda de oficios manuales cualificados, con escasez de electricistas, técnicos de fibra y perfiles mecánicos. Meta ha respondido con la America's Workforce Academy, dotada con 115 millones de dólares para formar esa mano de obra. La academia ofrece formación remunerada y se presenta junto a socios, según el anuncio de la compañía.

El tercero es la creación de empresas: ARK Invest indica un alza del 10% al 20% en nuevas solicitudes de registro de negocios en EE. UU. desde la irrupción de ChatGPT.

La lectura de 𝕏 @ARKInvest (Ark Invest) sitúa el efecto de la IA no en la productividad sino en el ritmo de creación de empresas, con una generación de valor que concentra en los mercados privados y describe como sin precedentes.

El ángulo que recoge 𝕏 @DavidSacks (David Sacks) recuerda que el boom de infraestructura no solo demanda talento digital: la construcción de centros de datos tensiona el mercado de oficios manuales, y la academia de Meta busca tapar esa brecha.

Para 𝕏 @jeremyphoward (Jeremy Howard) la ventaja no estará en disponer de la herramienta, ya masiva, sino en usarla para elevar las propias competencias y las del equipo, un perfil que considera escaso y muy cotizado.

El matiz de 𝕏 @tunguz (Bojan Tunguz) apunta a por qué el trabajo resiste: casi cualquier empleo remunerado consiste sobre todo en gestionar los casos límite, justo lo que peor cubren los sistemas actuales.