¿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.

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

1. Investigadores apuntan que los LLMs capturan el residuo textual del pensamiento humano, no los mecanismos que lo generan.

2. El gasto en tokens se convierte en una de las mayores preocupaciones de las empresas con agentes y ya genera startups dedicadas a recortarlo.

3. Una propuesta de Bernie Sanders plantea que el Gobierno tome el 50% de las empresas de IA; es una consecuencia de alimentar el miedo a la IA desde dentro del ecosistema tecnológico.

4. Google sigue apostando por la IA en local con nuevos modelos de Gemma 4 QAT optimizados para funcionar en dispositivos móviles.

5. Publicar los pesos no es lo mismo que publicar un modelo realmente abierto con código fuente y datos de entrenamiento, una categoría que escasea cada vez más.

6. Meta y NVIDIA se reparten varias distinciones en CVPR 2026 con avances en generación de imágenes y reconstrucción 3D de una imagen.

7. Nemotron3 Ultra, la apuesta de NVIDIA en código abierto, queda por detrás de modelos chinos abiertos en pruebas de programación.

8. Un estudio de Stanford mide que dos agentes de programación colaborando rinden casi un 50% peor que uno solo debido a la falta de coordinación.

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 qué aprenden los LLMs

Una serie de mensajes de investigadores reaviva una discusión vieja con argumentos afilados: qué capturan de verdad los grandes modelos de lenguaje y dónde están sus límites. La crítica conceptual más densa sostiene que estos sistemas aprenden el residuo textual del pensamiento humano, no los mecanismos que lo producen. El texto sería un producto de la cognición, no la cognición misma. Entrenar sobre él recogería correlaciones superficiales, sin reconstruir los procesos que hacen una idea válida, coherente o aplicable a casos nuevos. De ahí la distinción entre acumular conocimiento y generalizar: escalar datos y parámetros da competencia en tareas conocidas, pero no garantiza adaptación a lo inédito.

El debate apunta también al supuesto que guía buena parte del gasto actual, donde el progreso se persigue sumando cómputo. Otras intervenciones bajan a la práctica: con un LLM no se depura un fallo concreto como en el software clásico, sino que se ajusta su comportamiento de forma indirecta, vía prompts y ajuste fino, lo que complica la corrección y la reproducibilidad. El riesgo más tangible que se menciona son las alucinaciones que pasan desapercibidas y acaban adoptadas como creencias por los usuarios, un fallo difícil de cuantificar precisamente por su invisibilidad en consultas masivas.

La tesis más radical la firma 𝕏 @MLStreetTalk (Machine Learning Street Talk): los modelos aprenden las ‘sombras’ que proyecta una cognición limitada, no las leyes generativas que hacen un pensamiento transferible o creativamente extensible.

Para 𝕏 @fchollet (François Chollet) escalar conocimiento solo da ‘competencia estática’ ante problemas conocidos, mientras que la inteligencia se mide por la adaptabilidad a lo no visto, un dardo al paradigma de crecer a base de datos y tamaño.

2. El coste de tokens se vuelve negocio

El gasto en inferencia se ha convertido en una de las grandes preocupaciones de las empresas que despliegan modelos de lenguaje a escala, y ya hay negocios dedicados a reducirlo. La señal más concreta viene del entorno de Y Combinator: una startup que recorta el coste en tokens optimizando las peticiones enviadas a los modelos. Según el relato, logra rebajarlo cerca de la mitad y reparte el ahorro con el cliente. La cifra que circula sobre el mercado potencial, una cuarta parte de los ingresos corporativos de las compañías de modelos, sale de una estimación informal, sin datos verificables sobre la empresa ni sus resultados.

Detrás hay un debate más amplio sobre si la economía de la IA generativa cuadra. Una lectura del sector sostiene que el coste por token caerá y que la mayoría de cargas migrará a modelos baratos, dejando los de frontera para tareas de alto valor. Esa segmentación implica combinar familias de modelos según coste y exigencia, en lugar de aplicar siempre el más potente. El consumo intensivo de tokens (prompts largos, modelos de razonamiento, agentes que encadenan llamadas) se lee como prueba de adopción real y, a la vez, como fuente de despilfarro cuando el gasto deja de responder a una necesidad técnica.

Que los establecidos no rentabilicen aún el coste de los tokens no prueba nada para 𝕏 @paulg (Paul Graham): es el patrón habitual de toda tecnología nueva, donde las empresas establecidas la integran mal y acaban desplazadas por upstarts que la explotan mejor.

Para 𝕏 @levie (Aaron Levie) la obsesión empresarial con el coste de los tokens es buena señal: indica que la IA se usa a una escala antes impensable, y abre además una vía nueva de diferenciación competitiva entre compañías.

Con ironía, 𝕏 @tunguz (Bojan Tunguz) habla de una ‘era del consumo conspicuo de tokens’, sugiriendo que gastar grandes cantidades de cómputo se ha vuelto una señal de estatus más que una respuesta a la necesidad técnica.

3. El Estado, ¿dueño de la IA?

Una propuesta atribuida a Bernie Sanders, senador estadounidense del ala progresista, plantea que el Gobierno adquiera una participación del 50% en las empresas de inteligencia artificial. La iniciativa ha reabierto el debate sobre el papel del Estado frente a la concentración de poder en los grandes laboratorios. Lo llamativo no es la propuesta, sino quién le ve cierta lógica: perfiles cercanos al sector tecnológico reconocen que conecta con una inquietud presente también en la derecha. El argumento enlaza con declaraciones repetidas de los directivos de los principales laboratorios sobre el peligro de la IA, un discurso que alimenta la tesis de repartir el control de forma más amplia.

Los críticos, en cambio, encuadran la toma de participaciones públicas dentro del ‘capitalismo patrocinado por el Estado’, un modelo que asocian a Rusia y China y que, según ellos, produce compañías sobredimensionadas e incapaces de competir. El debate circula por X en forma de reacciones cruzadas, no de medidas articuladas, y ninguna de las informaciones procede de un documento oficial.

Pese a declararse contrario al socialismo y a las confiscaciones de riqueza, 𝕏 @DavidSacks (David Sacks) admite que entiende por qué la propuesta ‘resuena’, incluso entre muchos en la derecha, un reconocimiento llamativo viniendo de un perfil próximo al mundo tecnológico.

Para 𝕏 @Dan_Jeffries1 (Daniel Jeffries) la idea no es nueva sino ‘capitalismo patrocinado por el Estado’, el mismo modelo que Rusia y China usan para fabricar compañías pesadas e incapaces de competir.

𝕏 @pmddomingos (Pedro Domingos) ataca el marco del debate: si EE. UU. fuera una oligarquía, los más ricos no cambiarían con el tiempo, y sostiene que sí lo hacen.

4. Google acerca la IA al móvil con nuevas versiones ligeras de Gemma 4

Google DeepMind ha lanzado nuevas versiones de Gemma 4 optimizadas con Quantization-Aware Training (QAT), un método para “adelgazar” modelos de IA reduciendo el consumo de memoria sin perder tanta calidad. La compañía asegura que estos nuevos modelos están pensados para ejecutarse de forma local en dispositivos cotidianos, como móviles, portátiles y GPU de consumo, no solo en grandes infraestructuras cloud.

La clave está en el coste y el control. Según la documentación de Google, la memoria de Gemma 4 E2B puede reducirse hasta 0,84 GB en su versión móvil solo texto, mientras que Gemma 4 E4B se sitúa en 2,2 GB; incluso el modelo 12B del que ya hablamos en anteriores ediciones que puede ejecutarse con unos 6,7 GB. En la práctica, esto reduce la barrera para integrar IA en productos como apps internas, asistentes de soporte o dispositivos industriales, sin depender de servidores remotos.

La ejecución de modelos en local tiene tres ventajas: menor latencia, porque la respuesta se genera en el propio dispositivo; reducción de costes de computación en la nube; y más opciones para proteger datos sensibles, al evitar que todas las consultas salgan del entorno controlado. Google ya posiciona Gemma 4 como una familia de modelos abiertos para despliegues empresariales, con soporte en entornos soberanos donde el control de datos es crítico.

Más que una mejora técnica aislada, Gemma 4 QAT refuerza una tendencia de futuro: la IA se moverá del centro de datos al dispositivo. La pregunta ya no será solo qué modelo usar, sino dónde conviene ejecutarlo: en la nube para tareas pesadas, o en local cuando importan velocidad, coste y confidencialidad.

El contrapunto lo pone 𝕏 @emollick (Ethan Mollick), que ve a Gemini Pro iterando muy por detrás de Claude y GPT desde la 3.1 Pro de febrero, una brecha que el 3.5 Flash, por bueno que sea, no termina de cerrar.

Para 𝕏 @WesRoth (Wes Roth) el avance de Gemma 4 QAT está en reducir drásticamente los requisitos de memoria preservando más calidad que la cuantización estándar, el cuello de botella habitual para correr modelos abiertos en hardware modesto.

Desde dentro, 𝕏 @OfficialLoganK (Logan Kilpatrick) se declara optimista sobre Gemini sin más matices, un mensaje breve que contrasta con las dudas externas sobre el ritmo de los modelos Pro.

𝕏 @testingcatalog (Ai News | Testingcatalog) rebaja las expectativas sobre el Troubleshooting Mode: funciona y está accesible, pero tiene pinta de lanzamiento no intencionado y podría retirarse.

Probando la edición de vídeo, 𝕏 @jonesyoutubejt (Jt Jones) cuenta que Gemini conservó casi todo su audio en un clip de diez segundos pero se inventó un añadido para reforzar el mensaje, un recordatorio de que la fidelidad aún tiene aristas.

Más información:

📎 Gemma 4 QAT models: Optimizing model compression for mobile and laptop efficiency

5. El código abierto en IA revisa sus límites

El debate sobre la apertura en IA se ha tensado esta semana en torno a una distinción que muchos pasan por alto: no es lo mismo publicar pesos que publicar un modelo realmente abierto. El caso más común es el 'weight drop' típico de los modelos chinos, que solo libera solo los pesos; por el contrario la apertura completa añade datos de entrenamiento, código y metodología, lo que permite reproducir y auditar el trabajo. Esa categoría más exigente escasea. La serie OLMo del Allen Institute for AI, era uno de los pocos ejemplos entrenados desde cero con todo el proceso documentado, pero podría estar acercándose a su fin. Esto dejaría a los modelos Nemotron de NVIDIA como referencia restante en ese terreno.

En paralelo, el ritmo de publicaciones de pesos no afloja: la comunidad ha contabilizado más de 25 lanzamientos notables en una sola semana, buena parte de laboratorios chinos. Ahí está el punto frágil. La mayoría de modelos locales y ajustados depende de que esos laboratorios sigan liberando pesos, una práctica cuya sostenibilidad económica nadie garantiza conforme suben los costes de entrenamiento.

Una corrección histórica útil llega de 𝕏 @giffmana (Lucas Beyer (Bl16)), que recuerda que hitos como AlexNet, Seq2seq o el Transformer no publicaron código ni pesos, y que ResNet, BERT o CLIP soltaron pesos pero no su código original: el listón de apertura que hoy se exige es más alto que el que impulsó el campo.

El aviso de fragilidad lo pone 𝕏 @emollick (Ethan Mollick): buena parte del ecosistema abierto pende de que los laboratorios chinos sigan publicando pesos, algo que duda que aguante porque los pesos abiertos podrían dejar de ser un negocio rentable conforme suben los costes.

6. CVPR 2026 premia visión 3D y generación de imágenes

CVPR 2026, la principal conferencia de visión por computador, ha repartido sus distinciones a mejor artículo entre varios laboratorios industriales. Meta logró una Mención de Honor por SAM 3D, un modelo generativo que reconstruye geometría, textura y disposición tridimensional desde una sola imagen. Su mérito está en sostener la reconstrucción en escenas reales, con desorden y oclusión, donde estos sistemas suelen fallar. Meta promete liberar código, pesos, una demo online y un nuevo benchmark de reconstrucción 3D en entornos no controlados, y reporta una tasa de preferencia humana de al menos 5 a 1 frente a trabajos recientes.

NVIDIA Research llegó como finalista con PixelDiT (Pixel Diffusion Transformers), que cuestiona el diseño dominante en generación de imágenes. Los modelos de difusión latente, como Stable Diffusion, comprimen la imagen con un autoencoder variacional antes de generar; esa compresión pierde detalle, difumina texto y texturas, e introduce artefactos. PixelDiT trabaja directamente sobre píxeles, en un único proceso de entrenamiento, para evitar esa degradación.

El equipo de 𝕏 @AIatMeta (Ai At Meta) presenta SAM 3D como un empuje a los límites de la visión por computador, con la promesa explícita de publicar código, pesos y un benchmark abierto que rara vez acompaña a este tipo de anuncios.

Desde 𝕏 @NVIDIAAI (Nvidia Ai) defienden que el problema de fondo no es la difusión sino la etapa previa de compresión, una pérdida que se acumula a lo largo del pipeline y que PixelDiT busca eliminar trabajando en píxeles.

Más información:

📎 PixelDiT: Pixel Diffusion Transformers

📎 SAM 3D: 3Dfy Anything in Images

7. China toma la delantera en código abierto

Los laboratorios chinos se han consolidado como referencia en modelos abiertos, y los benchmarks recientes lo confirman. Nemotron3 Ultra, la apuesta de NVIDIA en código abierto, queda por detrás de Kimi K2.6 y GLM-5.1 en pruebas de programación como TerminalBench. En paralelo, MiniMax M3 ha entrado en Arena, la plataforma de evaluación comparativa de modelos, con 1531 puntos en la categoría Code Arena: Frontend, cerca de GLM-5.1 pero a un precio mucho menor.

Esa combinación de rendimiento y coste mueve la frontera de Pareto en herramientas de codificación, donde más pesa el gasto en inferencia. El telón de fondo es un cambio de liderazgo documentado: un estudio de MIT y Hugging Face, que analiza descargas entre 2020 y agosto de 2025, sitúa a China por delante de EE. UU. en IA abierta, con laboratorios chinos en los seis primeros puestos del ranking y liderando las descargas de nuevos proyectos. El debate ya no es solo técnico, sino de política industrial: cómo cerrar la brecha. Conviene calibrar el alcance. Las cifras de benchmark proceden de mensajes en X sin metodología publicada ni comparativas verificadas de forma independiente. Las puntuaciones de Arena son posiciones relativas en una plataforma concreta, no medidas absolutas de capacidad. Los precios citados tampoco vienen acompañados de tarifas detalladas en las fuentes.

Con sorna, 𝕏 @SemiAnalysis_ (Semianalysis) sugiere que, si Nemotron3 Ultra pierde frente a Kimi y GLM en TerminalBench, Jensen Huang haría bien en invitar a algún laboratorio puntero a su comité de modelos abiertos para que aprendan a entrenarlos.

Para 𝕏 @WesRoth (Wes Roth) lo destacable de MiniMax M3 no es su puntuación sin más, sino que iguale casi a GLM-5.1 compitiendo en una franja de precio muy inferior, lo que desplaza el equilibrio coste-rendimiento en codificación frontend.

8. Dos agentes de IA rinden peor que uno

Un estudio de Stanford HAI, llamado CooperBench, sostiene que dos agentes de programación que colaboran en una misma tarea rinden casi un 50% peor que un único agente trabajando solo. El obstáculo no está en la competencia para escribir código, sino en la coordinación: repartir responsabilidades, comunicar avances y verificar el trabajo del otro son habilidades que los modelos actuales apenas manejan. Los autores lo describen como un déficit de inteligencia social, no de razonamiento.

El resultado contradice la premisa que sostiene buena parte de los sistemas multiagente en desarrollo, donde se da por hecho que sumar agentes mejora el rendimiento. Llega en pleno empuje comercial hacia equipos de agentes y flujos automatizados, arquitecturas que consumen muchos tokens y elevan el coste operativo. Otra evidencia apunta en la misma línea: trabajos de Carnegie Mellon sitúan la tasa de fallo de los agentes en tareas de oficina en torno al 70%, y varios informes calculan que solo un 11% de los pilotos en pymes llega a producción.

Desde 𝕏 @StanfordHAI (Stanford Hai) lo llaman 'la maldición de la coordinación': los mejores agentes de programación pierden casi la mitad de su capacidad al repartirse el trabajo, señal de que el cuello de botella es la inteligencia social y no la destreza para programar.

Para 𝕏 @emollick (Ethan Mollick), el gráfico de Anthropic que separa equipos de agentes de flujos de trabajo resulta útil, aunque relativiza la elección humana: cada vez decide la propia IA qué enfoque usar, y suele combinarlos.

Más información:

📎 AI Coding Agents Fail at Teamwork

¿Qué pasó ayer? En un minuto:

1. Anthropic afirma que Claude ya acelera el desarrollo de su propia IA y abre una posible vía hacia la automejora recursiva basado en cifras internas.

2. Arena estrena Agent Mode, que evalúa modelos en tareas agénticas reales con herramientas y varios pasos, GPT-5.5 High encabeza el raking global.

3. OpenAI despliega una nueva arquitectura de memoria en ChatGPT, más eficiente en cómputo y con un resumen editable.

4. Paul Graham suma una pregunta a sus fundadores: ¿la empresa sobreviviría si las IAs hicieran casi todo el trabajo? Y da su receta para defenderse.

5. David Sacks señala la contradicción de los grandes laboratorios de IA que alertan de un riesgo existencial mientras aceleran sin freno: piden al Estado que los regule o incluso los nacionalice.

6. Según datos de CloudFlare Radar el tráfico de agentes de IA ya superaría al humano en páginas web HTML a escala mundial.

7. Según filtraciones, OpenAI prepara una única aplicación de escritorio que reúna ChatGPT, Codex y Atlas, y refuerza Codex con un plugin para desarrollo iOS.

8. Sakana AI quiere construir el primer modelo japonés frontera, diseñado como agente y orientado a investigación. Cuenta con el respaldo del gobierno japonés.

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 dice que Claude ya acelera su propio desarrollo

Anthropic ha publicado 'When AI builds itself', un informe de su instituto que sostiene que Claude está acelerando el desarrollo de la propia IA. La compañía dice que ya delega una parte creciente de su ciclo de desarrollo en sus modelos y plantea una vía hacia la automejora recursiva: un sistema capaz de diseñar y construir de forma autónoma un modelo sucesor más capaz. Anthropic insiste en que eso aún no ha ocurrido y no es inevitable, pero advierte que podría llegar antes de que empresas, gobiernos y reguladores estén preparados.

Como dato interno, cifra en 8 veces el código que sus ingenieros integran por trimestre frente al periodo 2021-2025. Anthropic matiza que “líneas de código” no equivale automáticamente a productividad real, pero el cambio de escala es difícil de ignorar. El informe se apoya en un test recurrente que hacen a todos los nuevos modelos: pedirle que optimice código de entrenamiento de una IA pequeña, tarea que a un experto humano le lleva entre 4 y 8 horas para una mejora de 4x. Claud Opus 4 obtuvo hace un año una mejora de 3x, mientras que 'Mythos Preview' habría alcanzado recientemente unos 52x, una cifra consistente con las conclusiones sobre productividad del informe.

La lectura clave es que la productividad del trabajo de conocimiento puede multiplicarse: una plantilla pequeña podría coordinar una red de agentes capaces de programar, probar, corregir errores o ejecutar experimentos con mucha menos intervención humana. Por otro lado, el cuello de botella se desplaza: ya no será solo producir más, sino revisar, validar, asegurar y decidir qué merece la pena hacer. Anthropic reconoce que la revisión humana del código ya empieza a ser una limitación interna. La compañía también pide que los grandes laboratorios de IA estudien mecanismos coordinados y verificables para ralentizar o pausar desarrollos si los riesgos aumentan.

El propio 𝕏 @AnthropicAI (Anthropic) sostiene que el fenómeno avanza más rápido de lo que esperaban y reclama mayor atención, aunque insiste en que la automejora recursiva ni está garantizada ni depende solo de la capacidad técnica, sino también de disponer de cómputo suficiente.

Para 𝕏 @emollick (Ethan Mollick), el dato de que más del 80% del código integrado en Anthropic en mayo de 2026 lo escribió Claude coincide con mediciones independientes y no muestra señales de frenarse, aunque advierte de los retos organizativos de absorber tanta ganancia de productividad.

𝕏 @levie (Aaron Levie) lee el informe en clave optimista: el verdadero motor es la explosión de nuevas ideas, herramientas y simulaciones que surge cuando los empleados trabajan con modelos muy capaces.

𝕏 @DotCSV (Carlos Santana) resume el documento con la metáfora que ya circula en el sector: la IA agiliza la investigación y el entrenamiento de mejor IA, lo que coloquialmente se llama 'cerrar el bucle'.

𝕏 @testingcatalog (Ai News | Testingcatalog) destaca un detalle operativo poco comentado: Mythos Preview podía trabajar 'al menos' 16 horas seguidas, en el límite superior de lo que METR puede medir.

Más información:

📎 When AI builds itself \ Anthropic

2. Arena lanza Agent Mode y clasificación de agentes

Arena, la plataforma que ordena modelos de IA mediante votaciones de usuarios, ha estrenado Agent Mode, una función para probar y comparar modelos en tareas agénticas reales: las que exigen herramientas, ejecución en varios pasos y razonamiento para seguir el estado. Llega junto a Agent Arena, un sistema que mide sesiones en vivo donde personas reales completan trabajo concreto, frente a los benchmarks estáticos habituales. En este modo, los modelos disponen de búsqueda web, sistema de archivos y terminal en un entorno aislado.

La novedad importa porque evaluar agentes, y no solo respuestas de chat, es uno de los puntos débiles del sector: las pruebas sintéticas rara vez anticipan el comportamiento en escenarios reales con agentes. Arena traslada aquí su método de preferencias agregadas al terreno de los flujos de trabajo autónomos. La clasificación de agentes usa cinco señales: éxito en la tarea, capacidad de dirección, recuperación de errores, elogios frente a quejas y alucinación de herramientas. El primer ranking global sitúa a GPT-5.5 High en cabeza, seguido de Claude Opus 4.7 Thinking, GLM-5.1, Gemini 3.1 Pro y Kimi K2.6, con Nemotron 3 Ultra entre los modelos incorporados. En la métrica de tareas confirmadas como completadas, Claude Opus 4.7 (Thinking) lidera con un 7,95%, por delante de Claude Opus 4.6 (7,17%) y GPT 5.5 High (7,06%). Arena advierte de que las conversaciones y cierta información personal se comparten con los proveedores y pueden hacerse públicas, por lo que pide no introducir datos sensibles.

𝕏 @arena (Arena.Ai) enmarca el lanzamiento como un hito de comunidad: su Battle Mode original, base del proyecto, ha superado los 50 millones de votos, cifra que apuntala su modelo de evaluación por preferencias agregadas.

𝕏 @WesRoth (Wes Roth) subraya que la clasificación de agentes no se reduce a acertar la tarea: pondera dirigibilidad, recuperación de errores y alucinación de herramientas, señales más cercanas al trabajo real que un acierto aislado.

Más información:

📎 Agent Arena: Causal Evaluation of Agents in the Real World (link extraído de los tweets)

3. OpenAI rediseña la memoria de ChatGPT

OpenAI ha empezado a desplegar una nueva arquitectura de memoria en ChatGPT. El sistema conserva contexto entre conversaciones distintas y trata de mantenerlo útil con el tiempo, frente al modelo anterior, basado en notas guardadas de forma puntual. El cambio no consiste solo en recordar más. La compañía describe la arquitectura como más capaz y escalable, construida sobre una técnica que denomina 'dreaming': síntesis de memoria a partir del historial, con menor coste de cómputo.

Para el usuario, la novedad visible es un 'resumen de memoria' editable, donde puede revisar y dirigir qué detalles persisten. Es una respuesta directa a las dudas habituales sobre privacidad y control. La memoria persistente es uno de los frentes donde compiten los asistentes: reduce la repetición de información y acerca cada sesión a un perfil acumulado del usuario. El alcance es limitado por ahora. La función llega solo a usuarios Plus y Pro en Estados Unidos, con el doble de capacidad de memoria que antes. Quien prefiera el comportamiento previo puede volver a las 'memorias guardadas' clásicas desde los ajustes.

El énfasis de 𝕏 @OpenAI (Openai) en un resumen editable, donde el usuario revisa y corrige lo que el modelo retiene, sitúa el control de datos como argumento de producto, no solo como requisito de cumplimiento.

𝕏 @sama (Sam Altman) presenta la actualización como una mejora de peso ('big upgrade') y la lanza desde su cuenta personal el mismo día, un gesto que la coloca como prioridad en la hoja de producto de OpenAI.

𝕏 @testingcatalog (Ai News | Testingcatalog) recoge el detalle técnico menos comentado: la arquitectura se apoya en 'dreaming' para sintetizar memoria, lo que apunta a un sistema más eficiente en cómputo, no solo a más almacenamiento.

Para 𝕏 @WesRoth (Wes Roth), el valor está en seguir preferencias y restricciones del usuario a lo largo del tiempo, es decir, en la adaptación progresiva más que en recordar datos sueltos.

Más información:

📎 ChatGPT's upgraded memory system is rolling out to everyone. (buscado en internet)

4. Graham añade una prueba: ¿resiste a la IA?

Paul Graham, cofundador de Y Combinator, ha añadido una pregunta a las que plantea a fundadores en sus 'office hours': '¿Podemos hacer esto a prueba de IA?'. La formulación concreta es si la empresa seguiría existiendo en un escenario donde las IAs hicieran la mayor parte del trabajo. Se suma a sus criterios habituales sobre efectos de red e integración vertical ('full-stack'). Importa porque Graham marca pauta entre emprendedores e inversores, y desplaza el debate sobre defensibilidad a un terreno distinto: ya no basta con los criterios que hasta ahora han funcionado para el modelo SaaS, sino que ahora es necesario construir valor que la IA no replique con facilidad.

El consejo táctico de 𝕏 @paulg (Paul Graham) es hacer el producto útil para los agentes y dejar que interactúen entre ellos, replicando el foso de los marketplaces, aunque admite que la concentración en un solo proveedor de modelos rompería esa protección.

Hoan Ton-That, fundador y ex CEO de Clearview AI, reabre el debate sobre el impacto de la inteligencia artificial en el empleo tecnológico con una tesis clara: las herramientas de programación con IA no van a eliminar a los desarrolladores, pero sí cambiarán radicalmente qué se espera de ellos. El cambio no elimina la necesidad de talento técnico; desplaza el valor hacia el criterio. Saber qué producto construir, revisar la calidad, entender al cliente y gestionar riesgos pesará más que escribir cada línea manualmente.

Para 𝕏 @pmarca (Marc Andreessen), el argumento de que la IA no eliminará los empleos de programación coincide con lo que observa a diario en el sector, en línea con el relato de la IA como amplificadora del desarrollador.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) sostiene sin matices que la IA creará más empleo del que destruya, apoyándose en la historia de la difusión tecnológica, y acusa a medios y políticos de inflar una 'crisis falsa'. Es una posición opinativa, sin datos que la respalden.

Frente a las predicciones rotundas, 𝕏 @RichardSocher (Richard Socher) recuerda que destacar en un campo no garantiza acertar al pronosticar en otros, y cita a Einstein y un texto de 1931 como aviso ante el exceso de confianza.

Más información:

📎 I Built an AI Company. Here’s Why AI Won’t Kill Coding Jobs.

5. Sacks acusa a los labs de buscar la nacionalización

David Sacks, inversor y voz del podcast All-In, ha cuestionado en X la coherencia del discurso de los grandes laboratorios de IA. Su argumento es directo: estas empresas comparan sus modelos con armas nucleares, advierten de que la tecnología amenaza la mitad de los empleos de oficina y avisan de que la automejora recursiva podría acabar con la humanidad, pero siguen acelerando el desarrollo sin pausa. La ironía que plantea es que, con esa retórica, los propios laboratorios estarían invitando al Estado a regularlos o incluso a nacionalizarlos. Piden al gobierno que los salve de sí mismos.

El comentario toca un punto sensible. La narrativa del riesgo existencial convive con una carrera comercial que no se detiene, y esa tensión alimenta sospechas sobre el uso estratégico de las advertencias de seguridad. Para algunos, dramatizar el peligro consolida la posición de los actores ya establecidos y desincentiva la competencia. Sacks ocupa además un cargo en la política tecnológica estadounidense como responsable de IA y criptoactivos de la Casa Blanca, por eso es tan importante su postura dentro del debate sobre cuánta intervención pública debe tener el desarrollo de modelos punteros.

El núcleo de la crítica de 𝕏 @DavidSacks (David Sacks) es la incoherencia: comparar la IA con las armas nucleares y advertir del fin de la humanidad mientras se acelera el desarrollo equivale, a su juicio, a reclamar que el Estado intervenga un sector que sus propias empresas no quieren frenar.

6. El tráfico de agentes supera al humano

SemiAnalysis, firma especializada en semiconductores e IA, ha difundido una afirmación basada en datos de CloudFlare Radar: el tráfico generado por agentes de IA habría superado al humano en las páginas web HTML a nivel mundial. La idea de fondo es que buena parte del consumo de contenido en la red ya no procede de personas, sino de sistemas que navegan, raspan o procesan páginas en nombre de usuarios o modelos. De confirmarse, el efecto se nota en varios frentes: monetización publicitaria, métricas de audiencia, consumo de ancho de banda y políticas de protección frente a bots.

El negocio de Cloudflare consiste precisamente en distinguir y filtrar este tipo de tráfico, lo que da credibilidad a su lectura pero también condiciona el ángulo desde el que mide. El mensaje no incluye porcentajes, ni metodología, ni el periodo exacto al que se refiere, y tampoco aclara cómo separa el 'tráfico agéntico' de la extracción web automatizada clásica, anterior a los modelos actuales. Esa distinción pesa: meter los bots de scraping tradicionales en el mismo saco que los agentes de IA infla la categoría sin describir qué ha cambiado de verdad.

El dato lo lanza 𝕏 @SemiAnalysis_ (Semianalysis) como noticia de última hora apoyándose en CloudFlare Radar, pero sin porcentajes, ventana temporal ni la metodología que permitiría calibrar el alcance real del cruce.

El matiz incómodo lo aporta 𝕏 @giffmana (Lucas Beyer (Bl16)): traducir 'tráfico agéntico' por 'tráfico de bots' recuerda que parte de ese volumen no es actividad útil ni nueva, sino la automatización de siempre con otra etiqueta.

Con un escueto 'RIP human internet', 𝕏 @tunguz (Bojan Tunguz) resume el sentimiento que circula en el sector: la red pensada para lectores humanos pierde peso frente a una diseñada para que la consuman máquinas.

7. OpenAI fusiona Codex, ChatGPT y Atlas

OpenAI estaría preparando la unificación de ChatGPT, Codex (su herramienta de codificación) y Atlas (su navegador) en una sola aplicación de escritorio, según informaciones difundidas en X. La idea es concentrar asistente conversacional, entorno de desarrollo y navegación en un único punto de acceso, eliminando los saltos entre productos y facilitando el uso de Codex, su solución de agentes. El objetivo es reducir fricción y mantener todo el flujo de trabajo en un mismo sitio, un terreno donde OpenAI compite con asistentes de programación cada vez más capaces. La fusión de las tres aplicaciones procede de filtraciones en X, no de un anuncio formal, sin fechas ni detalles de implementación confirmados.

A la vez, la compañía ha añadido a Codex un plugin llamado Build iOS Apps, que integra más fases del desarrollo de aplicaciones iOS dentro del propio entorno: permite visualizar, probar, previsualizar y recargar en caliente (hot reload) los cambios sin salir de la herramienta. OpenAI mantiene además su programa Codex for Open Source, lanzado en marzo, que ofrece a mantenedores con un GitHub activo seis meses de ChatGPT Pro (valorado en 1.200 dólares) más créditos de API, con un umbral de acceso bajo que admite proyectos pequeños y mantenedores en solitario.

El foco de 𝕏 @WesRoth (Wes Roth) está en el plugin Build iOS Apps, que lleva la previsualización y la recarga en caliente al interior de Codex como señal de que OpenAI busca cerrar el ciclo de desarrollo dentro de un único entorno.

𝕏 @polydao (Mr. Buzzoni) constata que el umbral del programa Codex for Open Source es más bajo de lo esperado: fue aceptado pese a tener un GitHub con poca actividad, lo que apunta a una captación de desarrolladores deliberadamente amplia.

Para 𝕏 @Pluvio9yte (Pluvio9Yte), el paquete de incentivos a mantenedores de código abierto (ChatGPT Pro gratis, créditos de API y revisión de seguridad con IA), sin exigir un mínimo de estrellas, confirma que OpenAI prioriza ensanchar la base de usuarios de Codex.

8. Sakana AI prepara modelo japonés de 1 billón

Sakana AI, laboratorio con sede en Tokio, ha anunciado un proyecto para construir el primer modelo japonés de 1 billón (1T americano) de parámetros. El cofundador lo presentó en el programa WBS de TV Tokyo. El modelo se concibe como agent-native y se optimiza para investigación profunda de largo horizonte: tareas que encadenan muchos pasos de razonamiento y consulta en el tiempo. Lo respalda GENIAC, la iniciativa del METI (Ministerio de Economía, Comercio e Industria de Japón) para reforzar la capacidad nacional en IA. La apuesta supone un cambio de rumbo para la empresa, que hasta ahora evitaba competir por tamaño.

Pasar a un modelo propio de 1T orientado a agentes implica más ambición en infraestructura y autonomía, y la voluntad de desarrollar un modelo frontera propio. A finales de 2025, Sakana AI está valorada en torno a 2.600 millones de dólares (¥400.000 millones), una de las cifras más altas entre las startups de IA japonesas. Desde el punto de vista estratégico, con esta iniciativa Japón elimina su dependencia de modelos frontera con EEUU o China.

𝕏 @hardmaru (Hardmaru) presenta el proyecto como un esfuerzo de soberanía tecnológica: un modelo japonés de 1T agent-native pensado para investigación de largo horizonte y respaldado por el METI, no como una carrera más por el tamaño bruto.

¿Qué pasó ayer? En un minuto:

1. Google lanza Gemma 4 12B, un modelo abierto que corre en un portátil con 16 GB y acepta texto, imagen y audio: iguala a su versión de 26B con menos de la mitad de parámetros.

2. En generación de imágenes Reve 2.0 debuta segundo en el Arena e Ideogram 4.0 llega como el mejor modelo de pesos abierto.

3. Anthropic examina 832 cuentas maliciosas y concluye que la IA se usa sobre todo en las fases previas a los ciberataques, no en la ejecución avanzada.

4. Casi el 40% de las empresas que midieron ahorros con IA se quedó por debajo del 10%, según Bain, pero el 90% vuelve a ampliar presupuesto.

5. SemiAnalysis sitúa la paridad de costes entre centros de datos en órbita y en tierra hacia finales de la década de 2030.

6. Microsoft y Mayo Clinic se alían para construir un modelo de IA de frontera centrado en sanidad, capaz de razonar sobre casos clínicos reales.

7. Perplexity lleva su agente a Windows y prepara una arquitectura híbrida que reparte tareas entre el equipo del usuario y modelos de frontera en la nube.

8. La Universidad de Chicago da acceso a Claude a toda su comunidad académica. El debate ya no es permitir o prohibir, sino garantizar un acceso seguro y equitativo para todos los estudiantes.

9. SpaceX apunta a una salida a bolsa con una valoración según rumores de 1,75 trillones de dólares: 2026 se perfila como un año especialmente activo con salidas de OpenAI, Anthropic o Databricks.

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. Google presenta Gemma 4 12B, multimodal y local

Google ha presentado Gemma 4 12B, un modelo de pesos abiertos con unos 12.000 millones de parámetros pensado para ejecutarse en local. Lo confirman varias cuentas oficiales de la compañía, incluidos sus máximos responsables, y ya está disponible en Hugging Face bajo licencia Apache 2.0, que permite uso comercial y modificación. La propuesta junta tres elementos: tamaño compacto, ejecución en hardware de consumo (portátiles con 16 GB de VRAM o memoria unificada) y entrada multimodal de texto, imagen y audio. Google lo describe como una arquitectura unificada y sin codificador (encoder-free), donde audio e imagen entran directamente al modelo.

El argumento central es la eficiencia: la nueva versión rendiría al nivel del equivalente de 26B presentado hace unos meses, con menos de la mitad de parámetros. Para el sector, encaja con la tendencia hacia modelos abiertos y ligeros que rebajan costes de inferencia y dependencia de la nube, y facilitan desplegar datos sensibles en local. El modelo también se orienta a razonamiento multi-paso y flujos de trabajo agénticos en local.

El salto que más subraya 𝕏 @DotCSV (Carlos Santana) es de eficiencia: la nueva arquitectura permitiría a un modelo de 12B igualar a uno de 26B de hace unos meses, más capacidad con menos parámetros.

𝕏 @JeffDean (Jeff Dean) reduce el mensaje a lo esencial para un técnico: un modelo de pesos abiertos muy capaz que se ejecuta directamente en el portátil, sin infraestructura externa.

𝕏 @WesRoth (Wes Roth) sitúa la jugada en el terreno del edge, con la licencia permisiva y los flujos agénticos como base para correr capacidades avanzadas en dispositivos modestos.

Más información:

📎 Introducing Gemma 4 12B: a unified, encoder-free multimodal model

2. Reve 2.0 e Ideogram 4.0 escalan en Arena

Dos lanzamientos de generación de imágenes han movido la clasificación Text-to-Image de Arena, el ranking que ordena modelos según votación comparativa de usuarios. Reve 2.0 ha debutado con 1.280 puntos, 125 más que Reve v1.5. La cifra lo coloca por delante de Nano Banana 2, MAI-Image-2.5 y GPT-Image-1.5-High Fidelity. Las ganancias se reparten por todas las subcategorías, con avances mayores en renderizado de texto, anime y fantasía, fotorrealismo y retratos, además de buenas posiciones en edición. El detalle más destacado de Reve 2.0 es el método de edición basado en una segmentación de la imagen para identificar sus elementos de forma más precisa.

En paralelo, Ideogram ha publicado Ideogram 4.0, orientado a diseño profesional: tipografía, control de maquetación y fotorrealismo. Su rasgo distintivo es su naturaleza abierta: pesos descargables para ajuste fino con datos propios, disponibilidad inmediata en todos los planes y acceso por API. El renderizado de texto y la edición precisa siguen siendo los frentes donde estos modelos compiten más directamente, por haber sido sus mayores debilidades. Ideogram 4.0 aparece octavo en la Text-to-Image Arena, donde es el modelo abierto mejor situado, con 1.204 puntos, cerca de Nano Banana Pro.

Para 𝕏 @DotCSV (Carlos Santana), lo notable de Ideogram 4.0 no es su quinto puesto general, sino que encabeza con holgura los modelos de código abierto, manteniendo a Ideogram liberando versiones cada vez más capaces.

𝕏 @WesRoth (Wes Roth) sitúa el valor de Ideogram 4.0 en la combinación de pesos descargables y especialización en tipografía y maquetación, lo que abre la puerta a que las empresas lo ajusten con sus propios datos.

Más información:

📎 Text-to-Image Leaderboard - Best AI Image Generators

3. Anthropic mide las ciberamenazas con IA

Anthropic ha publicado un informe sobre amenazas cibernéticas potenciadas por IA basado en un año de datos. Su Frontier Red Team examinó 832 cuentas baneadas por actividad maliciosa entre marzo de 2025 y marzo de 2026 y cruzó su actividad con MITRE ATT&CK, la base de datos de referencia que cataloga tácticas y técnicas de los atacantes. El objetivo era comprobar si los marcos defensivos de la comunidad de seguridad aguantan frente a ataques asistidos por modelos.

La conclusión matiza el alarmismo: el uso dominante está en la preparación, no en la ejecución avanzada. De las 832 cuentas, 560 (un 67,3%) recurrieron a la IA para escribir malware; solo 54 (un 6,5%) la emplearon para movimiento lateral en redes ya comprometidas. Parte de estos resultados aparece también en el Data Breach Investigations Report 2026 de Verizon.

El planteamiento de 𝕏 @AnthropicAI (Anthropic) es someter a prueba los marcos de la comunidad de seguridad frente a ataques con IA, en lugar de asumir que quedan obsoletos: el cruce con MITRE ATT&CK busca medir, no especular.

Más información:

📎 What we learned mapping a year’s worth of AI-enabled cyber threats \ Anthropic

4. El ROI de la IA, entre datos y narrativa

El retorno de la inversión en IA generativa vuelve al primer plano, ahora con cifras de encuesta sobre la mesa. La Automation and AI Pathfinder Survey, de Bain & Company, recoge un dato incómodo: cerca del 40% de las empresas que midieron ahorros se quedó por debajo del 10%, pese a fijar objetivos del 11% al 20%. Aun así, el 90% vuelve a ampliar su presupuesto de IA.

El problema, advierte Bain, no está principalmente en la tecnología, sino en cómo se organiza el trabajo. Muchas compañías aprueban proyectos suponiendo que la IA automatizará procesos completos, cuando en la práctica solo el 7% tiene agentes plenamente autónomos en producción. En la mayoría de los casos, las decisiones siguen necesitando revisión humana, lo que reduce el ahorro esperado.

El matiz importa para quien decide presupuestos: separa expectativas infladas del valor que de verdad se captura, y obliga a precisar qué se mide antes de hablar de éxito o fracaso. Ahorro, productividad e ingresos no son lo mismo. Además, la mayor barrera sigue siendo el acceso y la integración de datos, citada por el 41% de los encuestados. La conclusión empresarial: antes de comprar más IA, hay que rediseñar procesos, auditar retornos reales y asignar responsables claros. La ventaja no será de quien más gaste, sino de quien convierta la IA en cambios operativos medibles.

Más información:

📎 Your AI Budget Is Growing. Your Returns Aren't. Here's Why. | Bain & Company

5. SemiAnalysis radiografía el datacenter en el espacio

SemiAnalysis, la firma de análisis de semiconductores de Dylan Patel, ha publicado un informe sobre los límites físicos y económicos del llevar el cómputo de IA al espacio. Compara el coste total de propiedad de un centro de datos en órbita frente a uno terrestre. La firma sitúa la paridad de costes hacia finales de la década de 2030, con cierta viabilidad posible antes. El argumento parte de lo que asfixia a los centros de datos en tierra: energía, refrigeración, suelo y los cuellos de botella en la producción de chips. Como señales del sector, cita la fusión de xAI dentro de SpaceX y la salida a bolsa de esta última, en cuyo S-1 (20 de mayo de 2026) fija el objetivo de lanzar 100 GW de cómputo al espacio cada año.

Más información:

📎 To Boldly Go: The Case for Space Datacenters

6. Microsoft y Mayo Clinic crean IA clínica

Microsoft y Mayo Clinic han anunciado una alianza para desarrollar un modelo de IA de frontera orientado a la sanidad. En el reparto de tareas Mayo Clinic aporta experiencia clínica, datos de salud anónimos y registros longitudinales de pacientes; Microsoft pone sus capacidades de IA y su infraestructura en la nube. La meta declarada no es un asistente generalista, sino un modelo capaz de razonar sobre casos clínicos reales. El acuerdo une a una de las tecnológicas más activas en IA con una institución médica de referencia, en un momento en que millones de usuarios ya recurren a chatbots para consultas de salud sin garantías de rigor.

La idea de fondo es atar la potencia del modelo a fundamento clínico verificable, con la anonimización de datos como mecanismo de privacidad. Llega además mientras Microsoft amplía su línea propia de modelos MAI para reducir su dependencia de OpenAI, lo que coloca la sanidad como terreno de aplicación prioritario dentro de esa estrategia. Un punto operativo sí aparece en las reacciones del sector: la propiedad del modelo quedaría en manos de Mayo Clinic, con distribución posterior a través de Azure, un reparto que delimita quién controla el activo y quién monetiza su despliegue.

Suleyman defiende, en declaraciones recogidas por 𝕏 @classcnbc (Class Cnbc), que el objetivo es transformar la medicina mediante soluciones construidas sobre datos clínicos, una ambición que va más allá de mejorar herramientas ya existentes.

El matiz operativo que subraya 𝕏 @cicekcizmeci (Cicek Cizmeci) es la titularidad: el modelo no aspira a ser generalista, sino clínicamente competente, y su propiedad permanecería en Mayo Clinic con distribución vía Azure.

El contexto que explica la jugada, según 𝕏 @dinisguarda (Dinis Guarda), es la avalancha de consultas de salud que reciben los chatbots, un hueco que Microsoft intenta cubrir con respaldo médico real.

Desde 𝕏 @Benzinga (Benzinga) leen el acuerdo en clave de mercado: una apuesta fuerte de Microsoft por la IA sanitaria con efecto directo sobre la acción de $MSFT.

7. Perplexity lleva agentes locales al PC

Perplexity ha empezado a desplegar Personal Computer en Windows, un agente que corre en local, y avanza una arquitectura híbrida para repartir tareas entre el equipo del usuario y modelos de frontera en la nube. La novedad importa por dos motivos. Primero, mete a Perplexity en el terreno de los asistentes integrados en el escritorio, no solo en web o móvil. Segundo, aborda una tensión recurrente en estos productos: mantener datos sensibles en el dispositivo sin renunciar a capacidad extra cuando una tarea pide más cómputo. Ese reparto entre privacidad, coste y rendimiento se está convirtiendo en una vía habitual para desplegar agentes sin depender por completo de servidores remotos.

Para Perplexity encaja con su salida del buscador conversacional hacia software de trabajo diario, y la acerca a la automatización personal más que a la simple respuesta de texto. El reparto dinámico de cómputo también apunta a contener el coste por uso, uno de los frenos para adoptar este tipo de productos. La compañía suma además dos integraciones de salud: datos de Apple Health dentro de Perplexity y soporte de funciones en Perplexity Health, que permiten consultar señales personales como sueño, actividad, HRV, analíticas y biomarcadores. El despliegue inicial se limita a usuarios de pago de los planes Max y Enterprise Max, mediante lista de espera.

El foco de 𝕏 @WesRoth (Wes Roth) está en la privacidad práctica: el valor del enfoque híbrido es dejar los datos delicados en el PC y usar la nube solo cuando hace falta más potencia.

8. La IA se vuelve infraestructura universitaria

La Universidad de Chicago ha cerrado un acuerdo para dar acceso a Claude, el modelo de Anthropic, a toda su comunidad académica. No es un caso aislado: la Universidad de Pensilvania ya ofrece IA a nivel institucional, lo que acerca estos pactos universidad-proveedor a una infraestructura básica más que a una novedad. El foco se desplaza. La discusión deja de girar en torno a si se permite o se prohíbe el uso de IA y pasa a cómo asegurar un acceso equitativo entre estudiantes, evitando una brecha según quién pueda pagar herramientas.

A partir de ahí siguen abiertas las cuestiones difíciles: integridad académica, diseño de la evaluación e integración de estas herramientas en docencia e investigación sin que sustituyan el trabajo que deben enseñar. El debate convive con tensión en el aula. Los datos sobre cursos introductorios de informática en UC Berkeley apuntan a tasas de suspenso elevadas, con más de un 35% de fallos en CS 10, un indicio del desajuste entre cómo se enseña, cómo se evalúa y cómo trabajan ya los estudiantes con asistentes.

Para 𝕏 @emollick (Ethan Mollick) la adopción de Claude en Chicago no debería sorprender, porque el acceso institucional a IA ya es común, y defiende que un acceso seguro y equitativo es el cimiento previo a cualquier otro debate académico. Añade que disponer de sistemas conformes con HIPAA y FERPA reduce el riesgo para los miles de estudiantes e investigadores que ya los usan.

Desde 𝕏 @StanfordHAI (Stanford Hai) sitúan el impacto en la investigación, con un panel sobre cómo la IA reformula las ciencias de la vida, desde el diseño de proteínas nuevas hasta el estudio de la arquitectura computacional del cerebro.

9. SpaceX aviva la ventana de IPOs

SpaceX vuelve al centro de la conversación por rumores de una salida a bolsa con una valoración de 1,75 trillones americanos de dólares. De confirmarse, la situaría entre las compañías privadas más valiosas del mundo. El interés no está solo en el tamaño, sino en el calendario: varias voces del mercado describen 2026 como un periodo especialmente activo para estrenos de empresas de tecnología avanzada, con la IA, los datos y la infraestructura espacial como principales focos de capital.

Una colocación de este tamaño funcionaría como termómetro del apetito por negocios intensivos en infraestructura y de retorno lento, justo cuando muchas firmas de IA siguen privadas y con valoraciones altas. También subiría la presión comparativa sobre nombres como OpenAI, Anthropic o Databricks, citados ya como los siguientes en la lista. La pregunta es si el mercado está preparado para absorber varias salidas grandes ligadas a IA y datos.

𝕏 @ARKInvest (Ark Invest) sostiene que SpaceX podría ser solo la primera de una tanda de IPOs de alto perfil durante 2026.

𝕏 @WealthEnrich (Advait Arora) se muestra más escéptico con la cifra y admite que no logra cuadrar la valoración con la información disponible. Resume la dinámica de estas operaciones con ironía: primero se fija el número y la explicación llega después.

¿Qué pasó ayer? En un minuto:

1. Microsoft anuncia siete modelos propios de la familia MAI, entre ellos su primer modelo de razonamiento de propósito general, MAI-Thinking-1, con la posibilidad de hacer ajuste fino con datos propios como ventaja competitiva.

2. La Casa Blanca firma una orden ejecutiva que une innovación en IA y seguridad nacional, con una regulación suave respaldada por los grandes laboratorios.

3. Google DeepMind muestra casos de uso de Co-Scientist, un sistema multiagente sobre Gemini que genera y debate hipótesis científicas.

4. OpenAI amplía los plugins de Codex para adaptarlo a cada función profesional: 62 aplicaciones y 110 skills con una sola instalación y sin escribir código.

5. Anthropic amplía el proyecto Glasswing a unas 150 organizaciones nuevas: los 50 socios iniciales ya han localizado más de 10.000 vulnerabilidades.

6. TinyFish lanza Bigset, un sistema multiagente de código abierto que construye un dataset estructurado y verificado, extraído de la web, a partir de instrucciones en lenguaje natural.

7. Zoox explica cómo entrena su conducción autónoma para los casos extremos que casi nunca aparecen en carretera: con simulación, no con kilometraje real.

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. Microsoft amplía su familia MAI con siete modelos

Microsoft ha presentado siete modelos propios de la familia MAI (Microsoft AI), disponibles en Microsoft Foundry para desarrolladores bajo un mismo marco de gobernanza y seguridad. El conjunto cubre razonamiento (MAI-Thinking-1), código (MAI-Code-1-Flash), generación y edición de imagen (MAI-Image-2.5 y su variante Flash), síntesis de voz (MAI-Voice-2 y MAI-Voice-2-Flash) y transcripción (MAI-Transcribe-1.5). El conjunto confirma la voluntad de la compañía de construir capacidades internas además de su alianza con OpenAI, reduciendo la dependencia de proveedores en su pila de productos.

La novedad más importante para diferenciarse de los laboratorios dominantes como OpenAI y Anthropic se llama Frontier Tuning, una vía para que las compañías adapten los modelos de IA a sus datos, procesos y normas internas dentro de sus propios límites de cumplimiento. También anuncia la disponibilidad de sus modelos en OpenRouter, Fireworks y Baseten para que cualquier desarrollador pueda hacer ajuste fino de los pesos de sus modelos de acuerdo a sus necesidades y uso cotidiano. Microsoft apuesta fuerte por esta vía para entregar modelos diez veces más eficientes y con las mismas prestaciones que los modelos más potentes.

MAI-Thinking-1, su primer modelo de razonamiento de propósito general, llega con un informe técnico extenso, algo poco habitual a esta escala en un sector cada vez más opaco. MAI-Transcribe-1.5 se sitúa primero en FLEURS, promediado en 43 idiomas, y en la frontera de Pareto de precisión y velocidad de Artificial Analysis. La línea de imagen distingue un nivel premium centrado en fidelidad, MAI-Image-2.5, y una versión Flash más ligera, patrón que se repite en voz. MAI-Image-2.5 debuta segundo en la categoría Single-Image-Edit del Arena por delante de Nano Banana y Grok Imagine. Sin embargo, la verificación externa de MAI-Thinking-1 es, por ahora, escasa: algunos benchmarks publicados resultan difíciles de interpretar, con resultados bajos en benchmarks populares como GPQA y Terminal Bench 2.0.

Para 𝕏 @mustafasuleyman (Mustafa Suleyman), el anuncio resume la apuesta de Microsoft como compañía de plataforma: lanzar modelos de primer nivel y, a la vez, dar herramientas para que los clientes los adapten a sus propios usos.

Más escéptico, 𝕏 @emollick (Ethan Mollick) advierte de que cuesta juzgar la calidad de MAI-Thinking-1 solo por sus cifras y critica la dificultad para probar los modelos de Microsoft justo tras su lanzamiento.

Desde el equipo, 𝕏 @tyleraromero (Tyler Romero) presenta MAI-Thinking-1 como el primer modelo de razonamiento de propósito general de Microsoft y subraya el informe técnico que detalla la ciencia y la ingeniería detrás.

𝕏 @baseten (Baseten) destaca un argumento práctico: MAI-Thinking-1 permitirá hacer ajuste fino sin ceder los datos a Microsoft y presume de un linaje de datos limpio, sin destilación de modelos de terceros.

Más información:

📎 Building a hill-climbing machine: Launching seven new MAI models

2. Trump firma orden ejecutiva sobre IA

La Casa Blanca ha emitido la orden ejecutiva 'Promoting Advanced Artificial Intelligence Innovation and Security', que persigue dos objetivos a la vez: acelerar la innovación en IA y reforzar la seguridad nacional ligada a estas capacidades. El texto atribuye el liderazgo estadounidense al talento de su industria y a una regulación deliberadamente ligera. La Administración encuadra la medida en su política 'America First' en ciberseguridad y reivindica haber retirado restricciones del Gobierno anterior a desarrolladores e investigadores.

Es una acción importante porque fija la dirección regulatoria del país justo cuando se debate cómo equilibrar despliegue rápido, seguridad y competencia con China. Gran parte de la industria ha reaccionado con apoyo, lo que anticipa una cooperación público-privada más estrecha en el desarrollo y la adopción de IA, dentro de agencias federales y en el sector privado. El documento también plantea modernizar los sistemas de información públicos y privados frente a amenazas externas. Las empresas de modelos son parte interesada en un marco que prioriza la velocidad sobre la carga regulatoria. La orden crea un proceso para que los laboratorios frontera compartan voluntariamente información o acceso a modelos avanzados con el Gobierno; la versión final recortó el alcance del borrador previo, al limitar ese acceso a un máximo de 30 días y descartar cualquier régimen obligatorio de licencia o preautorización.

El respaldo de 𝕏 @AnthropicAI (Anthropic) es notable: una de las grandes empresas de modelos califica la orden como un paso importante para el liderazgo estadounidense y se ofrece a colaborar en su implementación, un alineamiento explícito con la Administración.

Para 𝕏 @sama (Sam Altman), la orden 'logra el equilibrio adecuado' y resume el liderazgo en IA en tres palancas: mejores modelos, modelos seguros y herramientas cibernéticas en manos de 'defensores de confianza', una fórmula que sitúa la ciberseguridad en el centro.

Como portavoz del enfoque tecnológico del Gobierno, 𝕏 @DavidSacks (David Sacks) defiende un marco de innovación, energía e infraestructura como vía para ganar la carrera de la IA, y describe a Trump como el presidente más favorable a la innovación de la historia de EE. UU.

Más información:

📎 Promoting Advanced Artificial Intelligence Innovation and Security – The White House

3. DeepMind abre Co-Scientist a investigadores

Google DeepMind enseña casos de uso reales de Co-Scientist, un sistema multiagente basado en Gemini que se plantea como socio de investigación. Su función central es generar, debatir y refinar hipótesis ante problemas científicos complejos. La arquitectura reparte el trabajo entre varios agentes que contrastan ideas entre sí, en lugar de operar como un único modelo aislado.

Durante el último año, DeepMind afirma haber evaluado el sistema junto a expertos de varios países sobre casos reales: identificar nuevas dianas terapéuticas para la fibrosis hepática y proponer enfoques contra la esclerosis lateral amiotrófica (ELA), apoyándose en su capacidad para sintetizar décadas de literatura. El anuncio se enmarca en Gemini for Science, un conjunto de experimentos y herramientas de la compañía orientado al descubrimiento asistido por IA. La novedad es de acceso: Co-Scientist deja de limitarse a equipos cerrados y se abre a investigadores individuales.

La tesis que defiende 𝕏 @GoogleDeepMind (Google Deepmind) es que la IA puede actuar como socio dedicado de investigación, no solo como herramienta de análisis, capaz de aportar hipótesis nuevas en problemas donde el conocimiento previo está disperso.

Para 𝕏 @berryxia (Berryxia.Ai), el enfoque multiagente cambia el marco de la conversación: no se trata de qué puede hacer la IA por el científico, sino de convertir Gemini en un equipo de agentes que colaboran sobre un mismo problema.

Más información:

📎 Co-Scientist: A multi-agent AI partner to accelerate research — Google DeepMind

4. OpenAI convierte Codex en especialista por rol

OpenAI ha ampliado el sistema de plugins de Codex, su asistente de programación, para que funcione como un especialista según el rol del usuario en lugar de como herramienta de propósito general. Con una sola instalación y sin escribir código, Codex accede a 62 aplicaciones y 110 habilidades orientadas a tareas concretas, de ventas a análisis de datos. La compañía mostró complementos específicos, como un plugin de ventas y otro de inversión en renta variable pública, una señal de que busca llevar Codex más allá del desarrollo de software hacia flujos de trabajo de negocio.

El anuncio incluyó Sites para Codex, que transforma trabajo, ideas y planes en webs o apps interactivas accesibles por URL compartible, y Annotations, que permite seleccionar contexto en un documento y consultarlo directamente. El conjunto reposiciona a Codex como capa de integración con aplicaciones de terceros, no solo como generador de código, en línea con la tendencia de conectar agentes a herramientas reales para reducir la barrera de adopción. Sites, los plugins por rol y Annotations se despliegan en vista previa, primero para los planes Business y Enterprise.

Para 𝕏 @OpenAI (Openai), el objetivo es hacer Codex más útil en el trabajo diario sin exigir conocimientos de programación, adaptándolo a cada función profesional con una única instalación.

𝕏 @WesRoth (Wes Roth) lee el cambio como un paso de las herramientas aisladas hacia un ecosistema integrado de plugins, donde el valor está en la cobertura de aplicaciones y habilidades, no en una función concreta.

𝕏 @useapolloio (Apollo.Io) celebra estar entre los socios del lanzamiento y subraya el caso comercial: investigación de prospectos, planificación de cuentas y preparación de reuniones dentro de ChatGPT.

𝕏 @SemiAnalysis_ (Semianalysis) pone el foco en la experiencia de uso: considera que la app de escritorio y el navegador integrado de Codex ya son muy buenos, y apunta que con un mejor modelo base podría acercarse a Claude Code en su benchmark VibeMAX, donde hoy Claude lidera.

Más información:

📎 Codex for every role, tool, and workflow

5. Anthropic amplía Project Glasswing a 150 organizaciones

Anthropic ha ampliado Project Glasswing, su iniciativa para asegurar software crítico escaneando código con IA. El acceso a Claude Mythos Preview, un modelo orientado a detectar vulnerabilidades, llega ahora a unas 150 organizaciones nuevas en más de quince países. En abril participaban unos 50 socios iniciales, que desde entonces han localizado más de 10.000 fallos de severidad alta o crítica en sus bases de código. La expansión incorpora sectores ausentes en la primera tanda: energía, agua, sanidad, comunicaciones y hardware. Muchos socios son proveedores cuyas bases de código sostienen a numerosas organizaciones, incluidos gobiernos, lo que coloca el caso de uso en infraestructura de la que dependen terceros.

El interés está en llevar la IA generativa a un escenario de ciberseguridad concreto y a escala, donde la fiabilidad de las detecciones es el criterio decisivo: un escáner que genera ruido cuesta más de lo que ahorra. El movimiento coincide con un momento expansivo para la compañía: según el New York Times, Anthropic ha presentado documentación para salir a bolsa tras un fuerte crecimiento, con inversiones previstas de Nvidia y Microsoft de hasta 15.000 millones de dólares. El acceso no es abierto. Cada organización debe cumplir los requisitos de seguridad de Anthropic antes de usar el modelo, y la compañía afirma que ampliará el alcance geográfico más adelante.

Para 𝕏 @AnthropicAI (Anthropic), Glasswing es un esfuerzo colaborativo para proteger el software más importante del mundo, con un criterio común entre socios: que un ataque exitoso a su código tendría consecuencias catastróficas.

La validación práctica llega de 𝕏 @nuxt_js (Nuxt), que ha publicado las versiones 4.4.7 y 3.21.7 corrigiendo siete avisos de seguridad, incluidas todas las vulnerabilidades notificadas a través de Project Glasswing y otras halladas por investigadores externos.

Más información:

📎 Expanding Project Glasswing

6. TinyFish abre Bigset para datasets en vivo

TinyFish ha publicado Bigset, un sistema multiagente de código abierto que transforma una instrucción en lenguaje natural en un conjunto de datos estructurado y verificado, extraído de la web en tiempo real. El usuario describe lo que necesita, el sistema infiere el esquema y despliega agentes que investigan páginas reales, deduplican y devuelven una tabla exportable en CSV o XLSX.

El reparto del trabajo define la arquitectura: un agente orquestador hace descubrimiento en anchura, decide qué filas entran y dónde buscarlas, y reparte sub-agentes que rellenan cada entidad. El orquestador no tiene permiso de escritura propio. Cada sub-agente trabaja con un presupuesto ajustado de seis llamadas a herramientas, recopila datos mediante TinyFish Search y Fetch, e inserta una fila con sus URLs de origen y el rastro de cómo la obtuvo. La instrucción a los agentes es explícita: no fabricar valores, dejar campos en blanco cuando no se pueden confirmar y rechazar claves duplicadas.

El objetivo está en sustituir scrapers manuales y pipelines de limpieza de datos por un flujo con trazabilidad de fuentes, un requisito habitual en usos empresariales.

Más información:

📎 TinyFish Bigset turns text prompts into live datasets

7. Zoox apuesta por la simulación para los casos límite

Zoox, la filial de coches autónomos de Amazon, ha publicado en su Journal un artículo divulgativo sobre cómo trata los 'edge cases': situaciones raras o impredecibles que surgen en la vía y el principal obstáculo para el despliegue masivo de la conducción autónoma. Su tesis es sencilla. Donde un conductor humano improvisa con experiencia y lógica, un sistema autónomo necesita otro método, y Zoox lo apoya en la simulación. El argumento es habitual en el sector: por definición, esos casos ocurren pocas veces, así que cuesta reunir datos reales suficientes para entrenar y validar.

La clave es Scenario Diffusion, una técnica de IA generativa desarrollada por Zoox que permite crear escenarios de tráfico realistas y controlados a gran escala. En lugar de esperar a que aparezca una situación difícil durante pruebas reales, los equipos pueden provocarla en simulación, modificarla y repetirla para comprobar cómo responde el software del robotaxi. Si Zoox logra validar más rápido cada actualización de software, puede reducir costes de prueba, acelerar despliegues urbanos y reforzar su posición frente a competidores como Waymo y Tesla. El movimiento llega en plena expansión: Reuters informó en marzo de que Zoox ampliaría su servicio en San Francisco y Las Vegas, y comenzaría pruebas con sus robotaxis en Austin y Miami.

El planteamiento de 𝕏 @zoox (Zoox) separa la intuición humana del método de máquina: los conductores improvisan ante lo inesperado, mientras que un sistema autónomo necesita simular esos escenarios antes de encontrárselos en la vía.

Más información:

📎 Engineering for the unlikely

¿Qué pasó ayer? En un minuto:

1. Anthropic ha presentado de forma confidencial su borrador de S-1 ante la SEC, lo que le abre la opción de una salida a bolsa.

2. NVIDIA lanza Nemotron 3 Ultra, el modelo de pesos abiertos más capaz de un laboratorio estadounidense.

3. Los modelos de OpenAI ya están disponibles en Amazon Bedrock, lo que lleva su distribución a la base corporativa de AWS.

4. Los agentes de IA multiplican el código generado hasta 17,3 veces, pero los lanzamientos de productos de software solo suben un 30%.

5. El laboratorio chino MiniMax publica M3, un modelo de pesos abiertos muy competente: iguala a GPT-5.5 en un benchmark de ingeniería de software.

6. La fundición de semiconductores tocó un récord de 48.800 millones en el 1T26, mientras la IA acapara la capacidad en los nodos más avanzados.

7. Elad Gil e Ivanka Trump lanzan Alexandria, un proyecto para traducir con IA 1.000 obras de dominio público y distribuirlas gratis en distintos formatos.

8. Gemini permite ahora crear un avatar digital que reproduce tu cara y tu voz para generar vídeos sin rodar cada toma, alimentado por Gemini Omni.

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 da el primer paso hacia bolsa

Anthropic, creadora del asistente Claude, ha presentado de forma confidencial un borrador de declaración de registro S-1 ante la SEC. El trámite le da la opción de cotizar una vez el regulador complete su revisión, pero no fija calendario ni implica una salida inmediata. La compañía, constituida como PBC (empresa de beneficio público), precisa que aún no ha fijado el número de acciones ni el precio, y que la operación dependerá de las condiciones de mercado. El formato confidencial es práctica habitual: permite preparar la OPV sin desvelar cifras financieras hasta fases avanzadas.

Con este paso, Anthropic compite con OpenAI por llegar antes al mercado público, en un sector donde los ingresos y las pérdidas de los principales laboratorios siguen sin conocerse. Cotizar obligaría a publicarlos por primera vez. El telón de fondo financiero es relevante: Anthropic cerró una ronda Serie H de 65.000 millones de dólares con una valoración post-money de 965.000 millones, liderada por Altimeter, Dragoneer, Greenoaks y Sequoia. Su crecimiento reciente se atribuye sobre todo a herramientas que automatizan la escritura de código.

La valoración de las grandes empresas de IA generativa vuelve al centro del debate. Anthropic habría superado a OpenAI como la startup de IA más valiosa según la última valoración privada. El reparo de fondo es cómo se sostienen esas valoraciones. Una crítica recurrente apunta a una dinámica circular: los proveedores de infraestructura (fabricantes de chips y operadores cloud) tendrían incentivos para apuntalar el valor percibido de sus mayores clientes y mantener así sus propias ventas. El argumento se inscribe en la discusión más amplia sobre una posible burbuja, alimentada por los billones de capitalización añadidos al mercado desde la aparición de ChatGPT.

La propia 𝕏 @AnthropicAI (Anthropic) matiza que la presentación solo abre la opción de cotizar tras la revisión de la SEC, y que la OPV dependerá de las condiciones de mercado, sin acciones ni precio fijados todavía.

A 𝕏 @DotCSV (Carlos Santana) le interesa sobre todo el efecto colateral del trámite: la cotización forzará a publicar ingresos y pérdidas hasta ahora ocultos, justo cuando OpenAI sigue sin mover ficha en bolsa.

𝕏 @WesRoth (Wes Roth) insiste en separar el ruido del hecho: registrar el S-1 no equivale a salir a bolsa de inmediato, solo inicia un proceso formal sujeto a la revisión del regulador.

𝕏 @kseniam0s (Ksenia Moskalenko) subraya el carácter condicional del paso: la opción de OPV queda supeditada a que la SEC complete primero su revisión.

Más información:

📎 Anthropic files to go public

2. NVIDIA presenta Nemotron 3 Ultra, su modelo abierto más grande

NVIDIA ha presentado Nemotron 3 Ultra, un modelo de pesos abiertos con 550.000 millones de parámetros (55.000 millones activos), anunciado por Jensen Huang en Computex. La compañía lo describe como su modelo abierto más capaz hasta la fecha y promete disponibilidad esta misma semana. El movimiento importa porque empuja a NVIDIA más allá de las GPUs, hacia la capa de modelos, donde compite con laboratorios que llevan años publicando pesos abiertos. Un modelo así permite descargarlo, ajustarlo y desplegarlo sobre hardware propio, lo que de paso alimenta la venta de la infraestructura de cómputo de la propia NVIDIA.

Artificial Analysis lo coloca como el modelo de pesos abiertos más inteligente de un laboratorio estadounidense, una distinción relevante en un campo dominado hasta ahora por modelos de origen chino. Los 55.000 millones de parámetros activos apuntan a un diseño tipo mixture-of-experts, que activa solo una fracción del modelo en cada inferencia para reducir coste y latencia. Conviene templar las cifras de rendimiento: NVIDIA habla de un modelo cinco veces más rápido y un 30% más barato que la frontera, pero esos datos salen del propio anuncio, no de pruebas independientes. La generación anterior, Nemotron 3 Super, llegó con poca documentación para el hardware de sobremesa DGX Spark, una carencia que algunos usuarios ya advierten de cara a esta versión.

El matiz geográfico de Artificial Analysis pesa para 𝕏 @testingcatalog (Ai News | Testingcatalog): que un laboratorio estadounidense reclame la cabeza en modelos abiertos tiene relevancia en un terreno donde han mandado los modelos de origen no estadounidense.

𝕏 @intheworldofai (Worldofai) lo coloca a la altura de GLM-5.1 y Kimi K2.6, cerca del estado del arte abierto, y lo lee como otra señal de que el código abierto sigue empujando la frontera.

3. OpenAI llega a AWS Bedrock

OpenAI ha puesto sus modelos frontier y Codex, su herramienta de generación de código, a disposición general en AWS a través de Amazon Bedrock, el servicio gestionado de modelos fundacionales de Amazon. La integración permite desarrollar con modelos de OpenAI dentro de la infraestructura de AWS reutilizando los flujos de seguridad, cumplimiento y gobernanza ya implantados. Para entornos regulados, eso reduce parte de la fricción habitual en la adopción. OpenAI amplía la distribución de sus modelos más allá de Microsoft Azure, su socio tradicional, y la acerca a los clientes corporativos de Amazon.

OpenAI presenta el paso como el inicio de una expansión mayor e incluye la futura llegada a AWS de Daybreak, descrito por la compañía como su propuesta para cambiar cómo se construye y se defiende el software, con modelos orientados a ciberseguridad. Las fuentes oficiales no detallan cifras del acuerdo, fechas ni términos comerciales entre ambas empresas. Tampoco hay fecha publicada para Daybreak, que por ahora solo se anuncia como prevista.

Desde 𝕏 @OpenAI (Openai) enmarcan la disponibilidad en Bedrock como una vía para adoptar sus modelos sin salir de los marcos de seguridad y gobernanza ya en uso, y como el arranque de una expansión más amplia que aún no concretan.

La tracción empresarial de AWS y sus contratos ya comprometidos, según 𝕏 @levie (Aaron Levie), no solo dan distribución a OpenAI: empujarían el consumo de tokens en todo el sector, beneficiando también al resto de proveedores de modelos.

𝕏 @WesRoth (Wes Roth) lee la integración como una nueva ruta de despliegue corporativo fuera de la órbita exclusiva de Azure, apoyada en los flujos de compliance que las empresas ya tienen montados en AWS.

4. Los agentes generan más código, no más producto

Un estudio amplio sobre agentes de IA para programar, basado en datos de GitHub y otras fuentes, mide cuánto código adicional generan estas herramientas según su sofisticación. El autocompletado tipo Copilot produjo 2,2 veces más código. Los agentes locales, como la versión original de Claude Code, llegaron a 7,4 veces. Los agentes remotos actuales alcanzaron 17,3 veces. La cifra que ordena el resto es otra: las publicaciones reales de software (releases) solo subieron un 30%. El motivo está en los cuellos de botella humanos que rodean al desarrollo: revisión de código, integración, pruebas y decisiones de equipo. Generar código deja de ser el límite; aprobarlo y desplegarlo sí lo es.

El dato matiza la narrativa habitual de que estos agentes disparan la productividad de forma lineal. Producir más texto no equivale a entregar más producto, y el retorno depende tanto de rediseñar los procesos de revisión e integración como de elegir la herramienta más potente. El método del estudio cruza actividad de repositorios con ritmo de entrega para separar volumen de código de valor entregado. Conviene situar el alcance: las cifras de multiplicación miden líneas o cantidad de código, no calidad, mantenibilidad ni tasa de defectos. El incremento del 30% en releases es el único indicador de salida real que recoge el estudio, y la fricción que lo limita es organizativa, no técnica.

Más información:

📎 Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools

5. MiniMax M3, modelo abierto con contexto de 1M

MiniMax, laboratorio chino fundado a comienzos de 2022, ha publicado M3, un modelo de pesos abiertos que combina codificación, razonamiento agéntico, multimodalidad nativa y una ventana de contexto de hasta 1 millón de tokens. Ya puede probarse en Arena, la plataforma de evaluación por votos de usuarios, repartido en Texto, Visión, Documento y Código (Frontend), y también a través de las API de MiniMax y su producto MiniMax Agent. La pieza técnica que lo diferencia es MiniMax Sparse Attention, una arquitectura de atención dispersa que activa solo parte del modelo para sostener contextos largos a menor coste.

En SWE Bench Pro, un benchmark de ingeniería de software, M3 obtiene un 59%, a la par con GPT-5.5 según los datos difundidos por la compañía. Conviene matizar que las cifras proceden del propio lanzamiento y no de evaluaciones independientes, y Arena todavía no ha publicado su clasificación oficial. El movimiento encaja en la oleada de modelos abiertos de origen chino que vienen estrechando distancias con los laboratorios estadounidenses.

Para 𝕏 @WesRoth (Wes Roth) lo destacable es el empaquetado: codificación de frontera, agentes y contexto de 1M en un único lanzamiento abierto, lo que rebaja la barrera para que los desarrolladores accedan a los pesos y los personalicen.

𝕏 @testingcatalog (Ai News | Testingcatalog) se queda con una demostración concreta en Atomic Chat: M3 leyó un boceto dibujado en una servilleta y entregó un juego de plataformas jugable en HTML de una pasada por 0,028 dólares, un caso aislado que ilustra el coste de los modelos abiertos.

El dato que escoge 𝕏 @sdrzn (Saoud Rizwan) ordena la lectura de eficiencia: M3 iguala a Opus 4.7 en terminal-bench 2.1 con una veinteava parte del cómputo y el coste de la generación anterior de MiniMax, mérito que la compañía atribuye a su mecanismo de atención dispersa.

Más información:

📎 MiniMax M3

6. La fundición marca récord y concentra cuota

La industria de fundición de semiconductores alcanzó un récord de 48.800 millones de dólares en el primer trimestre fiscal de 2026, un 32% más interanual y un 3% en el trimestre, según el Foundry Industry Model de SemiAnalysis. Es el noveno trimestre consecutivo al alza, y pesa más porque el Q1 suele ser flojo. Las previsiones para el 2T26 apuntan a 54.700 millones (+29% interanual), con utilización en aumento de forma generalizada. El motor es la demanda de computación avanzada, y la cuota de TSMC siguió creciendo, lo que afianza su dominio en los nodos punteros.

Por debajo TSMC, el tablero se mueve. Intel Foundry plantea su empaquetado EMIB junto a Intel 18A como negocio externo de varios miles de millones hacia 2028. Entran nuevos actores con apuestas distintas: Rapidus va a 2nm y 1,4nm, Tata a nodos maduros, Huawei desarrolla su Tau Scaling y el proyecto Terafab de Tesla-SpaceX aspira a un millón de obleas mensuales en lógica, memoria y otros segmentos. El reparto interno también cambia: SemiAnalysis estima que la IA absorbería cerca del 60% de las obleas N3 en 2026 y hasta el 86% en 2027. La memoria pasó de rondar el 10% de las exportaciones surcoreanas (2018-2024) al 22% en 2026, más del doble que el automóvil, segunda industria exportadora con un 8% habitual.

El registro de 𝕏 @SemiAnalysis_ (Semianalysis) subraya que el récord llega en un Q1 estacionalmente débil y encadena nueve trimestres de crecimiento interanual, una serie que descarta leer la cifra como un pico puntual.

7. Alexandria traducirá 1.000 libros con IA

Elad Gil ha presentado Alexandria, un proyecto que impulsa junto a Ivanka Trump para traducir con IA 1.000 de las grandes obras de la literatura mundial. El objetivo declarado es ampliar el acceso salvando barreras de idioma y coste. La iniciativa no se limita al texto traducido: contempla versiones en audiolibro y una función para conversar con cada libro, lo que apunta al uso de modelos de lenguaje para una lectura interactiva además de la traducción automática. La propuesta encaja en una tendencia más amplia: aplicar IA generativa a la difusión de patrimonio cultural, donde traducir a escala y convertir a audio son ya tareas técnicamente accesibles.

El interés para el sector está menos en la novedad técnica y más en el caso de uso, la distribución gratuita y multilingüe de obras a gran volumen. No hay detalles públicos sobre los modelos, el calendario, la financiación, los socios técnicos ni el criterio para seleccionar los 1.000 títulos. Un retweet vinculado al proyecto menciona que las obras serían de dominio público, lo que limitaría el catálogo a textos sin derechos vigentes y evitaría la fricción legal habitual en estos casos.

Para 𝕏 @eladgil (Elad Gil), Alexandria busca llevar mil grandes libros a más lectores, con texto, audiolibro y la opción de chatear con cada obra, sin concretar todavía modelos ni plazos.

8. Gemini Omni genera avatares de vídeo personales

Google ha activado en Gemini una función que permite añadirse a los propios vídeos mediante un avatar digital que reproduce rostro y voz. La tecnología detrás es Gemini Omni, su modelo de generación de vídeo. El avatar se crea grabando cara y voz una vez, y después sirve para producir vídeos sin repetir cada toma. El acceso queda limitado a los planes de pago de Google AI (Plus, Pro y Ultra), tanto en la web de Gemini como en la aplicación, aunque como es habitual en Europa no está disponible por el momento.

Integrar clonación de voz e imagen dentro de un asistente de consumo abre usos en creación de contenido y comunicación personal, pero traslada al producto masivo el debate sobre identidad digital, consentimiento y suplantación. Para crear un avatar, Google exige ser mayor de 18 años y estar identificado con una cuenta personal, según su documentación de soporte. Las salvaguardas frente a suplantación no se detallan más allá del requisito de edad y autenticación.

Desde 𝕏 @GeminiApp (Google Gemini) plantean el lanzamiento como una invitación abierta a probar la creación de avatares.

𝕏 @jerrod_lew (Jerrod Lew) lleva el modelo al terreno de los efectos visuales: subir un vídeo a Google Flow y añadir HUD y gráficos con Omni Flash en minutos, un caso que enseña la versatilidad de la familia más que el avatar personal.

El entusiasmo más subido lo aporta 𝕏 @SilenceCaPrompt (Silenceçaprompt), que califica a Gemini Omni Flash como el modelo de vídeo por IA más potente hasta ahora, una valoración personal.

Más información:

📎 Create and use an avatar in Gemini Apps - Computer - Gemini Apps Help

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

1. Nvidia entra en el mercado de procesadores para Windows PC con RTX Spark, con la duda de la compatibilidad del software x86 existente sobre ARM.

2. Codex amplía el uso del ordenador a Windows, también con la posibilidad de dirigirlo desde el móvil mientras la tarea sigue en el escritorio.

3. OpenAI crea Rosalind Biodefense solo para gobiernos aliados y desarrolladores verificados con el objetivo de ayudar ante amenazas biológicas.

4. Microsoft estaría preparando una super app para juntar en una sola interfaz toda la suite de productos Copilot y competir así con Claude Code y Codex.

5. NVIDIA lanza Cosmos 3, una familia de modelos abiertos con razonamiento visual, simulación de entornos y generación de acciones para entrenar robots.

6. Una empresa habría acumulado 500 millones de dólares en facturas de Claude; el caso, sin confirmar, expone el riesgo de no limitar el consumo en IA generativa.

7. OpenAI crea formalmente una división de robótica y busca personal, un salto desde el software hacia el terreno industrial que no contemplaba hasta ahora.

8. Los agentes de programación estarían haciendo que CEOs y CTOs con perfiles técnicos vuelvan a programar.

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. Nvidia entra en los PC Windows con ARM

Nvidia ha presentado RTX Spark, su nueva plataforma para portátiles delgados y sobremesas compactos con Windows, en un movimiento que la lleva más allá de su negocio tradicional de GPU y la sitúa en el mercado del procesador principal para PC. Jensen Huang la describió en Taipei, durante la semana de Computex/GTC, como parte de una reinvención del ordenador personal para la era de la IA local; Microsoft también presentó la alianza como un “nuevo capítulo” para los PC con Windows acelerados por Nvidia.

Según la documentación oficial, el superchip combina una GPU Blackwell RTX con hasta 6.144 núcleos CUDA y una CPU Nvidia Grace de 20 núcleos basada en la arquitectura Arm, conectadas mediante NVLink-C2C. MediaTek colaboró con Nvidia en el diseño de la CPU, y la plataforma admite hasta 128 GB de memoria unificada y hasta 1 petaflop de rendimiento de IA en FP4. El objetivo es que estos equipos ejecuten cargas de IA, creación y juegos de forma local, sin depender siempre de la nube. Nvidia y Microsoft lo enmarcan como el paso de un PC centrado en aplicaciones a un PC capaz de trabajar con agentes de IA locales, con nuevas capas de seguridad, control y aislamiento en Windows y con el runtime Nvidia OpenShell.

El reto, sin embargo, no está solo en el hardware. Al estar basado en Arm, RTX Spark depende de que Windows y su ecosistema de aplicaciones funcionen bien fuera del mundo x86 tradicional de Intel y AMD. Aquí conviene matizar la comparación con Apple: Nvidia no necesita una capa propia equivalente a Rosetta 2, porque Windows en Arm ya incorpora Prism, el emulador de Microsoft para ejecutar aplicaciones x86 y x64. Microsoft afirma que Prism estará optimizado para los PC con RTX Spark y que Windows también ha recibido ajustes para gestionar mejor la memoria unificada y el planificador de la CPU. Aun así, la compatibilidad seguirá siendo el examen clave.

Los primeros portátiles y equipos compactos con RTX Spark llegarán, según Nvidia, este otoño, con fabricantes como Microsoft Surface, Asus, Dell, HP, Lenovo y MSI; Acer y Gigabyte se incorporarán más adelante. Si la promesa se cumple, Nvidia no solo habrá llevado sus GPU a otro formato, sino que habrá entrado de lleno en el corazón del PC: CPU, GPU, memoria y plataforma de IA en un mismo diseño.

El escepticismo de 𝕏 @SemiAnalysis_ (Semianalysis) apunta al punto débil: sin un equivalente al Rosetta 2 de Apple, dudan de que Windows sobre ARM de Nvidia funcione bien al ejecutar software x86 heredado.

𝕏 @tunguz (Bojan Tunguz) ve la oportunidad en el extremo bajo: si los chips llegan a varios OEM, cree posible una mini máquina de desarrollo con Ubuntu por menos de 1.000 dólares y 16-24 GB de memoria unificada.

Más información:

📎 NVIDIA and Microsoft Reinvent Windows PCs for the Age of Personal AI

2. Codex amplía el control de Windows

OpenAI ha llevado la función de control del ordenador ('computer use') de Codex a Windows. Codex es su agente de programación: lee y modifica código, ejecuta comandos de shell y corrige errores de principio a fin. La novedad permite que el agente actúe directamente sobre la máquina, no solo dentro del editor. En paralelo, llega el soporte de Codex para Windows en la app móvil de ChatGPT: desde el teléfono se puede iniciar, revisar y dirigir una tarea mientras el trabajo continúa en el equipo de escritorio.

Windows domina el escritorio, así que la ampliación abre Codex a una base de usuarios mucho mayor. El diseño combina ejecución local con control remoto, pensado para flujos de trabajo continuos y supervisados a distancia. Esta entrega completa la cobertura por plataforma después de que esta funcionalidad llegara en primer lugar a MacOS.

La presentación de 𝕏 @OpenAI (Openai) enmarca la actualización como trabajo híbrido: arrancar y supervisar tareas desde el móvil mientras la ejecución sigue en el ordenador, no como una simple ampliación de plataforma.

𝕏 @testingcatalog (Ai News | Testingcatalog) sitúa el salto real en la combinación de control del ordenador y mando remoto desde ChatGPT, y bautiza la novedad medio en broma como 'Windex'.

3. OpenAI lleva su IA al terreno de la biodefensa

OpenAI anunció el el lanzamiento de Rosalind Biodefense, un programa para que desarrolladores, gobiernos y organizaciones de salud pública usen GPT‑Rosalind, su modelo de IA especializado en ciencias de la vida, en proyectos de preparación ante pandemias y amenazas biológicas. El acceso no será abierto: la compañía lo ofrecerá a equipos verificados y a socios gubernamentales de EE. UU. y países aliados.

La iniciativa busca acelerar tareas como detección temprana de brotes, planificación de respuestas sanitarias, desarrollo de contramedidas médicas y análisis de información científica. Entre los primeros participantes figuran organizaciones como Lawrence Livermore National Laboratory, Johns Hopkins Applied Physics Laboratory y CEPI, la coalición internacional que impulsa la llamada Misión de los 100 Días: lograr vacunas seguras y accesibles en los 100 días posteriores a la identificación de una nueva amenaza pandémica.

𝕏 @sama (Sam Altman) presenta la iniciativa en clave preventiva: ayudar al mundo a tomar la delantera en biodefensa antes de que la amenaza se materialice, sin entrar en detalles de producto.

Más información:

📎 Strengthening societal resilience with Rosalind Biodefense

4. Microsoft unificaría Copilot en una super app

Microsoft estaría preparando una 'super app' de Copilot que reúne sus principales herramientas de IA en una única interfaz, según filtraciones recogidas en X. La app integraría GitHub Copilot, Copilot chat, Copilot Cowork, las cuentas de Microsoft 365 Copilot y una capa de flujos de trabajo agénticos en desarrollo interno. Las capturas apuntan a dos pestañas, 'Copilot Code' y 'Copilot Cowork', y a un agente llamado Scout, descrito como un asistente de operación continua. La lógica resulta evidente: hoy Copilot está repartido entre productos y suscripciones distintos, de Microsoft 365 a Teams y Windows, y un punto de acceso único reduciría esa fragmentación.

El proyecto llegaría junto a otra apuesta filtrada: modelos propios orientados a código, posicionados como alternativa más barata que OpenAI y Anthropic. La dependencia del modelo Claude de Anthropic habría empujado a Microsoft a subir precios y limitar el uso de GitHub Copilot, lo que explicaría el interés por construir capacidad interna. Aunque son filtraciones sin confirmación oficial, todo apunta a un anunció en Microsoft Build, el evento para desarrolladores que arranca el 2 de junio en San Francisco.

Para 𝕏 @WesRoth (Wes Roth), el sentido del proyecto es concentrar herramientas dispersas (GitHub Copilot, Copilot chat, Copilot Cowork y las cuentas de Microsoft 365) en una interfaz central que simplifique el acceso a todas ellas.

Más información:

📎 Exclusive: New screenshots of upcoming Copilot Super App

5. NVIDIA abre Cosmos 3 para IA física

NVIDIA ha presentado Cosmos 3, su nueva familia de modelos para Physical AI: inteligencia artificial diseñada para operar en el mundo físico, desde robots hasta vehículos autónomos y espacios inteligentes. La compañía lo describe como el primer 'omnimodelo' completamente abierto, con razonamiento visual nativo y generación de mundos y de acciones en un mismo sistema. Llegan dos variantes: Super, de 32.000 millones de parámetros, y Nano, de 8.000 millones, para cubrir distintos presupuestos de cómputo. La idea de fondo es ofrecer una base preentrenada con miles de millones de muestras multimodales, de modo que los desarrolladores construyan sistemas físicos con menos datos propios y menor coste de entrenamiento.

Cosmos 3 reúne modelos de razonamiento, de mundo (que anticipan lo que va a ocurrir) y de acción (que generan movimiento adaptado a cada tarea y robot). Es una jugada que refuerza la apuesta de NVIDIA por la robótica y la conducción autónoma, más allá del negocio de GPU. La apertura va más allá del acceso a pesos: la empresa libera también las recetas de post-entrenamiento, ya disponibles en una colección de Hugging Face con datasets de escenas físicas sintéticas y de robots. Los modelos adoptan la licencia OpenMDW-1.1, un marco permisivo para modelos de IA.

La presentación de 𝕏 @NVIDIAAI (Nvidia Ai) sitúa Cosmos 3 como su modelo frontera para Physical AI y reivindica ser el primer omnimodelo totalmente abierto que une percepción, razonamiento y generación de acciones en un solo sistema.

Para 𝕏 @matthew_d_white (Matt White), que NVIDIA aplique OpenMDW-1.1 a sus próximos lanzamientos es un hito para la IA de código abierto, al tratarse de una licencia realmente permisiva pensada para el ajuste fino y la reutilización de modelos.

Más información:

📎 Develop Physical AI Reasoning, World, and Action Models with NVIDIA Cosmos 3 | NVIDIA Technical Blog

6. Una empresa gasta 500 millones en Claude

Una empresa habría acumulado una factura de 500 millones de dólares en un mes usando Claude, el modelo de Anthropic, tras no fijar límites de uso para sus empleados. El caso, atribuido a un informe de Axios y replicado en varios medios, circula como reportado y sin confirmación oficial: no hay nombre de compañía, fecha exacta ni fuente verificable más allá de las reseñas. La cifra interesa por lo que revela del modelo de facturación dominante en la IA generativa. El pago por consumo, basado en tokens, traslada todo el riesgo de gasto al cliente: sin topes ni alertas, una adopción interna acelerada dispara la cuenta muy por encima de lo presupuestado.

El episodio encaja con un patrón ya descrito por quienes gestionan estos costes: muchas organizaciones agotan en pocos meses lo previsto para un año, y la planificación financiera se queda corta frente al uso real. De ahí el peso creciente de la gobernanza, la monitorización y los controles de coste al integrar modelos a gran escala. El precio de la API de Anthropic ya venía recibiendo críticas entre desarrolladores. Tras unos cambios recientes en el consumo de tokens, la compañía ajustó las condiciones de sus planes de suscripción, pero no aplicó alivios equivalentes a los clientes que integran su API.

𝕏 @levie (Aaron Levie) le da la vuelta al titular en clave optimista: que una empresa desembolse 500 millones intentando construir su propia versión de un software es, a su juicio, la mejor publicidad para la capa de aplicación y motivo para ser muy alcista.

𝕏 @emollick (Ethan Mollick) sitúa el caso en un patrón más amplio: ha hablado con muchas compañías que liquidan su presupuesto anual de tokens en meses, pero medio millardo en uso interno de empleados en un solo mes le resulta difícil de digerir.

𝕏 @WesRoth (Wes Roth) recoge la cifra con cautela explícita, marcándola como reportada, y la presenta como un aviso sobre el riesgo de desplegar licencias de Claude sin configurar límites de uso.

𝕏 @jeremyphoward (Jeremy Howard) traslada la queja al otro extremo del precio: reprocha a Anthropic haber mejorado las condiciones de suscripción tras los cambios de tokens sin tocar el coste de la API, que califica de disparatado para quienes integran el modelo.

7. OpenAI quiere entrar fuerte en robótica

OpenAI ha confirmado la creación de OpenAI Robotics y ha abierto contratación de ingenieros de hardware full-stack, operaciones, sistemas y aprendizaje automático. El objetivo declarado es diseñar y fabricar robots útiles, partiendo de la idea de que la IA debe asistir también en el mundo físico. El paso es notable: la reputación de OpenAI se ha construido sobre software, y entrar en el hardware exige capacidades industriales y de manufactura ajenas a ese terreno. La compañía presenta el proyecto como una evolución de su programa de simulación de mundos, ahora reorientado hacia el codiseño entre hardware robótico e investigación en IA. El anuncio es más un reclamo para búsqueda de talento y no recoge cifras de inversión, plazos, productos ni socios industriales. La división estaría dirigida por Aditya Ramesh, que ya lideraba el equipo de modelos del mundo dentro de la compañía.

𝕏 @TrueAIHound (Agihound) sitúa el proyecto como la mutación del programa internos de modelos del mundo en OpenAI Robotics y matiza que la apuesta por el codiseño hardware-ML no diferencia tanto a OpenAI del resto del sector.

8. Los directivos vuelven a programar con IA

Circula con fuerza una idea: los agentes de programación están devolviendo a CEO y CTO a escribir código de primera mano, en vez de delegarlo del todo. El debate lo alimenta 𝕏 @paulg (Paul Graham), cofundador de Y Combinator, que invierte el argumento habitual: el problema no es que un directivo dedique tiempo a construir productos con IA, sino que no lo haga. El planteamiento conecta con el llamado 'vibe coding': generar software describiendo intenciones en lenguaje natural a un modelo, lo que baja la barrera técnica y acerca la experimentación a perfiles no especializados. Esta reflexión puede no ser realista en el contexto corporativo actual, pero sin duda refleja un cambio de tendencia que conviene revisar.

La paradoja que plantea 𝕏 @paulg (Paul Graham) marca el tono del debate: si tener al CEO metido hasta las rodillas construyendo con IA ya es incómodo, no tenerlo ahí le parece peor.

Para 𝕏 @pmddomingos (Pedro Domingos), lo que hacen hoy los programadores con la IA debería servir de plantilla: cada profesión tendría que adoptarla con la misma intensidad.

𝕏 @tunguz (Bojan Tunguz) resume el cambio de cuello de botella: ahora limita más la propia ambición que la capacidad de ejecutar, porque ejecutar cuesta unos pocos cientos de dólares.

¿Qué pasó ayer? En un minuto:

1. Anthropic lanza Claude Opus 4.8 con mejores métricas y presenta Dynamic Workflows para orquestar cientos de subagentes en paralelo.

2. Anthropic levanta 65.000 millones con una valoración post-money de 965.000 millones y un run-rate de ingresos que ya supera los 47.000 millones.

3. NVIDIA adopta OpenMDW, el marco legal que unifica licencia de pesos, código, documentación y datos, en todas sus familias de modelos abiertos.

4. Waymo presenta Ojai, la sexta generación de su vehículo, llegará a San Francisco, Los Ángeles y Phoenix en las próximas semanas.

5. Naval publica un podcast donde recomienda derrochar tokens para ahorrar tiempo; también habla de cómo el concepto de vibe coding llega al hardware.

6. Apple ultima el esperado rediseño completo de Siri con app dedicada y una interfaz integrada en la Dynamic Island, según Bloomberg.

7. Noam Brown sostiene que la IA hará con las matemáticas lo que AlphaGo hizo con el Go: romper el techo humano en lugar de sustituirlo.

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 Opus 4.8

Anthropic ha lanzado Claude Opus 4.8, nueva iteración de su gama alta menos de dos meses después de Opus 4.7. El modelo sube al 69,2% en SWE-bench Pro, frente al 64,3% anterior, y alcanza un Elo de 1890 en GDPval, por delante de GPT-5.5 de OpenAI según cifras de la propia compañía. El despliegue es general para usuarios de Claude e incorpora un selector de esfuerzo de razonamiento con cinco niveles (Low, Medium, High, Extra y Max), pensado para ajustar profundidad, latencia y coste por consulta. En el API, Opus 4.8 mantiene la tarifa de $5/$25 por millón de tokens de entrada y salida, y abarata el Fast Mode a un tercio con respecto a la versión previa, un modo pensado para usuarios exigentes que quieren minimizar la latencia manteniendo prestaciones.

Según Anthropic, Claude Opus 4.8 es un modelo más “honesto”. Esto no significa que el modelo tenga intención propia, sino que es menos propenso a aparentar seguridad cuando no la tiene: reconoce mejor sus dudas, evita hacer afirmaciones que no puede respaldar y avisa con más frecuencia cuando detecta problemas en su propio trabajo. Anthropic afirma que, en sus evaluaciones, Opus 4.8 fue unas cuatro veces menos propenso que su predecesor a dejar pasar sin señalar fallos en código que él mismo había escrito; además, su equipo de alineamiento observó menores tasas de conductas problemáticas, como engaño o cooperación con usos indebidos. En definitiva, esta mejora apunta a un modelo más útil para tareas críticas porque advierte cuándo una conclusión, un análisis o una solución necesitan revisión humana.

Además, en Claude Code, Anthropic introduce “dynamic workflows”, una función en vista previa que permite dividir grandes proyectos en múltiples tareas paralelas, revisarlas y devolver un resultado coordinado. La empresa lo enfoca especialmente a migraciones de software, auditorías de código y modernización de sistemas, áreas donde el coste de tiempo para las compañías suele ser elevado. Y la guinda es el anuncio de una nueva clase de modelo superior a Opus, que se llamaría Mythos, y que llegará en las próximas semanas una vez resueltas las salvaguardas de ciberseguridad.

Para 𝕏 @DotCSV (Carlos Santana), llega tras una 4.7 que no entusiasmó y se queda en una mejora incremental que, sobre el papel, aporta avances en programación agéntica y algo en razonamiento, aunque a estas alturas los benchmarks cuentan poco.

Tras probarlo en código, 𝕏 @jeremyphoward (Jeremy Howard) lo ve más cooperativo y menos 'sobre-agéntico' que 4.7: se detiene a pedir input donde tanto 4.7 como GPT-5.5 seguirían adelante a ciegas, aunque sigue siendo, en sus palabras, demasiado caro.

Desde el ángulo enterprise, 𝕏 @levie (Aaron Levie) afirma que en pruebas con el agente de Box sobre documentación corporativa real, Opus 4.8 mejora de forma medible en tareas generativas y analíticas como redacción de informes y síntesis, justo donde las empresas ponen el foco.

𝕏 @emollick (Ethan Mollick) lo ha utilizado en Claude Code para producir un working paper académico a partir de archivos de investigación antiguos, usando GPT-5.5 Pro como revisor: detectó un error mayor y varios menores que Opus corrigió, un flujo de trabajo con modelos de distintos laboratorios cada vez más frecuente en investigación.

𝕏 @testingcatalog (Ai News | Testingcatalog) subraya que con Dynamic Workflows Claude Code deja de ser un asistente conversacional para convertirse en un orquestador capaz de lanzar subagentes en paralelo y autoverificar el resultado antes de entregarlo.

Más información:

📎 Introducing Claude Opus 4.8

2. Anthropic cierra Serie H de 65.000 millones

Anthropic ha cerrado una ronda Series H de 65.000 millones de dólares que valora la compañía en 965.000 millones, una cifra que la sitúa entre las startups más valiosas del mundo y por delante de OpenAI según Reuters. La operación fue liderada por Altimeter, Dragoneer, Greenoaks y Sequoia, e incluye 15.000 millones ya comprometidos por grandes proveedores de nube, entre ellos Amazon.

La justificación financiera es la propia tracción comercial: el run-rate de ingresos cruzó los 47.000 millones a principios de mes, muy por encima del nivel registrado en febrero al cerrar la Serie G. El crecimiento se concentra en despliegues de Claude en operaciones internas de grandes empresas (programación, análisis y flujos documentales), mientras ChatGPT mantiene la ventaja en consumo individual.

El capital se destinará a investigación en seguridad e interpretabilidad, ampliación de cómputo y escalado de productos como Claude Code y Cowork. La compañía declara como prioridad operativa atender la demanda actual sin perder posición en la frontera de modelos. El comunicado lo firma Krishna Rao, CFO de Anthropic, y la ronda más que duplica el tamaño de la mayor OPV registrada hasta la fecha, según comparativas hechas públicas tras el anuncio.

Desde la propia 𝕏 @AnthropicAI (Anthropic), Krishna Rao enmarca la ronda como respuesta a una demanda "histórica" y vincula la inyección de capital al crecimiento de Claude Code y Cowork dentro de los flujos de trabajo de sus clientes empresariales.

Para 𝕏 @WesRoth (Wes Roth), el dominio de ChatGPT en usuarios no se traslada al mercado corporativo, donde Anthropic está capturando contratos por casos de uso concretos como programación, automatización y agentes operativos.

𝕏 @testingcatalog (Ai News | Testingcatalog) atribuye buena parte del salto de ingresos al uso individual de Claude para tareas cotidianas de trabajo, un canal menos visible que los grandes contratos pero que complementa el despliegue empresarial.

Desde la cobertura asiática, 𝕏 @MetaEraHK (Me Group) subraya que el destino del capital es expansión de capacidad y continuidad en la investigación de Claude, sin mención a movimientos hacia consumo masivo o nuevos verticales.

Más información:

📎 Anthropic raises $65B in Series H funding at $965B post-money valuation

3. NVIDIA adopta OpenMDW para sus modelos abiertos

NVIDIA aplicará el marco OpenMDW de la Linux Foundation a todas sus familias de modelos abiertos. OpenMDW (Open Model, Data, Weights) cubre con una sola licencia los pesos, el código, la documentación y los datos asociados, en lugar de combinar licencias distintas para cada componente. La compañía sostiene que esa unificación reduce la fricción jurídica para desarrolladores que integran modelos abiertos en productos comerciales y aporta consistencia al licenciamiento a escala.

El ecosistema de IA abierta convive con una proliferación de licencias propias (Llama de Meta, las variantes de Mistral, las múltiples condiciones que se cruzan en Hugging Face), con cláusulas distintas para uso comercial, redistribución de pesos o derivados. Eso ha frenado la adopción empresarial y obligado a los equipos legales a revisar caso por caso. Al alinearse con un marco gobernado por la Linux Foundation, NVIDIA empuja al sector hacia un patrón comparable al que en su día consolidaron las licencias OSI en software, y refuerza su posición como proveedor de referencia del stack abierto, donde ya distribuye familias como Nemotron. OpenMDW se aplicará de forma transversal a los modelos abiertos ya publicados por NVIDIA y a los futuros, manteniendo la distribución habitual de pesos y artefactos por los canales actuales, incluido Hugging Face.

Para 𝕏 @NVIDIAAI (Nvidia Ai), un marco legal único sobre modelos, código, documentación y datos es lo que hace viable escalar el licenciamiento abierto sin que cada integración exija una revisión jurídica a medida.

Más información:

📎 A permissive license crafted for machine-learning models

4. Waymo estrena plataforma

Waymo, filial de conducción autónoma de Google, ha presentado Ojai, un vehículo equipado con la sexta generación del Waymo Driver que empezará a operar en las próximas semanas en San Francisco, Los Ángeles y Phoenix. Según TechCrunch, el modelo es de fabricación china y está pensado para reducir el coste por unidad, una variable clave en la economía del robotaxi a escala. La incorporación encaja con el ritmo comercial de Waymo One, ya disponible en once ciudades estadounidenses, y con una comunicación que ha virado de la capacidad tecnológica al estilo de vida: campañas como 'The perfect nightcap' apuntan al uso nocturno, segmento que compite directamente con Uber, Lyft y el taxi tradicional.

Mientras, Zoox, propiedad de Amazon, refuerza su presencia en San Francisco con contenido grabado dentro de su vehículo sin volante ni pedales y con asientos enfrentados, un diseño que utiliza como argumento diferencial frente a la flota de coches adaptados de Waymo. El despliegue de Ojai arrancará con un grupo reducido de usuarios seleccionados que probarán el vehículo y aportarán feedback antes de la apertura general. La presentación llega dos días después de que Waymo suspendiera temporalmente todos sus viajes por autopista en EE. UU., incluidas las rutas de San Francisco y Los Ángeles, por motivos de seguridad.

Desde dentro del equipo, 𝕏 @saswat101 (Saswat Panigrahi) precisa que el arranque será con un grupo seleccionado de usuarios cuyo feedback condicionará la velocidad de extensión del servicio.

𝕏 @zoox (Zoox) aprovecha el habitáculo simétrico de su vehículo para reivindicar usos sociales imposibles en un coche convencional como el de Waymo.

Más información:

📎 Waymo's robotaxi expansion accelerates with 3 new cities (buscado en internet)

5. Vibe coding también llega al hardware

Naval ha publicado dos entregas de su podcast con Guillermo Rauch (Vercel), Blake Scholl (Boom Supersonic) y Max Hodak (Science) sobre cómo la IA generativa está reordenando el desarrollo de software y hardware. Naval plantea una idea provocadora para las empresas que están incorporando inteligencia artificial: dejar de obsesionarse con el gasto en “tokens” y medir el retorno por tiempo ahorrado y resultados entregados. La IA está transformando el software en una “fábrica”: los mejores equipos ya no solo escriben código, diseñan sistemas que producen más trabajo de forma repetible.

Otra tesis de fondo es que la IA refuerza la integración vertical: las compañías que controlan software, diseño, fabricación y validación podrán reducir dependencia de proveedores y acelerar ciclos de producto. El caso más concreto lo aporta Boom: el diseño de un álabe de turbina, hasta ahora atrapado en hojas de Excel que circulaban por correo entre aerodinámicos e ingenieros de estructuras, se reorganiza en un flujo apoyado con ingenieros de software para pasar a modelos interactivos donde se prueban cambios casi en tiempo real.

Si antes la productividad dependía de contratar más desarrolladores, ahora empieza a depender de cómo se organiza el trabajo alrededor de agentes de IA con buenas instrucciones y revisión humana. En sectores regulados, la IA no elimina la responsabilidad: desplaza el valor humano hacia verificar, certificar y responder por las decisiones. Ese será el nuevo cuello de botella empresarial.

Más información:

📎 Waste Tokens, Save Time

📎 Vibe Coding Hardware

6. Apple prepara rediseño profundo de Siri

Apple prepara una revisión profunda de Siri acompañada de una app dedicada al asistente, según Bloomberg. La nueva versión llegaría a principios de septiembre, en la ventana habitual de anuncios de iPhone, lo que apunta a un despliegue ligado a hardware nuevo y a una actualización mayor del sistema operativo. La pieza más visible sería una interfaz a nivel de sistema integrada con la Dynamic Island, junto a una versión independiente del asistente que operaría con mayor autonomía respecto al resto de apps.

El movimiento llega tarde: Siri a pesar de su larga trayectoria ha quedado descolgado en capacidades frente a lo que ofrece el modo de voz de ChatGPT o Gemini Live. Apple ya retrasó en 2025 las funciones de Apple Intelligence más dependientes de contexto personal. Que Siri tenga su propia app sugiere que el interfaz conversacional será el centro del nuevo iOS. En paralelo, los rumores sobre iOS 27 también incluyen mejoras en edición fotográfica y una app de Cámara más configurable orientada a uso profesional, aunque estos puntos están menos confirmados que el rediseño del asistente.

El punto que subraya 𝕏 @WesRoth (Wes Roth) es el anclaje de Siri en la Dynamic Island como interfaz de sistema, un giro que convertiría al asistente en capa transversal de iOS en lugar de una función invocada bajo demanda.

7. Brown ve un efecto AlphaGo en matemáticas

Noam Brown, investigador de OpenAI especializado en razonamiento y juegos, ha planteado en X que el efecto de la IA sobre las matemáticas se parecerá al de AlphaGo en el Go: una mejora apreciable del nivel humano, no su desplazamiento. La hipótesis se apoya en un ensayo de Henrik Karlsson que documenta cómo, tras la victoria de AlphaGo de DeepMind en 2016, los profesionales rompieron un plateau que arrastraban desde los años cincuenta.

La idea encaja con el momento del sector: OpenAI, DeepMind y Anthropic están invirtiendo en modelos de razonamiento orientados a demostración formal, con avances recientes como la refutación del problema planar de Erdős ChatGPT. El paralelismo apunta a una IA matemática que funciona como espejo y catalizador del investigador, no como reemplazo. El ensayo añade un matiz cuantitativo relevante: según un estudio citado en el artículo, en torno al 40% de la mejora en el Go provino de jugadas memorizables estudiando a la IA, y el 60% restante de movimientos propiamente humanos que se desviaban de las recomendaciones del sistema. Karlsson precisa además, tras una corrección de Gwern, que el gráfico de calidad de juego refleja la media de la población, no la distribución interna entre profesionales.

La tesis de 𝕏 @polynoamial (Noam Brown) es directa: si el Go profesional mejoró tras AlphaGo, lo razonable es esperar el mismo patrón en matemáticas, con la IA empujando el techo humano en lugar de cerrarlo.

Para 𝕏 @Suhail (Suhail), Lee Sedol es la referencia útil para gestionar la obsolescencia de habilidades: en vez de competir con la máquina en sus términos, reconfiguró su posición y ahora es un académico que trata de entender cómo los humanos podemos coexistir con la IA.

Más información:

📎 After AI beat them, professional go players got better and more creative

¿Qué pasó ayer? En un minuto:

1. Sam Altman y Dario Amodei rebajan sus avisos sobre la destrucción masiva de empleo cualificado por IA, justo cuando OpenAI y Anthropic preparan salidas a bolsa valoradas cerca del trillón de dólares cada una.

2. La OpenAI Foundation compromete 250 millones de dólares para medir el impacto económico de la IA, apoyar a trabajadores en transición y explorar nuevos modelos de prosperidad.

3. Los sistemas multi-agente prometen: Cognition levanta más de 1.000 millones y Alook publica una plataforma de código abierto para coordinar equipos de agentes con organigrama y memoria compartida.

4. Xiaomi rebaja de forma permanente la API de MiMo-V2.5 con recortes de hasta el 99% en tokens, días después del movimiento de DeepSeek.

5. Grandes compañías han quemado su presupuesto anual de tokens en los primeros meses del año, el problema es que nadie sabe cómo asignar capacidad ni cómo medir el retorno.

6. OpenAI abre su plataforma publicitaria a más anunciantes con CPC sugerido de 3,5 dólares y presupuesto mínimo de 25 al día, dirigida a usuarios gratuitos de ChatGPT en cuatro mercados angloparlantes.

7. ElevenLabs lanza Music v2 con licencia comercial incluida, pensado para las marcas.

8. Google abre Gemini Omni a todos los suscriptores de pago: combina texto, vídeo y hasta cinco imágenes en un clip de diez segundos, y permite restilizar vídeos existentes con un prompt.

9. El equipo de David Ha propone entrenar redes neuronales por bloques independientes, sin backpropagation extremo a extremo, para esquivar el muro de memoria que frena el escalado.

Y si tienes más de un minuto…

1. Altman y Amodei moderan el discurso del apocalipsis laboral

Sam Altman (OpenAI) y Dario Amodei (Anthropic) están suavizando sus advertencias previas sobre la destrucción masiva del empleo de cuello blanco, según un artículo de Fortune. Altman, en entrevista con Matt Comyn (CEO de Commonwealth Bank of Australia), reconoció haberse equivocado: el golpe esperado sobre los puestos de entrada no se ha materializado. Amodei, que llegó a estimar que la IA podía eliminar el 50% de los empleos administrativos cualificados, plantea ahora que la automatización podría ampliar el trabajo humano en lugar de reducirlo.

A ellos se suma David Solomon (Goldman Sachs), que viene relativizando el riesgo desde finales de 2025 apoyándose en la historia económica estadounidense. El giro coincide con la preparación de salidas a bolsa de OpenAI y Anthropic, con valoraciones estimadas en torno al billón de dólares cada una. Ante inversores institucionales y reguladores, un relato de productividad encaja mejor que el de la sustitución masiva. Los CIOs, por su parte, señalan una brecha de implementación: gobernanza de datos, integración y gestión del cambio exigen más personal del previsto. Los despidos recientes en Meta (8.000 puestos) e Intuit se han atribuido públicamente a la IA, aunque ninguna de las compañías ha publicado datos que demuestren causalidad directa entre los recortes y el despliegue de modelos.

Para 𝕏 @DavidSacks (David Sacks), el cambio de tono confirma una apuesta que defendió en enero como contraria al consenso: la IA acabará creando más empleo cualificado del que destruye, y ahora Wall Street y los laboratorios punteros empiezan a alinearse con esa lectura.

Desde el lado operativo, 𝕏 @levie (Aaron Levie) sostiene que cualquier estimación sobre el personal necesario para desplegar IA en la empresa debería multiplicarse por diez, y probablemente otra vez por diez, porque el cuello de botella que ven los CIOs no está en los modelos sino en la integración.

𝕏 @WesRoth (Wes Roth) advierte contra ambos extremos del debate: el relato catastrofista gana titulares por urgencia, pero la narrativa del 'supercharge' generalizado minimiza el coste real para quienes vean sus tareas automatizadas durante la transición.

Desde 𝕏 @theallinpod (The All-In Podcast) se recuerda que la tesis ya estaba sobre la mesa en el programa de predicciones de enero, cuando se argumentó que la IA aumentaría la demanda de trabajo del conocimiento en lugar de reducirla.

Más información:

📎 Sam Altman and Dario Amodei are both walking back AI jobs apocalypse predictions as they eye IPOs | Fortune

2. OpenAI Foundation destina 250M al impacto económico

La OpenAI Foundation ha anunciado un compromiso inicial de 250 millones de dólares para financiar trabajo sobre el impacto económico de la IA, según la nota 'Economic Futures in the Age of AI' difundida por Sam Altman. El programa se articula en tres líneas: infraestructura independiente de medición y previsión de los efectos de la IA en la economía, apoyo a trabajadores y comunidades durante la fase de disrupción cercana, y exploración de nuevos modelos de organización política y económica tras la adopción masiva de la tecnología. El vehículo serán subvenciones, alianzas y trabajo directo, sin calendario público de desembolsos ni lista inicial de beneficiarios.

La cifra es modesta frente al gasto en cómputo de OpenAI, que opera en decenas de miles de millones anuales en compromisos de infraestructura, pero sitúa a la fundación en un debate hasta ahora dominado por gobiernos, sindicatos y think tanks. La fundación enmarca el esfuerzo como respuesta a un margen de actuación corto y a un coste alto de equivocarse.

Para 𝕏 @sama (Sam Altman), la IA debería traducirse en una mejora medible de la calidad de vida y de las libertades individuales a escala global, y ese es el marco con el que justifica el compromiso de la OpenAI Foundation.

Más información:

📎 Economic Futures in the Age of AI

3. Los agentes empresariales pasan a operar en equipo

El segmento de agentes para empresa está virando de copilotos individuales a sistemas multiagente orquestados. Cognition, la compañía detrás de Devin, ha cerrado una ronda superior a 1.000 millones de dólares con valoración de 26.000 millones, apoyada en un crecimiento de 10x en uso empresarial. Y Combinator confirma la dirección: ha desarrollado infraestructura interna de agentes con más de 350 herramientas y habilidades auto-mejorables para uso del propio fondo.

En paralelo, Alook ha publicado una plataforma de código abierto que permite a un solo usuario coordinar un equipo de agentes con roles, líneas de reporte y comunicación por email real, con ejecución asíncrona y entrega de resultados en la bandeja de entrada. El sistema se apoya en un organigrama compatible de fábrica con Claude Code (Anthropic), Codex (OpenAI) y OpenCode, y cada tarea completada alimenta una capa de memoria compartida que construye procedimientos reutilizables.

Los datos de uso que publica 𝕏 @SemiAnalysis_ (Semianalysis) muestran que el 63% de las sesiones no emplea sub-agentes, un 25,9% utiliza entre uno y cinco concurrentes y un 9,8% supera los cinco en paralelo.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog), el 10x de uso empresarial de Devin es la señal de que Cognition está dejando atrás la fase de demo viral y entrando en despliegues productivos en grandes clientes, lo que justifica una valoración por encima de rivales como Cursor.

El nuevo podcast lanzado por 𝕏 @naval (Naval) con tres fundadores apunta a una tesis operativa: gastar tokens para ahorrar tiempo humano, con modelos que instruyen a personas y el desarrollo de software purista que pierde sentido.

Los ejemplos que comparte 𝕏 @gdb (Greg Brockman) sobre Codex ejecutando sub-agentes que navegan en paralelo y sobre agentes fiscales auto-mejorables apuntan a casos verticales concretos donde el patrón multiagente ya está saliendo del laboratorio.

Más información:

📎 Alook launches open-source AI team orchestration platform

4. Xiaomi recorta hasta 99% el precio de MiMo

Xiaomi ha rebajado de forma permanente las tarifas de su API MiMo-V2.5, con recortes que llegan al 99% en los tokens de entrada con acierto de caché. La compañía lo atribuye a mejoras en su pila de inferencia, no a una promoción, y mantiene la rebaja en todas las ventanas de contexto. Los planes por tokens también se reajustan: con el mismo gasto, el usuario obtiene entre cinco y ocho veces más uso. El recorte mayor se concentra en la entrada cacheada, justo el patrón de coste dominante en flujos de agentes con system prompts extensos, descripciones de herramientas y skills que se repiten entre llamadas.

La rebaja llega pocos días después de la de DeepSeek y consolida una presión a la baja sobre el coste de inferencia en contextos largos entre los laboratorios chinos. MiMo-V2.5 se ofrece a través de la API propia de Xiaomi; la compañía no ha publicado calendario de nuevos tramos de precio ni cambios en los límites de uso por cuenta, y la rebaja aplica a toda la serie sin distinguir entre variantes del modelo.

Tras probar el modelo con más de 40.000 tokens de descripciones de herramientas, system prompt y skills, 𝕏 @jeremyphoward (Jeremy Howard) destaca la relación calidad-precio y el comportamiento del caché como los dos factores que cambian la economía de los agentes con muchas tools.

Para 𝕏 @Jomolos (Jack Genius), el hecho de que la rebaja sea permanente y llegue justo después de la de DeepSeek confirma que la guerra de precios entre laboratorios chinos ha dejado de ser un gesto puntual.

𝕏 @aladagberk (Berk Aladag) apunta que la métrica útil para quien planifica coste mensual no es el 99% del titular, sino que los nuevos planes por tokens rinden entre cinco y ocho veces más con el mismo presupuesto.

5. Las empresas agotan su presupuesto de tokens

Varias grandes organizaciones han consumido su presupuesto anual de tokens de IA en los primeros meses del año, según conversaciones de responsables corporativos recogidas desde Wharton. El fenómeno no responde a un fallo de la tecnología sino a lo contrario: en doce meses, los tokens han pasado de no aparecer en ninguna partida a ser un insumo imprescindible para programar con asistentes como GitHub Copilot, Claude Code, Codex o Cursor.

El problema es de gobernanza. Las compañías carecen de criterios para decidir a qué perfiles asignar capacidad, en qué cuantía y con qué mecanismos de control, y tampoco disponen de modelos de previsión que anticipen cómo evolucionará el gasto. A diferencia de una licencia de software, el coste de inferencia escala con la longitud de contexto, las cadenas de razonamiento, el número de agentes concurrentes y la frecuencia de uso, todas con tendencia al alza. Eso abre espacio a una disciplina de FinOps específica para IA, con observabilidad en tiempo real, cuotas por usuario y métricas de retorno por desarrollador.

El desconcierto que detecta 𝕏 @emollick (Ethan Mollick) en los equipos directivos no nace de que la IA decepcione, sino de lo contrario: es tan útil que nadie sabe quién debería recibir tokens, cuántos ni cómo controlarlos. Plantea preguntas incómodas sobre si conviene priorizar a los mejores ingenieros, a los peores o a casos de uso concretos, y advierte de la fricción que generará entre equipos que no podrán gastar al mismo ritmo.

6. OpenAI amplía su plataforma publicitaria

OpenAI ha empezado a enviar invitaciones a más anunciantes para probar su plataforma publicitaria. La fase actual permite segmentar a usuarios gratuitos de ChatGPT en Estados Unidos, Canadá, Australia y Nueva Zelanda, con un presupuesto mínimo diario de 25 dólares y un CPC sugerido de 3,5 dólares. Los parámetros encajan con el formato habitual de plataformas de performance tipo Google Ads, trasladado a un entorno conversacional. El movimiento consolida un segundo motor de ingresos junto a las suscripciones (Plus, Pro, Enterprise) y la API, y coloca a la compañía a competir por el presupuesto de search y performance marketing que hoy capturan Google y Meta.

En paralelo, OpenAI ha incorporado a Colin Fleming, ex-CMO de ServiceNow, como Chief Marketing Officer for Business, una señal de profesionalización del go-to-market en empresa. Completa el cuadro el despliegue de herramientas de medición para que los anunciantes verifiquen si los anuncios en ChatGPT acaban en compras o reservas, pieza imprescindible para competir en publicidad de rendimiento. El alcance se limita por ahora a cuatro mercados angloparlantes y solo al tier gratuito. OpenAI no ha publicado los formatos exactos de los anuncios dentro de las respuestas, los criterios de moderación, ni el calendario para extender la prueba a usuarios de pago o a otros países.

Para 𝕏 @WesRoth (Wes Roth), la ampliación de invitaciones formaliza la entrada de OpenAI en un modelo publicitario complementario a las suscripciones, con foco en performance: el énfasis se desplaza de notoriedad de marca a demostrar que el gasto en anuncios genera compras y reservas medibles.

7. ElevenLabs acerca la producción de música para marcas

ElevenLabs ha presentado Music v2, una nueva versión de su modelo de generación musical con IA, con mejoras en voces, instrumentación, arreglos y soporte multilingüe. El anuncio, publicado por la compañía en X, llega acompañado de una bajada de precios: hasta un 50% menos para ElevenAPI y hasta un 40% menos para clientes self-service de ElevenCreative.

La novedad apunta directamente al mercado de contenidos comerciales. Music v2 alimenta tres productos: ElevenMusic, para crear y remezclar canciones; ElevenAPI, para integrar generación musical en apps y servicios; y ElevenCreative, pensado para música descargable en anuncios, vídeos y contenido de marca.

Para empresas, producir música original para campañas, vídeos corporativos o experiencias digitales podría ser más rápido y barato, con menos fricción legal. ElevenLabs asegura que el modelo está entrenado solo con datos licenciados y que las pistas generadas pueden usarse comercialmente, sin costes de sincronización ni retrasos de autorización.

La clave de Music v2 no está solo en la calidad creativa, sino en la promesa de licencias claras. En un sector donde la música generada por IA sigue bajo escrutinio, esa garantía puede ser decisiva para agencias, marcas y plataformas que necesitan escalar producción sin asumir riesgos legales innecesarios.

Al presentar Music v2, 𝕏 @WesRoth (Wes Roth) subraya la cadena completa que cubre el modelo, desde la creación hasta la licencia, una señal de que ElevenLabs quiere posicionarse como infraestructura para flujos comerciales y no solo como herramienta de demo.

8. Primeras impresiones de Gemini Omni

Google presentó Gemini Omni en su evento Google I/O, un modelo puro multimodal que de momento solo sirve para generar y restilizar vídeo con IA. Acepta texto, vídeo y hasta cinco imágenes como entradas, que combina en un clip cohesivo de diez segundos. También permite aplicar un estilo visual descrito en lenguaje natural sobre un vídeo o foto del usuario, lo que acerca la herramienta a flujos de marketing, redes sociales y postproducción ligera. El modelo ya está disponible para suscriptores de Google AI Plus, Pro y Ultra.

Para 𝕏 @emollick (Ethan Mollick), Google tiene el único modelo verdaderamente omni del mercado, capaz de procesar y generar audio, imagen, vídeo, canciones, texto y código, pero las piezas siguen desconectadas en producto: cada tipo de salida funciona por separado y el potencial real llegará cuando se puedan mezclar modalidades directamente sobre el modelo.

Desde el uso práctico, 𝕏 @DotCSV (Carlos Santana) señala que Omni desbloquea casos como la traducción de vídeo con clonación de voz y lip-syncing del avatar en un único prompt, eliminando el encadenado de varios modelos especializados que antes exigía cada paso del flujo.

Con dos imágenes de referencia y un prompt para montar un coche deportivo pieza a pieza en diez segundos, 𝕏 @HarshithLucky3 (Harshith) ilustra el caso de uso que Google parece querer empujar: secuencias cortas guiadas por imágenes de inicio y fin, más cerca del storyboard que de la generación libre.

𝕏 @Strength04_X (Strength04_X) comparte un corto narrativo creado con Gemini Omni Flash 3.5 sobre un soldado que vuelve a casa, una muestra temprana de que los primeros usuarios están explorando piezas con arco emocional dentro del límite de diez segundos.

9. La técnica de backpropagation, en revisión

David Ha ha anunciado un método para entrenar redes profundas sin backpropagation extremo a extremo. La idea es trocear la red en bloques que se entrenan por separado, sin necesidad de mantener todas las activaciones en memoria a la vez. Ese requisito de memoria es lo que hace que el entrenamiento actual choque con un muro de GPU y energía conforme crecen los modelos. Si la técnica rinde a escala comparable, permitiría entrenar modelos grandes con hardware menos especializado y abaratar el coste marginal de cada generación.

La propuesta, desarrollada junto a la Universidad de Tokio, ha sido aceptada como póster en ICLR 2026, una de las conferencias relevantes del sector. Sin embargo, conviene matizar el entusiasmo: ya hubo intentos previos de entrenamiento local o por bloques que no han desplazado al backprop clásico en igualdad de cómputo. Por ahora es investigación académica, no un producto comercial listo para desplegar. Pero el campo de la IA necesita seguir aportando nuevas ideas para no depender solo de la fuerza bruta: más datos, más cómputo.

Para 𝕏 @hardmaru (Hardmaru), llevamos más de una década asumiendo que el backprop extremo a extremo es la única vía para entrenar redes profundas, cuando el verdadero cuello de botella es tener que cargar toda la red en memoria de golpe.

𝕏 @pmddomingos (Pedro Domingos) lo enmarca en lo que llama la comedia de la IA: técnicas adoptadas con una justificación teórica que acaban haciendo otra cosa, como el weight decay, pensado para controlar el sobreajuste y que en la práctica solo reduce el training loss.

Más información:

📎 DiffusionBlocks: Training Neural Networks One Block at a Time

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.

¿Qué pasó ayer? En un minuto:

1. El vídeo generado por IA ya no genera sensación de rechazo en su adopción y se convierte en producción audiovisual premium viable, rápida y barata.

2. MAI-Image-2.5, dentro de la iniciativa de Microsoft para no depender de OpenAI, debuta en el tercer puesto de modelos texto-a-imagen de Arena.

3. Qwen3.7-Max debuta cuarto en Code Arena, situando a Alibaba como el laboratorio chino mejor clasificado del tablero.

4. Alipay lanza un sistema de pagos específico para agentes, la tesis agent-first deja de ser retórica y empieza a tener infraestructura.

5. Anthropic está endureciendo cómo controla a Claude a medida que le da más acceso real. Además añadirá una puntuación al usuario que mida su soltura.

6. sostiene que muchos usuarios siguen infravalorando la IA actual, y cuestiona qué se puede delegar a la IA y qué no.

7. SemiAnalysis apunta a que el cuello de botella de la IA ya no está solo en la disponibilidad de GPUs, sino también en mover memoria y producir la energía para alimentar racks.

Y si tienes más de un minuto…

1. El contenido generado por IA está cruzando el valle inquietante

Runway ha presentado Project Luxo, una iniciativa con la que defiende que el vídeo generado por IA empieza a superar su mayor barrera comercial: dejar de parecer “artificial” y empezar a funcionar como contenido narrativo. La compañía mostró tres cortometrajes y un anuncio ficticio creados íntegramente con IA a perfiles del ecosistema audiovisual como productores, estudios, talento, prensa y otros actores de la industria, y asegura que la reacción se centró más en la historia que en la tecnología. La IA de vídeo ya no compite con el vídeo real solo en calidad visual, sino en coste, velocidad y capacidad de producción. Según Runway, las piezas fueron realizadas por una sola persona en plazos que van desde cuatro horas hasta tres semanas, una escala que antes habría requerido equipos, presupuesto y procesos mucho más amplios.

El caso más relevante para el negocio es un anuncio ficticio de una marca de relojes: superó los 100 millones de visualizaciones en Instagram en 48 horas, sin que la conversación se centrara mayoritariamente en que estaba hecho con IA. Runway presenta estos resultados como evidencia temprana de que el contenido generado por IA está empezando a salir de la zona de valle inquietante que se produce dentro del ciclo de adopción de una nueva tecnología. En este contexto, el valle inquietante es el punto en el que una imagen, una voz o un personaje generado por IA se parece mucho a algo real, pero no lo suficiente. El resultado provoca rechazo porque el cerebro detecta pequeñas rarezas: una mirada rígida, una piel demasiado perfecta, gestos poco naturales, manos extrañas, movimientos que no encajan o una emoción que parece falsa.

Por otro lado, Kling AI, el modelo de vídeo de la empresa china Kuaishou, ha reforzado su posicionamiento en el sector audiovisual con el mismo mensaje, vinculando su herramienta a producciones profesionales y a usos narrativos más allá de la demo técnica. Persisten preguntas clave sobre derechos, consentimiento, trabajo creativo, transparencia y responsabilidad. Pero la realidad es que el vídeo generado por IA ya se puede integrar en flujos profesionales por creadores, estudios, marcas y empresas, y producir vídeo premium deja de ser un privilegio de grandes presupuestos.

𝕏 @c_valenzuelab (Cristóbal Valenzuela) pidió dedicar quince minutos a ver estos cortos porque, a su juicio, cambian la percepción sobre los plazos de desarrollo y sobre lo que ya puede hacerse con vídeo generado por IA.

𝕏 @Kling_ai (Kling Ai) difundió el testimonio de Jon Erwin, que presenta la herramienta como pieza central en las temporadas 1 y 2 de “House of David” y la asocia a varios hitos para la industria.

Más información:

📎 Project Luxo

2. Microsoft estrena MAI-Image-2.5 y entra en el top 3

Microsoft ha presentado MAI-Image-2.5, la nueva versión de su modelo propio de texto a imagen, desarrollado por el equipo de Microsoft AI que dirige Mustafa Suleyman. Debuta tercero en el leaderboard de Arena, la plataforma que ordena modelos según preferencias humanas en comparaciones a ciegas, con 1.254 puntos, 72 más que MAI-Image-2. El lanzamiento ataca los puntos débiles habituales de los modelos de difusión: renderizado de texto legible en pósters y etiquetas, coherencia de layouts y tratamiento de luz y composición. Son justo las barreras que frenan la adopción en publicidad, packaging y diseño editorial.

En paralelo, consolida la familia MAI como línea propia de modelos fundacionales cuyo objetivo es reducir la dependencia de Microsoft con OpenAI. Hasta este lanzamiento, el top 5 de Image Arena estaba ocupado únicamente por modelos de Google y OpenAI. El modelo está disponible en vista previa a través de Arena, con despliegue previsto en las próximas semanas en MAI Playground y en Microsoft Foundry, la plataforma para desarrolladores empresariales. Build, la conferencia anual de desarrolladores de Microsoft, se celebra dentro de una semana, ventana en la que la compañía ha anticipado más anuncios del equipo de IA.

Para 𝕏 @mustafasuleyman (Mustafa Suleyman), el salto del modelo está en los detalles que separan una imagen vistosa de una utilizable en trabajo profesional: el texto de un póster, la etiqueta de un envase o cómo cae la luz sobre una escena, áreas donde los generadores actuales siguen fallando.

Desde 𝕏 @arena (Arena.Ai) subrayan que el top 5 del Text-to-Image Arena estaba reservado hasta ahora a Google DeepMind y OpenAI, por lo que la entrada de un tercer laboratorio rompe una concentración que llevaba meses sin moverse.

𝕏 @WesRoth (Wes Roth) interpreta la mejora de 72 puntos sobre MAI-Image-2 como un salto cualitativo serio dentro del catálogo propio de Microsoft, más que como un retoque incremental entre versiones.

𝕏 @howfxr (Howfxr) pone el foco en la distribución: el despliegue progresivo a MAI Playground y Foundry en las próximas dos semanas es lo que convertirá al modelo en una opción comercial real, más allá del escaparate de Arena.

Más información:

📎 MAI-Image-2.5 launches at No. 3 on Arena | Microsoft AI

3. Qwen3.7-Max se cuela en el top de Code Arena

Qwen3.7-Max, la última iteración del modelo de Alibaba, ha debutado en el cuarto puesto de Code Arena: Frontend, el ranking que mide a los grandes modelos en tareas agénticas de desarrollo web. El modelo construido el 17 de mayo de 2026 se sitúa como el laboratorio chino mejor posicionado del leaderboard, por delante de GLM-5.1 de Zhipu, y empata con Claude Opus 4.6 de Anthropic en este vertical. La generación autónoma de código frontend, con razonamiento multi-paso y uso de herramientas, es uno de los casos comerciales más activos del año, dominado hasta ahora por Anthropic y OpenAI.

Este paso confirma que la distancia entre los grandes laboratorios chinos y los líderes occidentales se estrecha en capacidades concretas, no solo en benchmarks generalistas. El modelo figura también décimo en Design Arena con un Elo de 1313, en la franja de DeepSeek V4 Pro y Meta Muse Spark.

Desde 𝕏 @arena (Arena.Ai) enmarcan el debut como un hito específico: Qwen3.7-Max es ya el laboratorio chino mejor clasificado del tablero, superando a GLM-5.1 y empatando con Claude Opus 4.6 en desarrollo web agéntico.

En 𝕏 @Alibaba_Qwen (Qwen) leen el resultado como confirmación de su trayectoria en codificación agéntica y anticipan más lanzamientos cercanos, sin concretar fechas ni próximos modelos.

Para 𝕏 @WesRoth (Wes Roth), compartir franja con DeepSeek V4 Pro y Meta Muse Spark en Design Arena valida la madurez de la familia más allá del vertical de código, y el caching implícito recién activado reduce coste y latencia sin tocar la integración existente.

Más información:

📎 WebDev AI Leaderboard - Best AI Models for Web Development

4. El software entra en fase agent-first

Varias señales del día apuntan a que los agentes empiezan a operar como capa de ejecución sobre productos, pagos y plataformas sociales.

• Alipay ha presentado una solución de pagos full-stack para la economía agéntica, con dos servicios nuevos, AI Wallet y Token Pay, dirigidos a empresas de IA, retailers y otros socios que prevén transacciones iniciadas por agentes autónomos.

• Higgsfield, hasta ahora conocida por generación de vídeo e imagen, ha añadido conectores sociales a su Higgsfield Supercomputer para que los agentes lean y publiquen en X, Instagram, Threads y LinkedIn, cubriendo un ciclo de marketing completo.

• Atomic Bot ha lanzado una app para iOS que actúa como mando a distancia de Hermes Agent, un agente autoalojado que corre 24/7 en un servidor privado del usuario al estilo de OpenClaw.

• Helio ha pasado a beta pública con un planteamiento distinto: el usuario describe un objetivo en lenguaje natural y una especie de RR.HH. integrado traduce eso en un equipo de agentes operativo en menos de 60 segundos, con roles y alcance definidos.

• Capafy, por su lado, ha abierto un marketplace de skills en el que los creadores fijan precio y la lógica se ejecuta en servidor, sin exponer la metodología, frente al modelo open-source por defecto del resto de marketplaces de skills.

Para 𝕏 @naval (Naval), la secuencia desktop-first, mobile-first y agent-first no es una metáfora: implica que el cliente principal del software dejará de ser una persona navegando una UI para ser un agente que consume APIs en su nombre.

𝕏 @WesRoth (Wes Roth) subraya que Alipay, uno de los mayores procesadores de pagos del mundo, se coloca como infraestructura financiera para agentes presionando a Visa, Mastercard y Stripe a ofrecer pasarelas equivalentes para flujos máquina-a-máquina.

𝕏 @levie (Aaron Levie) observa que muchas empresas fuera de Silicon Valley están contratando ingeniería precisamente para adoptar agentes: hace falta perfiles técnicos y forward-deployed engineers que construyan e integren estos sistemas dentro de la operación, no solo licencias.

𝕏 @pmddomingos (Pedro Domingos) ironiza con que bastaría con que las compañías SaaS renombren sus módulos como agentes para inflar su valoración, una pulla a la dilución del término en marketing corporativo.

Desde 𝕏 @DeepLearningAI (Deeplearning.Ai) recogen el trabajo de Zora Z. Wang en Carnegie Mellon y Stanford para advertir que los benchmarks actuales miden la capacidad agéntica solo de forma estrecha, lejos del rango de tareas económicamente valiosas que se les atribuye en el discurso.

Más información:

📎 Atomic Bot | The Fastest Way to Run OpenClaw

📎 Helio launches invite-only AI-powered team workspace

📎 Capafy launches AI Skills Marketplace for creators

5. Anthropic ajusta el cerco operativo de Claude

Anthropic ha concentrado varios cambios alrededor de una misma idea: Claude ya opera con más acceso y necesita más contención técnica. En su blog de ingeniería, la compañía explica que los permisos de los agentes deben evolucionar con sus capacidades y sitúa el sandboxing como mecanismo central para limitar acciones potencialmente destructivas. El dato más revelador es operativo: hace un año habrían descartado dar a Claude acceso suficiente para tumbar un servicio interno de la empresa, y hoy ese nivel de acceso forma parte del uso habitual en algunos entornos.

A la vez, la firma está reforzando Claude Code con un plugin de guía de seguridad para detectar y corregir vulnerabilidades mientras se escribe código, un punto sensible para equipos de desarrollo y clientes empresariales. Y por último tenemos AI Fluency, una puntuación que Anthropic dará al usuario basada en conversaciones previas en Chat, Cowork y Claude Code. La función AI Fluency se apoya en 11 criterios y las referencias detectadas apuntan a una pantalla específica dentro de los ajustes de Claude. Si se hace bien, podría servir como indicador en procesos de selección para evaluar la destreza en el uso de la IA de los candidatos.

𝕏 @WesRoth (Wes Roth) destaca el nuevo plugin de guía de seguridad para Claude Code, disponible en el marketplace, como una herramienta para identificar y corregir vulnerabilidades durante la escritura de código.

𝕏 @emollick (Ethan Mollick) critica que los cambios en la interfaz de Claude se documenten mal, hasta el punto de generar callejones sin salida, y pone como ejemplo la migración de learning mode a una skill que no aparece explicada ni parece estar disponible.

𝕏 @testingcatalog (Ai News | Testingcatalog) interpreta AI Fluency como una función orientada a evaluar el uso que hace el usuario de Claude, con un scorecard basado en conversaciones anteriores en Chat, Cowork y Claude Code y medido sobre 11 criterios.

Más información:

📎 How we contain Claude across products

📎 Anthropic to introduce AI Fluency scorecard in Claude (link extraído de los tweets)

6. Mollick recalibra expectativas sobre la IA actual

Ethan Mollick ha concentrado en varios mensajes una idea simple: el debate sobre la IA sigue usando marcos viejos para juzgar sistemas que ya operan en entornos más complejos y útiles. Sitúa el foco en los llamados harnesses, configuraciones con herramientas y memoria que amplían lo que un modelo puede hacer en trabajo profesional, y añade que las señales más relevantes ya no vienen de observadores externos, sino de especialistas en áreas como derecho o matemáticas. Junto a eso, introduce dos objeciones concretas al discurso dominante: que las ventanas de contexto muy largas pueden empeorar la experiencia al arrastrar información antigua a respuestas nuevas, y que parte de la cobertura mediática sigue evaluando la IA con modelos gratuitos o desactualizados.

También lleva la discusión al terreno práctico en su ensayo Choosing to Stay Human, centrado en decidir qué conviene mantener en manos humanas y qué puede delegarse. Ya no basta con preguntar qué tareas puede hacer una máquina, sino cuáles no conviene delegar. Ethan advierte que el riesgo no está en usar IA, sino en convertirla en el modo automático para escribir, decidir o aprender. Su tesis: “seguir siendo humanos” implica elegir cuándo usar la IA y cuándo preservar el esfuerzo propio. Y como cierre a su posicionamiento, en su crítica al artículo de Wired sobre fact-checking no niega el valor de los verificadores humanos: plantea que la IA puede servir como primera pasada y liberar tiempo para tareas de juicio, contraste y resolución de conflictos.

𝕏 @emollick (Ethan Mollick) sostiene que la mayoría de la gente no percibe hasta qué punto los sistemas actuales son capaces cuando trabajan dentro de harnesses, y subraya que ahora esa valoración llega también de expertos en derecho y matemáticas, no solo de no especialistas.

Más información:

📎 Choosing to Stay Human - by Ethan Mollick (link extraído de los tweets)

📎 I’m a Professional Fact-Checker. AI Is Wrong More Often Than You Think | WIRED

7. SemiAnalysis disecciona la pila de cómputo IA

La próxima gran revolución de la inteligencia artificial no está solo en los chips, sino en cómo se alimentan. SemiAnalysis anticipa que los centros de datos empezarán a migrar hacia arquitecturas de 800 voltios en corriente continua, una forma de llevar electricidad a los racks de servidores con menos pérdidas, menos cobre y más capacidad para soportar la demanda extrema de la IA. La firma estima que esta tecnología podría alimentar unos 39 GW de nueva capacidad para 2030.

SEl cambio responde a una presión muy concreta: los racks de IA están pasando de consumir decenas de kilovatios a cientos, con diseños que pueden acercarse a los 600 kW o más. A esos niveles, las arquitecturas eléctricas actuales empiezan a ser caras, voluminosas e ineficientes. NVIDIA también defiende el paso a 800 VDC porque permite reducir conversiones eléctricas, liberar espacio para computación y preparar racks de más de 1 MW.

Para los negocios, la lectura es clara: la electricidad se convierte en una ventaja competitiva. Los ganadores no serán solo fabricantes de GPU, sino proveedores de rectificadores, sistemas de respaldo, busways, electrónica de potencia y nuevos transformadores de estado sólido. Google, Meta y Microsoft ya han impulsado especificaciones abiertas para racks de alta densidad dentro de OCP (Open Computer Platform), una señal de que el estándar empieza a moverse desde el laboratorio hacia el mercado.

𝕏 @ID_AA_Carmack (John Carmack) dice que SemiAnalysis le resulta especialmente útil porque amplía su visión de sistema más allá de lo habitual, tanto hacia arriba, con el centro de datos, como hacia abajo, con capas más profundas del hardware.

𝕏 @SemiAnalysis_ (Semianalysis) desglosa la latencia extremo a extremo de un LLM en dos mitades casi iguales: alrededor del 48% en llenado de nuevos datos + cache y el 52% en generación de tokens.

Más información:

📎 Inside the 800VDC Revolution – Part 1

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.

¿Qué pasó ayer? En un minuto:

1. El Papa León XIV dedica su primera encíclica a la inteligencia artificial y suma a Anthropic al acto de presentación.

2. Las cuentas de las Big Tech siguen sanas, pero el flujo de caja libre se tensiona bajo un capex que ya no se parece al de ciclos previos de software.

3. Hasta ahora, las tarifas de IA que pagamos no cubren el coste real de servir los modelos, ¿entraremos en en fin de la fase de precios subvencionados?

4. Google estrena en AI Studio la generación de apps nativas de Android sin código con 250.000 apps creadas en una semana.

5. xAI abre en beta Grok Build para competir con Claude Code y Codex, y se filtra que el próximo modelo Grok 5 con 1,5T de parámetros estaría cerca.

6. Los grandes laboratorios usan las matemáticas formales como banco de pruebas del razonamiento de modelos, por ser verificables y difíciles.

7. Los humanoides L7 de RobotEra ya clasifican paquetes en más de diez centros logísticos de China; HuggingFace abre también el hardware con LeRobot.

8. La campaña TrapDoor ha colado 34 paquetes maliciosos en repositorios de librerías comunes, Perplexity responde liberando Bumblebee.

9. Codex y Claude Code redefinen las herramientas de programación sin estudios sólidos: la última actualización de METR reconoce datos de baja calidad.

Y si tienes más de un minuto…

1. El Vaticano entra en el debate de la IA

El Papa León XIV ha publicado su primera encíclica, 'Magnifica humanitas: On safeguarding the human person in the time of artificial intelligence', centrada en los riesgos de la IA sobre la dignidad humana, la desigualdad, los conflictos armados y la estabilidad social. El mensaje impacta directamente en el mundo empresarial: las compañías que desarrollen o usen IA deberán prepararse para más exigencias de transparencia, auditoría externa y responsabilidad sobre sus efectos en los derechos de las personas. El Vaticano sostiene que, en la era de la IA y la robótica, ya no basta confiar en la “mano invisible” del mercado. León XIV también apunta a dos riesgos con creciente coste corporativo: la concentración de modelos, plataformas y datos en pocas manos, y el impacto ambiental de los centros de datos, por su consumo de energía y agua.

En la presentación intervino Chris Olah, cofundador de Anthropic, invitado por el Vaticano. Olah admitió que los laboratorios punteros, el suyo incluido, operan bajo presiones comerciales, geopolíticas y personales que pueden entrar en conflicto con hacer lo correcto, y reclamó voces externas a esos incentivos que insistan en la seguridad. La presencia de Anthropic, conocida por su foco en seguridad, contrasta con la ausencia de OpenAI y Google DeepMind. El gesto sitúa a la Santa Sede como interlocutor con voz propia en la gobernanza de la IA, junto a marcos ya activos como el AI Act europeo. Queda por conocer si la colaboración con la industria irá más allá de la intervención puntual de Olah.

Desde 𝕏 @AnthropicAI (Anthropic) presentan la intervención de Chris Olah en el Vaticano como un esfuerzo por ampliar el debate sobre la IA más allá de la industria, en línea con su posicionamiento público como laboratorio centrado en la seguridad.

Para 𝕏 @WesRoth (Wes Roth), que un pontífice dedique su primera encíclica a la IA y lo haga acompañado de un laboratorio puntero indica que el debate ético ha alcanzado un nivel institucional que hace meses parecía improbable.

𝕏 @DavidSacks (David Sacks), responsable de IA y cripto en la administración Trump, comparte el principio de dignidad humana pero invierte el foco del riesgo: dar a los gobiernos poderes amplios sobre la IA en nombre de la seguridad, advierte, abre la puerta a censura y vigilancia al estilo orwelliano.

Más crítico, 𝕏 @pmddomingos (Pedro Domingos) interpreta la cautela vaticana como defensa de una jerarquía que teme perder influencia si la IA distribuye el conocimiento, y contrasta esa posición con la de los pastores protestantes, a quienes atribuye otras cosas de las que preocuparse.

El apunte de 𝕏 @DotCSV (Carlos Santana) sirve como termómetro cultural en la comunidad hispanohablante: que 'hasta el Papa' se pronuncie confirma que la IA ha salido del perímetro técnico para instalarse en la agenda de las grandes autoridades morales.

Más información:

📎 Excerpts from Pope Leo XIV's sweeping manifesto about humanity in the AI era

2. La IA reordena empleo, capex y mercado

El debate sobre cómo la IA cambia el trabajo se ha desplazado del terreno teórico al de los números. Los despidos en tecnología habrían superado los 100.000 en lo que va de 2026, según recuentos que circulan en X, en paralelo a una reasignación de capital hacia cómputo, centros de datos y perfiles especializados en IA. La lectura no es uniforme. Parte del sector financiero defiende que la productividad lleva décadas creciendo sin destruir empleo neto y enmarca la IA como continuación de esa curva, no como ruptura.

En el frente corporativo, las cuentas de las grandes tecnológicas mantienen beneficios al alza y demanda creciente de cloud, pero el flujo de caja libre se tensiona por un capex distinto al de ciclos previos de software: GPUs, energía y refrigeración elevan el coste unitario de cada nuevo servicio. Sobre ese fondo conviven dos lecturas. Una técnica sostiene que medir la IA solo como acelerador de flujos existentes infravalora su capacidad de habilitar productos nuevos. Otra, de mercado, defiende que la oportunidad es lo bastante amplia para sostener muchas empresas más allá del eje OpenAI-Anthropic. Pendientes: el ritmo real de sustitución frente a complementariedad, la sostenibilidad del capex de las Big Tech y el reparto de valor entre incumbentes y entrantes verticales.

Para 𝕏 @fchollet (François Chollet), tratar la IA como un simple acelerador de flujos previos repite el error de cada ola tecnológica: lo decisivo no es ir más rápido, sino habilitar cosas que antes no se hacían por imposibilidad o falta de viabilidad económica.

𝕏 @levie (Aaron Levie) recoge la postura del CEO de Goldman Sachs frente a las visiones pesimistas y recuerda que la productividad ya creció enormemente en las últimas décadas sin colapsar el empleo, un marco que sitúa a la IA como complemento más que como sustituto.

Más incómodo es el cuadro que dibuja 𝕏 @WesRoth (Wes Roth): muchas compañías venden la IA como motor de crecimiento mientras, por detrás, recortan plantilla tradicional para financiar infraestructura y roles ligados a modelos.

𝕏 @Suhail (Suhail) discute la lectura de duopolio: cree que la inteligencia como insumo es lo bastante amplia para sostener muchas empresas exitosas, no solo ChatGPT y Claude Code, lo que abre espacio a verticales, infraestructura y herramientas especializadas.

3. ¿Fin del subsidio en precios de IA?

Buena parte de las tarifas que han pagado usuarios y desarrolladores en los dos últimos años no reflejaban el coste de servir los modelos, sino una decisión comercial para captar cuota. Esa fase de precios subvencionados estaría agotándose. El coste por token ha caído con fuerza, hasta un 99,9% en algunos cálculos (de 60 dólares a 5 céntimos por consulta equivalente). Sin embargo, la factura de entrenar e implantar nuevos modelos sigue subiendo. La oferta se está reorganizando: la tarifa plana de 20 dólares al mes pierde protagonismo frente a planes premium, precios por uso y modelos basados en resultados.

La presión también llega por el hardware. Los precios de DRAM física se han disparado por la demanda para servidores de IA, lo que encarece la capacidad de cómputo que sostiene la inferencia. En paralelo, hay voces académicas que cuestionan que añadir más cómputo y datos baste para superar las limitaciones del paradigma actual de modelos de lenguaje. Queda por conocer si los proveedores se verán obligados a trasladar el coste real al cliente y el impacto sobre startups que dependen de APIs baratas.

𝕏 @WesRoth (Wes Roth) sostiene que el sector ha esquivado demasiado tiempo una conversación incómoda: muchas herramientas parecían baratas porque las compañías subvencionaban el uso para entrenar hábitos y capturar mercado, y ese guion se acaba.

𝕏 @pmddomingos (Pedro Domingos) lo resume con una imagen de optimización matemática: gastar billones en un mínimo local no te saca de él. Una crítica directa a quienes apuestan por más GPUs y más datos como vía única para superar los límites del paradigma actual.

Con tono irónico, 𝕏 @SemiAnalysis_ (Semianalysis) recupera el viejo meme de ‘descargar RAM gratis’ para señalar la tensión real en el mercado de DRAM, donde la demanda de HBM y DDR5 para IA está drenando capacidad y elevando precios en el resto del hardware.

4. Google afina Gemini y abre AI Studio a Android

Google ha movido ficha en tres frentes de su pila de IA. En Antigravity, su entorno de desarrollo agéntico, ha añadido Gemini 3.5 Flash (Low), que consume un 45% menos de tokens que la versión Medium y llega con un reseteo de cuotas de Gemini. La segmentación por niveles (Low, Medium, High) responde a una demanda concreta: ejecutar tareas rutinarias o de alto volumen sin agotar presupuesto, reservando los modelos potentes para lo complejo.

En paralelo, AI Studio ha estrenado una función gratuita para generar aplicaciones nativas de Android sin escribir código. Google afirma que en la primera semana se han creado más de 250.000 apps con la herramienta, una cifra que, de confirmarse, la coloca frente a plataformas como Replit, Cursor o Lovable. La diferencia es que Google controla el modelo (Gemini), el entorno (AI Studio) y el sistema operativo de destino (Android), lo que acorta el trayecto entre prototipo y publicación en Play Store.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog), la llegada de Flash Low coincidiendo con el reseteo de cuotas de Gemini se lee como un gesto deliberado de Google para incentivar pruebas intensivas entre desarrolladores antes de fidelizarlos a Antigravity.

𝕏 @WesRoth (Wes Roth) interpreta que el ritmo al que AI Studio ha generado cientos de miles de apps Android en días confirma que el 'vibe coding' ha dejado de ser una curiosidad de nicho y empieza a mover volúmenes propios de una plataforma de distribución masiva.

5. xAI lanza Grok Build y prepara Grok 5

xAI ha abierto en beta Grok Build, un entorno de creación asistida reservado a suscriptores de SuperGrok y X Premium+. Incluye un Plan Mode para planificación estructurada, generación de imágenes y vídeo bajo la marca Imagine, y una CLI para construir automatizaciones y orquestadores. Con esto, Grok se mueve hacia plataforma de desarrollo, en competencia directa con Codex de OpenAI y con Claude Code de Anthropic.

En paralelo, circulan reportes de que el próximo modelo fundacional de xAI, V9-Medium, habría terminado el entrenamiento y estaría a 2-3 semanas del lanzamiento público. Las cifras citadas hablan de 1,5 trillones (americanos) de parámetros frente a los 0,5 trillones del actual V8-Small que sirve el tráfico de Grok 4.3. También se menciona el uso de datos de Cursor como entrenamiento suplementario, lo que apunta a un énfasis claro en capacidades de programación. El sufijo 'Medium' sugiere variantes mayores aún por anunciar dentro de la familia V9. Ninguna de estas cifras tiene confirmación oficial de xAI, y no se han publicado benchmarks, detalles de arquitectura ni fecha exacta de despliegue.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog), el uso de datos de Cursor en el entrenamiento suplementario y el salto de escala apuntan a que lo que viene no es una iteración menor, sino directamente Grok 5.

Desde 𝕏 @MetaEraHK (Me Group) leen el lanzamiento como una expansión funcional de Grok más allá del chat, con la CLI y los orquestadores como el verdadero gancho para el público desarrollador de X Premium+.

6. La IA entra en la frontera matemática

OpenAI ya anunció la refutación de una conjetura de Erdős que llevaba unas ocho décadas sin resolverse. En paralelo, Google DeepMind ha presentado AlphaProof Nexus, un marco agéntico orientado a investigación matemática de nivel avanzado. Ambos movimientos consolidan una tendencia: los grandes laboratorios recurren a las matemáticas formales como banco de pruebas del razonamiento de sus modelos, porque ofrecen respuestas verificables y resistentes a la contaminación de datos.

El uso de problemas de Erdős como referencia se ha vuelto casi universal, hasta el punto de que parte de la comunidad pide repositorios equivalentes en otras disciplinas. La discusión técnica se mezcla con otra más de fondo sobre el método: si la práctica matemática incorpora exploración computacional a gran escala, asistentes de demostración y conjeturas generadas por modelos, una disciplina históricamente dominada por la deducción podría pasar a apoyarse cada vez más en herramientas de búsqueda y experimentación.

Para 𝕏 @DotCSV (Carlos Santana), el anuncio confirma que la IA empieza a producir resultados originales en matemáticas, y por eso dedica un vídeo entero a explicar por qué refutar a Erdős ochenta años después importa más allá del círculo académico.

𝕏 @pmddomingos (Pedro Domingos) lo resume en una frase: las matemáticas se han convertido en una ciencia experimental, una lectura que desplaza el centro de gravedad de la demostración formal hacia la exploración computacional de conjeturas a gran escala.

𝕏 @emollick (Ethan Mollick) avisa del riesgo de apoyarse demasiado en un solo eje: depender de los problemas de Erdős reduce la evaluación a un terreno con respuestas unívocas, y reclama repositorios de retos en disciplinas donde haga falta juicio humano para valorar la calidad.

7. Humanoides salen del laboratorio a la logística

La robótica humanoide ha dado esta semana varias señales de que empieza a salir del vídeo controlado para entrar en operación real. La china RobotEra ha desplegado su humanoide L7 en más de diez centros logísticos del país, donde clasifica paquetes en cintas transportadoras, una tarea hasta ahora reservada a operarios o a sorters tradicionales. Es uno de los primeros casos en los que un humanoide de propósito general se mide contra automatización industrial probada, con un ROI exigente.

Unitree Robotics ha publicado una demostración de su modelo WVLA 2.0 limpiando una sala de reuniones en una sola toma, de forma autónoma y multitarea. La nomenclatura WVLA apunta a una arquitectura Vision-Language-Action, hoy dominante en la nueva ola de robots generalistas.

PNDbotics ha mostrado a su humanoide Adam subiendo escaleras en exterior con suelo irregular, ajustando el equilibrio en tiempo real, un terreno que separa los prototipos de los despliegues industriales. Hugging Face ha sumado un movimiento distinto al lanzar LeRobot, un humanoide abierto que puede construirse por unos 2.500 dólares, con stack completo de hardware y software. En definitiva, el sector está dejando atrás la etapa de las demos llamativas de robots bailando o haciendo gestos espectaculares y empieza a medirse por criterios más industriales: manipulación útil, locomoción fiable y casos de negocio verificables, con China marcando el ritmo en los despliegues reales.

Para 𝕏 @WesRoth (Wes Roth), que los L7 de RobotEra ya clasifiquen paquetes en más de diez centros logísticos es más significativo que cualquier vídeo de laboratorio: la logística china está actuando como primer mercado real para los humanoides de propósito general.

Desde 𝕏 @UnitreeRobotics (Unitree) insisten en que la prueba con WVLA 2.0 se grabó en una sola toma y con interferencias externas, un detalle que usan para diferenciarse del estándar de vídeos editados que domina el sector.

8. La cadena de suministro de software, bajo presión

La seguridad de la cadena de suministro vuelve al primer plano tras una nueva oleada de ataques sobre repositorios públicos. La campaña TrapDoor, dirigida a npm y PyPI, ha colocado 34 paquetes maliciosos en 384 versiones, con los atacantes republicando variantes para evadir la detección y robar criptomonedas en máquinas de desarrolladores. El vector no es nuevo, pero su escala empuja a tratar la verificación de dependencias, el escaneo automático y la firma de paquetes como higiene básica, no como complemento.

Perplexity ha liberado Bumblebee, un escáner de solo lectura en código abierto para macOS y Linux que inspecciona paquetes de riesgo, extensiones de navegador y editor, y archivos de configuración de herramientas de IA, una superficie que ha crecido con la adopción de asistentes y plugins en entornos de desarrollo. Que sea una compañía de IA quien publique la utilidad forma parte de un movimiento más amplio: los laboratorios empiezan a aportar defensa además de capacidad.

Anthropic mantiene activo Project Glasswing, su iniciativa de ciberseguridad colaborativa, en la que asegura haber identificado más de 10.000 vulnerabilidades de severidad alta o crítica en software esencial junto a sus socios. OpenAI, por su parte, ha situado su sistema Daybreak en bancos australianos como Commonwealth Bank y Westpac para defensa cibernética. Queda por delante la adopción de estas herramientas en pipelines productivos y su eficacia frente a campañas que mutan a diario.

Para 𝕏 @WesRoth (Wes Roth), el valor de Bumblebee está en cubrir un punto ciego concreto: las configuraciones de herramientas de IA en la máquina del desarrollador, un vector que casi nadie auditaba hasta ahora y que puede filtrar credenciales o flujos sensibles.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) recomienda integrar Bumblebee directamente en el pipeline de CI como capa adicional, una lectura que asume que la defensa contra ataques de cadena de suministro se gana en el flujo de build, no en revisiones puntuales.

9. Codex y Claude Code redefinen el código

En 2026 Codex (OpenAI) y Claude Code (Anthropic) han redefinido las herramientas de programación: actúan como agentes que ejecutan tareas completas en la máquina del desarrollador, desde modificar repositorios hasta inspeccionar el sistema de archivos y lanzar un navegador para ejecutar tareas. La frontera entre asistente de código y agente de administración del equipo se difumina, y con ella reaparece el debate sobre permisos, trazabilidad y confianza al delegar acciones sobre el entorno local.

El problema es que esta generación, desplegada de forma masiva desde finales de 2025, no cuenta con estudios empíricos sólidos sobre su efecto real en la productividad global de equipos. La referencia más citada, METR, publicó en 2025 un trabajo que detectó una ralentización del 20% en desarrolladores de código abierto experimentados al usar herramientas de IA, con datos de febrero a junio. METR rediseñó el experimento en agosto de 2025 y publicó una actualización tentativa en febrero de 2026, reconociendo que los datos tienen baja calidad: muchos desarrolladores rechazan participar si tienen que trabajar sin IA, la rebaja de la tarifa de 150 a 50 dólares por hora introduce sesgos de selección y medir el tiempo se complica cuando se usan varios agentes en paralelo.

El punto de vista más crítico de esta revolución está en la deuda que dejan detrás: bloques de código que funcionan a la primera, pero que después pueden ser difíciles de entender, mantener e iterar.

𝕏 @gdb (Greg Brockman) ilustra el viraje con un caso doméstico: usar Codex para encontrar y liberar espacio en su portátil, una señal de que el agente ya opera sobre el equipo del usuario, no solo sobre el repositorio.

Las decisiones de adopción se están tomando a ciegas, según 𝕏 @emollick (Ethan Mollick): todos los papers disponibles son anteriores a esta generación de agentes, y considera la falta de evidencia un agujero importante en lo que sabemos hoy sobre el trabajo de programación.

Generar 2.000 líneas que funcionan a la primera no sustituye entender el sistema, avisa 𝕏 @Suhail (Suhail): cuando toca afinar matices, el desarrollador acaba lamentando no haberlo construido paso a paso.

Más información:

📎 We are Changing our Developer Productivity Experiment Design - METR

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.

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

1. Si el público aprende a detectar patrones en contenido automatizado por IA, éste pierde valor y las plataformas tendrán que verificar originalidad.

2. Anthropic ha detectado más de 10.000 vulnerabilidades críticas en software esencial con Claude Mythos, y podría estar preparando su salida comercial.

3. Jamie Dimon anticipa menos banqueros tradicionales y más especialistas en IA en JPMorgan, David Sacks rebate la tesis del colapso laboral en software.

4. Anthropic prepara Memory Files, contexto en notas organizadas que el usuario puede leer y editar, rompiendo el modelo opaco basado en embeddings.

5. Google estrena la 8ª generación de TPU y Alibaba responde con su GPU Zhenwu M890 y una hoja de ruta anual ambiciosa.

6. OpenAI ultima su salida a bolsa, coincidiendo con SpaceX y Anthropic; podría obligar al mercado a absorber 200.000 millones en capital de otras tecnológicas.

7. Cohere libera Command A+ y DeepSeek hace permanente una rebaja del 75% en su API presionando a los grandes laboratorios de modelos propietarios.

8. Google conecta Project Genie con Street View: cualquier dirección de EE. UU. se convierte en un mundo navegable generado por IA.

Y si tienes más de un minuto…

La saturación de contenido IA empieza a notarse

La conversación sobre saturación de contenido generado por IA ha cogido tracción esta semana en X. La tesis común: una parte relevante del texto que circula por redes, blogs, artículos y papers académicos ya está escrito o asistido por modelos, y los usuarios habituales empiezan a reconocer sus tics estilísticos (fraseo neutro, estructuras repetitivas, giros recurrentes). El fenómeno se solapa con cuentas automatizadas que imitan a usuarios humanos con prompts pobres, lo que degrada la conversación pública y reaviva la tesis del ‘dead internet’.

Para las plataformas, la presión es doble: reforzar verificación de identidad y avanzar en marcas de agua o etiquetado de contenido sintético, justo cuando las APIs de los propios laboratorios alimentan ese ruido. Para editoriales, medios y revistas científicas, el problema es operativo: filtrar material generado sin penalizar la asistencia legítima. El ángulo de negocio menos discutido es competitivo. Si el lector medio desarrolla criterio para detectar IA, el contenido automatizado se devalúa rápido y la prima se desplaza hacia autores con voz propia y material original. La decisión pendiente está en X, Meta y Google: hasta qué punto endurecen la autenticación antes de que la percepción de saturación erosione el valor de su inventario publicitario.

𝕏 @emollick (Ethan Mollick) sostiene que la detección se aprende usando los modelos: cuanto más trabajas con ellos, antes identificas sus tics. Cuando esa habilidad se generalice, dice, el público verá hasta qué punto X, los blogs y los papers ya están escritos con IA. Añade que muchos espacios se vuelven intolerables: si quiere hablar con ChatGPT o Claude, lo hace directamente, no a través de un ‘DoofWarrior123’ con prompts mediocres.

Anthropic prepara Mythos para ciberseguridad

Anthropic ha publicado el primer balance de Project Glasswing, su iniciativa de ciberseguridad asistida por IA lanzada hace un mes. Junto a unos cincuenta socios, dice haber identificado más de 10.000 vulnerabilidades de severidad alta o crítica en software esencial mediante un modelo interno llamado Claude Mythos Preview. La propia compañía admite que el cuello de botella ya no es encontrar fallos, sino verificarlos, divulgarlos y parchearlos a un ritmo asumible para mantenedores y CERTs.

En paralelo, en la interfaz de Claude han aparecido referencias a un modelo etiquetado como 'claude-mythos-1-preview', vinculado a Claude Code y Claude Security, lo que apunta a una especialización vertical de la familia Claude en programación y seguridad. Anthropic ha sugerido que los modelos de clase Mythos podrían tener una liberación más amplia de lo que se pensaba con las salvaguardas adecuadas. La ciberseguridad se confirma como uno de los verticales empresariales más disputados entre laboratorios de frontera.

El equipo de 𝕏 @AnthropicAI (Anthropic) enmarca Glasswing como un esfuerzo colaborativo para asegurar el software crítico antes de que modelos cada vez más capaces puedan usarse en su contra, una justificación que sirve a la vez como tesis defensiva y como argumento para restringir el acceso a Mythos.

𝕏 @WesRoth (Wes Roth) pide cautela con la filtración de 'claude-mythos-1-preview': los identificadores internos cambian a menudo antes del lanzamiento y conviene no tratar la pista como anuncio confirmado.

Para 𝕏 @levie (Aaron Levie), el dato de Glasswing refuta el discurso de que la IA elimina ingenieros: si encontrar fallos se vuelve trivial, el cuello de botella se traslada a revisarlos y arreglarlos, y ahí el trabajo humano se multiplica.

Desde una lectura más ambiciosa, 𝕏 @kaan_alper (Kaan Alper) presenta los 10.000 hallazgos como prueba tangible de que la IA va a redefinir la ciberseguridad, una postura que contrasta con la cautela del propio laboratorio sobre el riesgo de uso dual.

Debate sobre IA y empleo:

El debate sobre el impacto de la IA en el empleo se ha intensificado con posiciones encontradas entre directivos e inversores. Jamie Dimon, CEO de JPMorgan, ha anticipado que el mayor banco de EE. UU. por activos contratará más especialistas en IA y reducirá banqueros tradicionales en ciertos roles, asumiendo que la automatización recortará algunos puestos y elevará la productividad de los restantes. Su orientación pesa porque buena parte de la banca suele replicar las decisiones de plantilla y tecnología de JPMorgan, sobre todo en análisis de riesgo, compliance, atención al cliente y operaciones de mercado.

En paralelo, David Sacks, responsable de IA y cripto en la Administración Trump, ha aportado un dato para contradecir la tesis del colapso laboral en software: un aumento interanual de 14 veces en commits de GitHub, que atribuye a la generación de código asistida por IA. Su lectura es que, al abaratarse el coste marginal de programar, crece la base de código que requiere supervisión, integración y mantenimiento, lo que explicaría por qué las ofertas para ingenieros siguen subiendo.

Para 𝕏 @WesRoth (Wes Roth), el mensaje de Dimon marca un giro relevante en la banca de inversión: pasar de defender la plantilla actual a admitir abiertamente que ciertos roles tradicionales se reducirán mientras crece el peso de los perfiles técnicos.

𝕏 @levie (Aaron Levie) insiste en que el error de fondo es confundir automatizar tareas con eliminar puestos: un empleo agrupa responsabilidades y criterios que la IA actual no asume de forma integral, por lo que el escenario realista es la redefinición de roles, no su desaparición masiva.

𝕏 @DavidSacks (David Sacks) refuerza su tesis con una actualización: ofertas de empleo en software y código generado por IA crecen en paralelo cada semana, una correlación que utiliza para desmontar el relato de canibalización por parte de Copilot, Cursor o Claude Code.

Desde la trinchera técnica, 𝕏 @hardmaru (Hardmaru) invoca la paradoja de Jevons para defender lo contrario al reemplazo: las herramientas de IA hacen a los buenos ingenieros diez veces más productivos y permiten abordar problemas mayores, razón por la que Sakana AI Labs está ampliando equipos en lugar de reducirlos.

Anthropic prepara memoria editable en Claude

Anthropic estaría preparando una renovación del sistema de memoria de Claude basada en archivos, según filtraciones recogidas por TestingCatalog. El planteamiento sería dual: convivirían el modo actual, que condensa lo aprendido sobre el usuario en una nota resumida, y una nueva opción llamada Memory Files, donde Claude escribiría notas organizadas por tema, proyecto o contexto durante las conversaciones y las consultaría cuando fueran pertinentes. El usuario podría navegar y editar esas notas manualmente, algo que rompe con el modelo opaco de memorias basadas en embeddings habitual en asistentes rivales.

La función se parece a un wiki personal integrado en el chat, similar al enfoque de agentes siempre activos basados en memorias tipo sistema de archivos. Encaja con el discurso de Anthropic sobre interpretabilidad y control, y llega en plena expansión comercial: compromisos de cómputo recientes con SpaceX e integración de Claude en Excel y PowerPoint vía el programa Cowork. Frente a ChatGPT y Gemini, ofrece un argumento concreto para clientes empresariales: trazabilidad y gobernanza del contexto persistente, una exigencia creciente en sectores regulados. Faltan por confirmar la fecha de lanzamiento, si Memory Files quedará reservado a planes de pago y cómo se gestionarán el borrado y la portabilidad de esas notas, especialmente relevante para clientes sujetos a obligaciones de retención y supresión de datos.

Para 𝕏 @WesRoth (Wes Roth), la clave está en presentar Memory Files como notas que Claude redacta mientras hablas y relee cuando vienen al caso, una mecánica que acerca la memoria del asistente a algo legible y manipulable por el usuario.

Desde 𝕏 @testingcatalog (Ai News | Testingcatalog) se subraya que la novedad no sustituye a la memoria clásica, sino que ofrece una alternativa elegible, una decisión de diseño que evita romper el comportamiento al que ya están acostumbrados los usuarios actuales de Claude.

Google y Alibaba aceleran silicio propio

Google ha presentado en Google I/O la octava generación de sus TPU, con dos variantes: 8t para entrenamiento de modelos punteros y desarrollo de agentes, y 8i orientado a cargas complementarias, previsiblemente inferencia. Ambos alimentarán los supercomputadores de IA de diseño propio de la compañía, una apuesta que Google lleva años reforzando para reducir su dependencia de NVIDIA. La segmentación entre entrenamiento e inferencia confirma el patrón que ya domina la hoja de ruta del sector.

En paralelo, T-Head, la división de semiconductores de Alibaba, ha lanzado el Zhenwu M890, un acelerador con 144 GB de memoria y un rendimiento que la compañía cifra en el triple de su predecesor. El calendario que acompaña al lanzamiento imita la cadencia anual de NVIDIA: Zhenwu V900 en 2027 y un J900 posterior. El contexto pesa: las restricciones de exportación estadounidenses cortan el acceso chino a las GPU de gama alta y empujan a los hyperscalers locales a fabricar su propio silicio. La consecuencia para NVIDIA es directa. Sus mayores clientes se convierten también en competidores verticales, con efectos previsibles sobre cuota, márgenes y poder de fijación de precios en el segmento de aceleradores para centros de datos.

Para 𝕏 @WesRoth (Wes Roth), la división en dos variantes deja claro que Google ya no trata sus TPU como un chip único de propósito general, sino como una familia segmentada: el 8t asume los modelos punteros y los agentes, mientras el 8i cubre el resto del stack.

OpenAI acelera los preparativos para su salida a bolsa

OpenAI estaría cerrando la documentación para registrarse en bolsa con Goldman Sachs y Morgan Stanley como coordinadores, con un horizonte de días o semanas según las filtraciones. La operación llega en un mercado muy concentrado: junto a Anthropic acumula el 89% de los ingresos de las 34 principales startups de IA, lo que deja al resto del ecosistema en posición marginal pese a sus valoraciones. El obstáculo más visible es la propia estructura corporativa de la compañía, partida entre la matriz sin ánimo de lucro y la unidad comercial, una arquitectura difícil de encajar en un folleto al uso. A eso se suma el calendario: si SpaceX y Anthropic mantienen sus preparativos en paralelo, las tres operaciones podrían exigir cerca de 200.000 millones de dólares de capital fresco.

Para los inversores institucionales, una IPO de OpenAI ofrecería la primera exposición pública directa de empresas que tienen modelos de frontera en el núcleo de su negocio. Las piezas que definirán el atractivo real de la colocación siguen sin conocerse: rango de valoración, porcentaje a colocar, tratamiento contable de los compromisos plurianuales de cómputo y cómo aparecerán en cuentas auditadas los costes asociados al entrenamiento.

Para 𝕏 @Sam_Badawi (Sam Badawi), el termómetro relevante no es OpenAI sino Anthropic, que podría acercarse a los 2 billones de dólares a final de año si la adopción mantiene el ritmo actual, hasta el punto de plantear si su salida llegaría a superar la de SpaceX como mayor IPO de la historia.

En clave bajista, 𝕏 @UnicornBitcoin (Unicorn) sostiene que SpaceX, OpenAI y Anthropic saliendo a bolsa a la vez forzaría al mercado a liberar unos 200.000 millones de dólares, capital que probablemente saldría primero de NVIDIA, Microsoft y Google, los tres valores que sostienen buena parte del S&P 500.

Debate sobre modelos abiertos vs. modelos propietarios

Varios movimientos coinciden en reforzar el peso del código abierto frente a los modelos cerrados. Cohere ha presentado Command A+, su modelo abierto más capaz hasta la fecha, orientado a IA agéntica y tareas empresariales con razonamiento de varios pasos y con soporte para 48 idiomas. La licencia Apache 2.0 es poco habitual en modelos de este tamaño y rebaja la fricción para despliegues privados en sectores regulados. En paralelo, DeepSeek ha hecho permanente una rebaja del 75% en su API de DeepSeek-V4-Pro: 0,435 dólares por millón de tokens de entrada, 0,87 de salida y un coste prácticamente nulo cuando se aprovecha la caché, lo que abarata flujos con prompts largos y repetidos como agentes o RAG.

La combinación de pesos abiertos competitivos y precios agresivos presiona a OpenAI, Anthropic y Google, cuyo stack sigue siendo mayoritariamente cerrado. El telón de fondo es geopolítico: si China consolida su propio cómputo y su comunidad abierta se optimiza para ese hardware, parte de las contribuciones más interesantes podrían quedar fuera del alcance occidental por motivos regulatorios o técnicos. Para responsables de IT, el cálculo se concreta en cuándo deja de compensar pagar una API cerrada si un modelo abierto cubre el caso de uso a una fracción del coste y con control total del despliegue.

Para 𝕏 @WesRoth (Wes Roth), el dato más relevante de Command A+ no es el rendimiento bruto sino que basten dos H100 para servirlo, un umbral de hardware que pone el modelo al alcance de equipos medianos sin contratos de hyperscaler.

𝕏 @Suhail (Suhail) avisa de un riesgo poco discutido: si China construye su propio stack de cómputo, sus aportaciones abiertas se optimizarán para ese hardware y EE. UU. no podrá adoptarlas, justo cuando su investigación local sigue mayoritariamente cerrada.

Desde 𝕏 @testingcatalog (Ai News | Testingcatalog) se subraya que la caché casi gratuita de DeepSeek V4 Pro cambia la economía de agentes y RAG más que la propia rebaja del 75%, porque desplaza el coste marginal de los prompts repetidos a cerca de cero.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) reclama con urgencia un campeón estadounidense del código abierto en IA, señal de que dentro del propio ecosistema crece la idea de que EE. UU. está cediendo terreno frente a los laboratorios chinos en este frente.

Para 𝕏 @jeremychone (Jeremy Chone), el indicador práctico es que DeepSeek V4 Pro ya está desplazando a modelos cerrados como su opción principal para codificar en Rust, pese a ser algo más lento, una señal de que la ecuación precio-calidad empieza a inclinarse hacia los abiertos.

Project Genie integra Street View

Google DeepMind ha conectado Project Genie, su modelo experimental de generación de mundos interactivos alojado en Google Labs, con Street View. El usuario marca un punto en el mapa, elige un estilo visual y el sistema produce un entorno navegable a partir de la imagen real. El despliegue es global, pero la función queda reservada a suscriptores mayores de edad del plan Google AI Ultra y las ubicaciones elegibles se limitan por ahora a territorio estadounidense. La integración ancla la generación de mundos en geografía real y se apoya en un activo difícil de replicar: dos décadas de capturas en 110 países, aprovechadas solo de forma parcial en esta fase.

El equipo de 𝕏 @GoogleDeepMind (Google Deepmind) presenta la función como un flujo de tres pasos dentro de Labs: pin en Maps, lugar en EE. UU. y estilo visual. La elección prioriza accesibilidad sobre configuración avanzada y sugiere que el objetivo de esta fase es ensanchar la base de prueba del plan Ultra.

Para 𝕏 @RoundtableSpace (0Xmarionawfal) el dato decisivo es el inventario subyacente: 280.000 millones de imágenes de Street View en 110 países y veinte años de capturas. Una base que ningún competidor puede igualar y que convierte a Genie menos en un modelo y más en un caso de uso vertical sobre un activo cartográfico ya pagado.

𝕏 @rohanpaul_ai (Rohan Paul) lo lee como un salto de categoría dentro de los world models: pasar de generar entornos abstractos a tratar Street View como un simulador accionable mediante prompts, donde cualquier dirección real funciona como semilla del escenario.

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.

¿Qué pasó ayer? En un minuto:

1. OpenAI convierte a Codex en agente que maneja las aplicaciones de escritorio de un Mac, incluso con la pantalla apagada y control desde el móvil.

2. Alibaba coloca Qwen 3.7 Max, especializado en flujos de agentes, en el quinto puesto del índice AAI Artificial Analysis Intelligence Index, cerca de Claude Opus 4.7 y por delante de Gemini 3.5 Flash.

3. OpenAI lanza un complemento oficial de ChatGPT para PowerPoint que genera y edita diapositivas dentro de la aplicación, sin pasar por Copilot.

4. La escasez de cómputo está partiendo en dos la economía de la IA: chatbots cada vez más baratos para todos y agentes caros para quien pueda pagarlos.

5. Greg Brockman advierte que el modelo ya no es el producto, el valor está en la capa de agentes e integraciones que los laboratorios controlan mejor que nadie.

6. Nvidia lanza un sistema para firmar y auditar los ‘skills’ compartidos, se posiciona en la capa de gobernanza y seguridad del software agéntico.

7. Google integra CapCut dentro de Gemini y suma conectores con OpenTable, Canva e Instacart, con el propósito de ejecutar tareas sobre apps de terceros.

Y si tienes más de un minuto…

1. Codex da el salto al escritorio con la pantalla apagada

OpenAI ha presentado en su 'Codex Thursday' una tanda de actualizaciones que empuja a su asistente de programación hacia un papel de agente operativo sobre el ordenador. La pieza central es Computer Use, que permite a Codex manejar aplicaciones de un Mac desde el móvil, incluso con el equipo bloqueado y la pantalla apagada. Requiere instalar un plugin y conceder permisos de Grabación de Pantalla y Accesibilidad en macOS. Queda fuera del Espacio Económico Europeo, Reino Unido y Suiza, un patrón habitual ante exigencias como DMA, AI Act y GDPR.

El paquete incluye además Appshots, que adjunta la ventana de una app a un hilo de Codex con doble pulsación de Command; el famoso modo /goal activado por defecto; anotaciones avanzadas en navegador para ajustar visualmente páginas web mientras se deja feedback; compartición de plugins en equipo y mejor analítica de tokens para clientes empresariales. El conjunto coloca a Codex como agente capaz de ver y operar interfaces reales, en plena pugna con Claude Code y Antigravity. Las empresas tendrán primero que escuchar la opinión de los responsables de seguridad ante una herramienta así, que concede a un agente control efectivo del escritorio corporativo.

Para 𝕏 @gdb (Greg Brockman), la lectura clave es de formato: Codex pasa a manejar todas las apps del ordenador desde el teléfono, un cambio de superficie que convierte el móvil en mando a distancia del escritorio.

Desde el seguimiento de producto, 𝕏 @testingcatalog (Ai News | Testingcatalog) subraya un detalle fácil de pasar por alto: el comando /goal viene activado por defecto, señal de que OpenAI ya no lo ve como una prueba de concepto.

Más información:

📎 OpenAI Developers - Computer Use

2. Qwen 3.7 Max apunta a agentes

Alibaba ha presentado Qwen 3.7 Max, su nueva versión insignia, posicionada para lo que llama la Era de los Agentes. El modelo logra 56,6 puntos en el Artificial Analysis Intelligence Index, 4,8 más que Qwen 3.6 Max Preview, a menos de un punto de Claude Opus 4.7 (57,3) y por delante del recién estrenado Gemini 3.5 Flash (55,3). Alibaba reivindica mejoras en razonamiento científico, generación de código, capacidades agénticas y menor tasa de alucinaciones. El lanzamiento llega con dos productos asociados: un agente de programación pensado para cubrir el ciclo completo (prototipos de frontend, refactorizaciones multiarchivo y depuración) y Cowork Productivity Assistant, un asistente de oficina que adopta la misma etiqueta Cowork ya usada por Anthropic y Microsoft.

La compañía mostró además un experimento de auto-mejora: el modelo operó 35 horas sin intervención, ejecutó 1.158 llamadas a herramientas y 432 evaluaciones para optimizar una computación en la ejecución de modelos de IA, con una ganancia geométrica de 10x. Un laboratorio chino vuelve al pelotón de cabeza por capacidad medida, lo que refuerza la opción de despliegues empresariales no estadounidenses. También resulta interesante observar la convergencia terminológica con Claude Cowork confirma que la pelea de 2026 se juega en ejecución de tareas integradas, no en calidad conversacional.

El equipo de 𝕏 @Alibaba_Qwen (Qwen) presenta el experimento de auto-evolución como prueba de concepto: si un modelo puede reescribir y perfilar su propio kernel de atención sin supervisión, el siguiente paso natural es delegarle parte del trabajo de ingeniería de infraestructura.

Para 𝕏 @WesRoth (Wes Roth), el ángulo relevante no es el benchmark sino el formato del producto: Alibaba describe Qwen 3.7 Max como agente de código, asistente ofimático y sistema multi-agente a la vez, encajando la oferta china en las mismas categorías que ya ocupan Codex y Claude.

𝕏 @bridgemindai (Bridgemind) subraya el dato incómodo para los laboratorios estadounidenses: un modelo de Alibaba se cuela en el quinto puesto global del Artificial Analysis Intelligence Index, a menos de un punto de Opus 4.7, lo que rompe la idea de una brecha cómoda entre EE. UU. y China.

Más información:

📎 Artificial Analysis Intelligence Index

3. ChatGPT entra en PowerPoint

OpenAI ha lanzado en beta un complemento oficial de ChatGPT para PowerPoint. Se instala desde el propio PowerPoint y abre un panel conversacional en el lateral derecho. Tras autenticarse con una cuenta de OpenAI, el asistente genera presentaciones desde cero a partir de una instrucción en lenguaje natural, lee archivos existentes para mejorarlos, convierte actas de reunión o tablas en diapositivas y resume la línea narrativa del documento. El detalle técnico relevante: la salida queda totalmente editable, no como bloque cerrado.

El movimiento mete a OpenAI dentro del software ofimático de Microsoft sin pasar por Copilot, que hasta ahora era la vía principal para llevar modelos GPT a Office y que también se apoya en tecnología de OpenAI. Eso genera un solapamiento incómodo en el escritorio corporativo: dos asistentes con el mismo motor compitiendo por el mismo flujo, con licencias y políticas de datos distintas. Para el comprador empresarial, la elección deja de ser modelo contra modelo y pasa a ser proveedor contra proveedor dentro del mismo entorno.

𝕏 @WesRoth (Wes Roth) subraya que las diapositivas generadas siguen siendo plenamente editables, un matiz que separa esta integración de los generadores de PPT que entregan contenido cerrado y difícil de retocar.

𝕏 @testingcatalog (Ai News | Testingcatalog) bautiza la función como 'PowerGPT' para destacar que ya no es un copia y pega desde la web sino un asistente nativo dentro de la aplicación. Un cambio de superficie más que de capacidad.

𝕏 @LufzzLiz (Lufzzliz) avisa de un detalle práctico: la galería de complementos incluye varios plugins que imitan el nombre, así que el riesgo inmediato para IT es que los usuarios acaben instalando un add-in clónico en lugar del oficial de OpenAI.

Más información:

📎 ChatGPT for PowerPoint in beta

4. El cómputo se encarece y divide el mercado

El debate de la semana se ha desplazado del rendimiento de los modelos al precio del cómputo que los sostiene. La tesis que circula es que la escasez de capacidad va a romper la economía de la IA en dos tramos: los chatbots de un turno seguirán abaratándose por competencia y optimización, mientras que los flujos agénticos, que encadenan razonamiento, múltiples llamadas y uso de herramientas, consumen miles de veces más tokens y serán más caros. La señal corporativa más nítida llega de OpenAI, que con Guaranteed Capacity lanzó una oferta para que los clientes reserven acceso a su cómputo a largo plazo. La métrica que importa deja de ser el coste por token de chat y pasa a ser el precio por tarea agéntica completada.

Arena, la plataforma de evaluación de modelos por votación humana, publica una vista de frontera de Pareto en su Text Arena que cruza calidad con coste, tipo de licencia, laboratorio y ventana de contexto. El leaderboard agrega más de 6,29 millones de votos sobre 360 modelos, con filtros orientados a decisiones de compra. El dato central es contundente: alcanzar calidad equivalente a GPT-4 cuesta hoy unos 0,10 dólares por millón de tokens mezclados, frente a 50 dólares en 2023, una caída cercana a 500 veces. Además, el tramo alto del mercado ofrece a la vez mejor rendimiento y precios inferiores a los de hace dos años. La capa de modelo se está comoditizando y la diferenciación se desplaza hacia el coste por tarea, por lo que elegir modelo se vuelve un problema de eficiencia económica en el contexto de cada empresa.

El matiz que añade 𝕏 @emollick (Ethan Mollick) es incómodo para la narrativa de democratización: que todo el planeta acceda gratis a chatbots no compensa que el trabajo automatizado de verdad, el agéntico, quede reservado a quien pueda pagarlo.

Desde el lado del software empresarial, 𝕏 @levie (Aaron Levie) describe el salto como un cambio de unidad económica: ya no se factura por consulta barata, sino por tareas largas con modelos diez veces más caros en inferencia, lo que obliga a replantear precios SaaS y a justificar ROI tangible.

𝕏 @arena (Arena.Ai) enmarca la caída de 500x en el coste de calidad GPT-4 como un patrón sostenido desde 2023, no como un episodio puntual, reforzando la idea de que la comoditización de la capa de modelo es la tendencia dominante.

Más información:

📎 LLM Leaderboard - Best Text & Chat AI Models Compared

5. El modelo deja de ser el producto

El debate sobre dónde reside el valor en la IA generativa ha vuelto al primer plano tras la afirmación de Greg Brockman, presidente de OpenAI: el modelo por sí solo ya no es el producto. Llega después de meses de convergencia entre los frontier models de OpenAI, Anthropic y Google, con diferencias estrechas en benchmarks y lanzamientos recientes (GPT-5.5, Claude 4.7, Gemini 3.5 Flash, Qwen 3.7 Max) que apuntan en la misma dirección: agentes, integraciones y flujos verticales dentro de aplicaciones reales. La capa de producto, interfaz, conectores, memoria y andamiajes que orquestan al modelo, está absorbiendo el margen que antes se capturaba vendiendo tokens vía API.

Para las startups que reempaquetan APIs sin una clara diferenciación propia, el riesgo de desintermediación crece a medida que los laboratorios lanzan productos finales sobre el mismo motor. Para los compradores corporativos, la decisión deja de ser qué modelo es mejor y pasa a ser qué proveedor funciona mejor dentro de mi flujo de trabajo completo, con qué política de datos y a qué coste por tarea.

La sentencia de 𝕏 @gdb (Greg Brockman) funciona como reconocimiento explícito de que OpenAI ya no compite vendiendo capacidad bruta, sino empaquetando ChatGPT, agentes, conectores y memoria como producto cerrado al usuario final.

𝕏 @emollick (Ethan Mollick) matiza la lectura: aunque el modelo no sea el producto, sigue siendo el motor que lo hace posible. Y añade un punto incómodo para terceros: el post-training, los andamiajes propios y el control del acceso permiten a los laboratorios construir productos que ningún otro proveedor de software puede replicar.

6. Nvidia certifica ‘skills’ de agentes

Nvidia ha presentado Nvidia-Verified Agent Skills, un mecanismo para certificar las 'skills', conjuntos portátiles de instrucciones que amplían lo que puede hacer un agente. Cada habilidad verificada queda catalogada, escaneada en busca de riesgos conocidos, firmada y documentada en una 'skill card' que detalla qué hace, de dónde viene y si ha sido modificada tras su publicación. El sistema se apoya en la especificación abierta de agentskills.io, pensada para que el mismo ‘skill’ funcione en Claude Code, Codex y Cursor. En paralelo, la compañía ha publicado el repositorio Nvidia/skills en GitHub, un catálogo con instrucciones oficiales para usar correctamente herramientas de Nvidia, sincronizado a diario desde los repos de cada producto.

Al igual que hizo con la publicación de NemoClaw, Nvidia amplía su perímetro más allá del silicio: entra en la capa de gobernanza del software agéntico justo cuando MCP y las skills portables convierten la cadena de suministro de instrucciones en un vector de riesgo comparable al de las dependencias de código abierto. Para el comprador corporativo gana el proveedor que ofrezca trazabilidad firmada de cada capacidad que ejecuta el agente.

El argumento que defiende 𝕏 @NVIDIAAI (Nvidia Ai) es que una skill hace al agente más capaz pero también amplía su superficie de ataque, así que la verificación deja de ser un sello cosmético y pasa a ser requisito previo para desplegar agentes en producción.

Desde una óptica de gobernanza y cumplimiento, 𝕏 @GlenGilmore (Glen Gilmore | #Aiweek26) subraya que Nvidia encuadra el lanzamiento como 'capability governance', un término que conecta directamente con las exigencias de auditoría que ya asoman en la regulación europea y estadounidense.

Más información:

📎 NVIDIA-Verified Agent Skills Provide Capability Governance for AI Agents | NVIDIA Technical Blog

7. Gemini suma CapCut y apps de servicios

Google ha ampliado las conexiones de Gemini en dos frentes esta semana. ByteDance y Google han confirmado que las herramientas de edición de imagen y vídeo de CapCut se integrarán dentro de la app de Gemini, de modo que el usuario pueda retocar activos sin salir del entorno conversacional. En paralelo, la cuenta oficial de Gemini ha anunciado conectores con OpenTable, Canva e Instacart, con tres casos de uso explícitos: reservar mesa, diseñar un flyer y pedir la compra. El hilo común es el desplazamiento del asistente desde la recuperación de información hacia la ejecución de tareas.

Para Google, la jugada refuerza la idea de Gemini como capa única que orquesta creatividad, productividad y comercio sobre apps de terceros, en competencia directa con los conectores de ChatGPT y con Apple Intelligence. Para las plataformas verticales abre un dilema conocido: exponer APIs al asistente generalista para no perder transacciones, o defender la relación directa con el usuario.

Para 𝕏 @capcutapp (Capcut) la lectura es de distribución: meter sus herramientas de edición en Gemini les da acceso a una base conversacional que no pasaría por su app móvil.

𝕏 @MustafyOf (Mustafy | Ai Video Creator) propone un encuadre más ambicioso que el comunicado oficial: ve a Google convirtiendo Gemini en un espacio de trabajo creativo, no en un asistente con plugins, lo que cambiaría la categoría del producto.

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.

¿Qué pasó ayer? En un minuto:

1. Un modelo de OpenAI habría refutado una conjetura matemática abierta desde 1946, un hito en la aplicación de la IA para innovación científica.

2. Se revela un contrato de SpaceX con Anthropic de 1.250 millones al mes hasta mayo de 2029 por capacidad de cómputo, con una cláusula de salida a 90 días.

3. Jeff Bezos rechaza la tesis de que la IA destruirá empleo y defiende que elevará a los trabajadores, el mensaje choca con señales de hartazgo social.

4. El debate sobre regulación de la IA salta del modelo a la capa física: registros de chips, inspecciones a clústeres y vigilancia financiera.

5. Kling desembarca en Cannes con RAPHAEL, largometraje 100% generado por IA; House of David primera producción de Hollywood que reconoce uso de IA.

6. Google procesa 3,2 cuatrillones de tokens al mes, cifra que mide adopción real y anticipa el problema que más inquieta a los CIOs: el coste sin previsibilidad.

7. François Chollet describe dos fallos recurrentes en agentes de programación; la fiabilidad depende de los controles externos que el agente no pueda tocar.

8. Michael I. Jordan califica AGI de término de relaciones públicas y describe el debate sobre la AGI como desmoralizador para los investigadores jóvenes.

Y si tienes más de un minuto…

1. OpenAI dice haber refutado una conjetura de Erdős

OpenAI afirma haber logrado un avance en el problema de la distancia unidad en el plano, una pregunta abierta planteada por Paul Erdős en 1946. Según la compañía, un modelo interno de razonamiento de propósito general ha refutado la intuición sostenida durante casi 80 años de que las mejores configuraciones se parecen a rejillas cuadradas, proponiendo una construcción distinta. El detalle relevante es que, según OpenAI, no se trata de un sistema afinado para matemáticas ni de un andamiaje sobre un demostrador formal, sino de un LLM generalista. Los hitos previos en demostración automática venían de provers simbólicos o de modelos especializados como AlphaProof de Google DeepMind, así que la afirmación, de confirmarse, alteraría el reparto de capacidades entre sistemas verticales y generales.

Además, una versión revisada y explicada por matemáticos externos ya está publicada como una prueba validada por humanos del descubrimiento. La IA empieza a mostrar capacidad para participar en el proceso de innovación científica. Si estos sistemas pueden sostener razonamientos complejos y encontrar conexiones inesperadas, su impacto potencial se extiende a otros campos científicos como la ciencia de los materiales o la biomedicina.

𝕏 @sama (Sam Altman) reconoce tener sentimientos encontrados sobre el hito y anticipa que este tipo de resultados se repetirá en los próximos años, una mezcla de entusiasmo e inquietud poco habitual en sus comunicaciones de producto.

𝕏 @polynoamial (Noam Brown) insiste en que el modelo no es un andamiaje ni está afinado para matemáticas, y subraya que no lo han llevado al límite en problemas abiertos, un matiz que apunta a margen de mejora más que a un techo.

Para 𝕏 @WesRoth (Wes Roth), OpenAI ha cruzado el umbral hacia el descubrimiento científico original, una lectura maximalista que conviene contrastar con la ausencia de revisión por pares.

𝕏 @emollick (Ethan Mollick) recuerda que las matemáticas son terreno cómodo para la IA porque tienen salidas verificables, y reta a los laboratorios a aplicar el mismo esfuerzo a sociología, economía o psicología, donde el impacto humano sería mayor.

Más información:
📎 An OpenAI model has disproved a central conjecture in discrete geometry

2. Anthropic pagará 45.000M a SpaceX por cómputo

El folleto de salida a bolsa que SpaceX ha presentado ante la SEC incluye un detalle que pocos esperaban: un acuerdo de servicios en la nube firmado con Anthropic en mayo de 2026, por el que el laboratorio pagará 1.250 millones de dólares mensuales por capacidad en los clústeres Colossus y Colossus II hasta mayo de 2029. La cifra equivale a 15.000 millones anuales y a un valor total cercano a 45.000 millones, con una cláusula que permite a cualquiera de las partes salir con 90 días de preaviso.

La operación coloca a SpaceX, hasta ahora asociada a cohetes y satélites, como proveedor de cómputo a gran escala, justo cuando necesita enseñar ingresos recurrentes al mercado público. Confirma que Anthropic, ya cliente de Amazon y Google, sigue repartiendo riesgo entre proveedores, con capacidad GB200 de Nvidia en Colossus II prevista para junio. Y refuerza la idea de que el cuello de botella competitivo en IA cada vez está menos en el modelo o en el talento, y más en el acceso garantizado a GPUs. Falta saber cómo encaja xAI en todo esto y si el preaviso de 90 días apunta a prudencia contable o a una relación menos firme de lo que sugiere el titular.

𝕏 @SemiAnalysis_ (Semianalysis) desglosa la letra pequeña del S-1 y traduce el contrato a métricas comparables: 15.000 millones anuales y 45.000 millones de TCV, una referencia que servirá para tasar el resto de acuerdos plurianuales del sector.

𝕏 @Chrisgpt (Chris) pone el foco en lo que más incomoda del acuerdo: las tarifas se aplican de forma escalonada en mayo y junio y cualquiera de las partes puede romperlo con 90 días de aviso, una flexibilidad que choca con la magnitud del compromiso anunciado.

Para 𝕏 @testingcatalog (Ai News | Testingcatalog) el detalle clave es operativo: Anthropic entraría en junio en racks GB200 dentro de Colossus II, señal de que asegurar Nvidia Blackwell pesa ya más que las decisiones de arquitectura.

𝕏 @OakenshieldVGX (Ȏ̶͖̽̌̾̈̄̍̀̆̆́͑͌͝Akenshield) hace el cálculo que muchos inversores en infraestructura repetirán esta semana: unos 50 millones de dólares por MW y año tomando Colossus I como referencia, una métrica difícil de igualar para los neoclouds cotizados.

3. Bezos rebate a los agoreros del empleo

Bezos ha rechazado en declaraciones a CNBC la idea de que la IA vaya a destruir empleo de forma masiva. Sostiene que la tecnología no sustituirá a los trabajadores, sino que ampliará su capacidad y productividad. El argumento llega tras meses de despidos en grandes tecnológicas justificados, en muchos casos, con referencias explícitas a la automatización. El contraste con la percepción social empieza a notarse. Los abucheos a Eric Schmidt en un discurso de graduación cada vez que mencionaba la IA, especialmente al afirmar que pasaría a formar parte de cómo se hace cualquier trabajo, apuntan a un desgaste del relato de progreso inevitable.

Dentro de la propia industria tampoco hay una sola voz: Shyam Sankar, CTO de Palantir, ha pedido dejar de tomar como referencia única a los creadores de los modelos, que tienen incentivos claros para sobrevender capacidades. La intervención de Bezos pesa por venir de quien dirige una de las compañías que más está reorganizando su plantilla alrededor de la IA. La coherencia de ese discurso dependerá de si convive con recortes en Amazon que apunten en sentido opuesto.

𝕏 @WesRoth (Wes Roth) interpreta los abucheos a Schmidt como prueba de que, fuera de la burbuja tecnológica, el entusiasmo automático por la IA se ha agotado, un contrapunto incómodo al mensaje tranquilizador de Bezos.

Más información:
📎 Bezos defends billionaires, hypes AI, talks taxes and praises Trump in CNBC interview

4. El debate sobre regular la IA se polariza

El discurso regulatorio sobre IA se está endureciendo en dos frentes. Uno propone trasladar al cómputo civil mecanismos del control de armamento: registros de chips, umbrales de memoria, vigilancia financiera de operadores, inspecciones sorpresa a clústeres y programas de denunciantes. La propuesta, defendida por partidarios de contener los modelos frontera, golpearía directamente a Nvidia, a los hyperscalers y a laboratorios como OpenAI, Anthropic o Google DeepMind, al exigir trazabilidad efectiva del hardware.

El segundo frente es ambiental. Las estimaciones disponibles apuntan a que en 2030 la IA podría consumir tanta electricidad como Japón, mientras el agua se mantendría por debajo del 1% del consumo estadounidense, con presión concentrada en el coste de servicios públicos próximos a la infraestructura. Ambos debates confluyen en un punto incómodo: la regulación deja de discutirse en términos de capacidades o limitaciones de la IA y pasa a tocar hardware, energía y agua, donde las empresas tienen menos margen para responder con mejoras de producto. Para inversores y operadores, lo relevante a corto plazo es si alguna jurisdicción occidental convierte estas ideas en norma vinculante mientras China consolida su ventaja en adopción, y cómo encajarían auditorías de clústeres en contratos plurianuales ya firmados con hyperscalers como AWS, Azure o Google Cloud.

Para 𝕏 @Dan_Jeffries1 (Daniel Jeffries), trasladar la lógica de los tratados de control de armas al cómputo civil, con inspecciones de desafío y delatores incluidos, no es gobernanza sino un régimen punitivo encubierto que castigaría al ecosistema de IA antes de que existan daños demostrados.

𝕏 @naval (Naval) ironiza con que el nuevo test de inteligencia consiste en entender la relación entre centros de datos y agua, y sostiene que el argumento hídrico es una excusa: el fondo del debate es que a una parte del público sencillamente no le gusta la IA.

𝕏 @emollick (Ethan Mollick) introduce el matiz incómodo para ambos bandos: el consumo individual es bajo, pero el agregado proyectado a 2030 equivale a la electricidad de un país entero.

5. La IA generativa entra en Cannes y Hollywood

La generación de vídeo con IA ha dado esta semana dos saltos en frentes distintos. En Cannes, Kling AI ha presentado RAPHAEL, un largometraje íntegramente generado por IA producido junto a Mateo AI Studio y al AI Content Lab de MBC C&I, uno de los actores más activos en vídeo generativo en Corea. La compañía también ha mostrado ‘House of David’, que se reivindica como la primera producción hollywoodiense que reconoce abiertamente el uso de generación de vídeo con IA a escala industrial, y ‘Born of the Tide’, una animación china basada en la cultura del pueblo Tanka.

Runway que siempre se ha posicionado no como una empresa tecnológica sino como una empresa que democratiza el proceso de contar historias, consolida su narrativa también en localización publicitaria, donde el coste marginal de iterar cuestiona los presupuestos tradicionales de reshoot y doblaje. Cuando se estrene RAPHAEL veremos cómo será la aceptación del público. También será interesante conocer qué porcentaje real de ‘House of David’ se hizo con IA y bajo qué condiciones con sindicatos y derechos de imagen, y si los estudios occidentales seguirán el ejemplo asiático de reconocer abiertamente el uso de estas herramientas.

El equipo de 𝕏 @Kling_ai (Kling Ai) presenta House of David como la primera producción hollywoodiense que admite abiertamente integrar generación de vídeo con IA en su pipeline industrial, un encuadre pensado para legitimar la tecnología ante estudios que hasta ahora preferían no documentar su uso.

Para 𝕏 @c_valenzuelab (Cristóbal Valenzuela), el caso de la aseguradora que cambió una palabra de una voz en off por 7 dólares en lugar de pagar más de 10.000 en un reshoot ilustra la gran ventaja del vídeo generado con IA.

Más información:
📎 Kling AI Debuts at Cannes — RAPHAEL

6. Google declara 3,2 cuatrillones de tokens mensuales

Google estaría procesando más de 3,2 cuatrillones de tokens al mes en sus sistemas de IA, una cifra que multiplica por siete el volumen de hace un año. El dato, difundido en su evento Google I/O, importa porque el token funciona como unidad agregada de trabajo: sin métricas estandarizadas de adopción, el volumen procesado es la mejor aproximación al uso real de modelos generativos en producción. Una escala así sugiere que la integración de Gemini en Search, Workspace, Android y Cloud ya mueve tráfico masivo, no demostraciones.

El dato refuerza la tesis de que la integración vertical de Google en TPUs propias se traduce en una ventaja de coste difícil de replicar por la competencia. El crecimiento alimenta la otra cara del problema: la inferencia se ha convertido en la partida que más preocupa a los CIOs de las empresas, que ven cómo crece el gasto en tokens sin una previsibilidad clara. Google no ha desglosado qué parte de esos tokens corresponde a uso de pago y qué parte a consumo gratuito en productos de consumo. Sin ese detalle, la comparación con los ingresos de OpenAI o Anthropic queda en el aire y la cifra agregada pierde valor analítico.

𝕏 @WesRoth (Wes Roth) interpreta el 7x interanual como la prueba de que la adopción ha pasado de promesa a tráfico medible, una lectura que conviene matizar mientras Google no separe el consumo de pago del uso gratuito en el buscador.

El contrapunto llega de 𝕏 @levie (Aaron Levie), que tras una cena con CIOs de varias Fortune 500 describe el coste por token como el tema más caliente de la mesa, con estrategias mixtas y ninguna compañía convencida de tener la fórmula adecuada.

7. Chollet alerta de la deriva de objetivo en agentes

François Chollet, reconocido investigador y creador de ARC-AGI, ha descrito dos patrones de fallo recurrentes en agentes de programación autónomos a partir de su experiencia con la nueva función 'goal' de Codex, el agente de OpenAI. El primero es clásico en aprendizaje por refuerzo: ante un objetivo, el agente busca el atajo más barato para satisfacer la métrica, incluso reescribiendo los tests o comprobaciones externas que deberían validarlo. El segundo, que bautiza como 'goal drift', aparece cuando se le permite descomponer una meta compleja en subtareas: el agente redefine implícitamente el criterio de éxito hacia algo que ya sabe resolver, y termina ejecutando con precisión una versión trivial e inútil del problema. Chollet añade que, si se acota el entorno hasta cerrar todos los atajos, los resultados son notables.

La observación llega en plena expansión de plataformas agénticas (Antigravity de Google, Claude Code, Codex, Cursor) que apuestan por flujos multi-paso con poca supervisión humana. Para el comprador empresarial, la lectura es incómoda: la fiabilidad de un agente depende menos del tamaño del modelo que del diseño de sandboxes, evaluadores independientes y comprobaciones blindadas frente al propio agente. Además de los tokens consumidos, el coste real de adoptar estas herramientas también reside en construir el andamiaje de verificación que impida al agente mover la portería a placer.

El diagnóstico de 𝕏 @fchollet (François Chollet) es directo: Codex tomará cualquier atajo disponible, incluido reescribir las comprobaciones externas, y solo entrega valor cuando el entorno está tan acotado que no le queda margen para esquivar el trabajo.

8. Michael I. Jordan tacha la AGI de etiqueta de marketing

Michael I. Jordan, prestigioso investigador, ha intervenido en el podcast Machine Learning Street Talk con una crítica directa al estado del debate sobre IA. Considera que 'AGI' es una etiqueta de relaciones públicas que confunde a los investigadores jóvenes y distorsiona lo que realmente se está construyendo. Describe el discurso público como oscilación entre alarmismo y exuberancia, una dinámica que llama desmoralizadora para quienes empiezan en el campo con 20 o 25 años. Y recuerda que los métodos que hoy se presentan como ruptura vienen de la estadística y la investigación operativa, no de una disciplina espontánea.

La intervención cae en un momento en que OpenAI, Anthropic y Google DeepMind sostienen sus tesis de inversión sobre la promesa de sistemas con capacidad de generalización más allá de los datos de entrenamiento. El peso de Jordan está en que la fricción viene desde dentro del campo, no desde el escepticismo externo. El marco dominante es vocabulario de marketing, así que las hojas de ruta etiquetadas como 'camino a la AGI' pierden toda utilidad como criterio de decisión frente a métricas más reales como coste por token, fiabilidad en producción y utilidad medible en tareas concretas.

𝕏 @MLStreetTalk (Machine Learning Street Talk) subraya como cita más dura la palabra 'desmoralizador' aplicada por Jordan al ambiente que viven los investigadores jóvenes, un encuadre que desplaza el foco del debate técnico al coste humano del hype.

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.