¿Qué pasó ayer? En un minuto:

La actualización de Codex apunta al santo grial de convertir los agentes de IA en herramientas capaces de ejecutar cualquier tarea que hoy hacemos desde un ordenador. Word, Excel, Powerpoint dejarían de ser aplicaciones con su IA integrada y pasarían a formar parte de las herramientas de un asistente horizontal para el trabajo digital.

La programación ha sido el primer gran territorio donde los agentes han demostrado valor porque ofrece entornos estructurados, objetivos verificables y ciclos rápidos de corrección. El siguiente paso natural es trasladar esa capacidad al escritorio completo. Pero también conviene recordar que no es la primera vez que la industria promete ordenadores manejados por agentes. Las demos suelen impresionar; el uso real, con errores, permisos, interfaces cambiantes, suele frustrar. En los próximos días veremos el avance real tras esta nueva iteración.

Mientras tanto, Anthropic recuerda que la IA ya se usa como guía personal en temas sensibles. Esto exige usuarios más conscientes: un modelo puede sonar empático y seguro, pero también reforzar malas decisiones si se acepta sin criterio.

La nota más esperanzadora llega desde la clínica Mayo. La detección precoz de cáncer de páncreas mediante IA, antes de que ningún especialista lo pueda diagnosticar, muestra un potencial enorme: salvar vidas y reducir costes sanitarios.

Y si tienes más de un minuto…

Codex se actualiza con nuevas capacidades

OpenAI ha actualizado Codex para convertirlo en una herramienta de productividad horizontal. La nueva versión permite seleccionar roles de trabajo, conectar aplicaciones externas y ejecutar tareas en lenguaje natural: documentos, presentaciones, hojas de cálculo, investigación y planificación. Dos novedades técnicas concretan el salto. La primera es Computer Use, que permite al agente operar el ordenador de forma autónoma y que, según datos internos del anuncio, ejecuta ciertos flujos de trabajo un 42% más rápido. La segunda es Chronicle, una función de memoria pasiva que registra la actividad del usuario y amplía la utilidad del agente más allá de tareas puntuales. El movimiento sitúa a OpenAI frente a Anthropic, que lleva meses desarrollando su propia función Computer Use en Claude aunque sin una adopción relevante.

Para 𝕏 @gdb (Greg Brockman), Codex ya no tiene restricciones de perfil ni de tipo de tarea: lo describe como una herramienta para cualquier persona y cualquier trabajo hecho con un ordenador, definición que equivale a un agente horizontal sin segmento fijo.

𝕏 @DotCSV (Carlos Santana) subraya el paralelismo con Anthropic y apunta que Codex sigue el mismo camino que Claude hacia una plataforma agéntica de trabajo general, con dominios que ya incluyen finanzas, diseño y marketing además de programación.

Anthropic publica un estudio sobre el uso de Claude como guía personal

Anthropic acaba de poner cifras a uno de los usos más sensibles de la IA generativa: pedir consejo personal. En un análisis con preservación de privacidad sobre una muestra aleatoria de un millón de conversaciones, la compañía detectó que alrededor del 6% de los intercambios no buscaban solo información, sino orientación sobre qué hacer a continuación. Más de tres cuartas partes de esas consultas se concentraban en cuatro ámbitos: salud y bienestar, carrera profesional, relaciones y finanzas personales. Esto confirma que los asistentes de IA ya están entrando en decisiones de alto impacto cotidiano, desde aceptar un empleo hasta gestionar vínculos personales o dilemas económicos.

La conclusión es que los modelos frontera no deben únicamente responder mejor, sino saber cuándo no complacer al usuario. Anthropic identifica la “adulación” o exceso de complacencia como un riesgo específico: apareció en el 9% de las conversaciones de este tipo, pero subió al 25% en relaciones y al 38% en espiritualidad. Para corregirlo, la compañía utilizó escenarios sintéticos de entrenamiento centrados en conversaciones relacionales difíciles, observando en Claude Opus 4.7 una reducción a la mitad de esa conducta frente a Opus 4.6 en orientación sobre relaciones. Los sistemas de IA que acompañen decisiones humanas deberán combinar empatía, franqueza, límites profesionales y diseño responsable, especialmente cuando el usuario no tiene acceso a otras fuentes de apoyo.

𝕏 @AnthropicAI (Anthropic) defiende que convertir el análisis de un millón de conversaciones reales en un impacto directo en el entrenamiento futuro de los modelos es un ejercicio de transparencia que la mayoría de laboratorios describe en teoría pero rara vez documenta.

IA detecta cáncer de páncreas tres años antes del diagnóstico clínico

Investigadores de Mayo Clinic han desarrollado un modelo de IA capaz de identificar cáncer de páncreas en tomografías abdominales rutinarias hasta tres años antes de que se produzca un diagnóstico clínico convencional. El modelo detecta cambios estructurales sutiles que escapan a la percepción humana y opera sobre exploraciones ya realizadas por otras razones médicas, sin requerir pruebas adicionales. Ese detalle importa más de lo que parece: elimina la necesidad de un cribado específico y reduce la fricción para la adopción hospitalaria. El cáncer de páncreas tiene una de las tasas de supervivencia más bajas entre los tumores sólidos precisamente porque, en la mayoría de casos, se diagnostica en fases avanzadas. Tres años de ventana cambian el escenario terapéutico de forma sustancial. Lo que separa este tipo de resultados de su impacto real en pacientes es el proceso regulatorio: los tiempos de validación clínica y los estándares de aprobación varían considerablemente entre sistemas sanitarios, y ninguno de los dos anuncios ofrece plazos concretos para la integración en flujos de trabajo hospitalarios.

Para 𝕏 @WesRoth (Wes Roth), lo relevante no es solo la anticipación diagnóstica sino que el modelo actúa sobre imágenes tomadas para otras pruebas médicas, lo que convierte la detección precoz en algo viable sin infraestructura adicional.

Los tics creativos de GPT-5.5 al descubierto

GPT-5.5 tiene preferencias narrativas documentadas: faros, mapas, torres con campanas que suenan a horas imposibles, el topónimo recurrente ‘Mira Vale’, catástrofes antiguas y metáforas rebuscadas con criaturas mitológicas. Claude y Gemini comparten algunos de estos rasgos, en particular el gusto por resonancias y ecos, lo que indica que no son peculiaridades de un modelo concreto sino patrones que emergen del entrenamiento a escala. En paralelo, GPT-imagen-2 demuestra un control semántico fino al producir cuadrículas de 5x5 en imágenes. Los dos hallazgos apuntan en direcciones distintas. En texto, los modelos convergen hacia arquetipos comunes que los hacen reconocibles sin herramientas especializadas. Es como la personalidad del modelo. En imagen, ese mismo control semántico abre posibilidades reales para diseño y narrativa visual profesional. El detalle más relevante para quienes trabajan en detección de contenido generado es la estabilidad de estos patrones a lo largo del tiempo: si los tropos se repiten entre versiones, constituyen una huella aprovechable para detectar el origen del contenido.

Ante la oleada de demostraciones, 𝕏 @sama (Sam Altman) se limitó a escribir ‘artificial goblin intelligence: achieved’, un guiño a la comunidad técnica que indirectamente ha influido en la preferencia de su modelo por esta criatura.

Código abierto en IA: el reto regulatorio sin respuesta

Regular la inteligencia artificial es más manejable cuando los modelos los desarrollan y sirven un puñado de empresas identificables. Con modelos de código abierto, esa lógica se rompe: cualquier organización o individuo puede descargar, modificar y desplegar un modelo como Llama o los de Mistral, lo que fragmenta la responsabilidad entre miles de actores dispersos. Los marcos regulatorios tradicionales no están diseñados para ese escenario. La tensión se vuelve concreta con las investigaciones abiertas por el ‘House Homeland Security Committee’ y el ‘House China Select Committee’ a Airbnb y Anysphere, la empresa detrás de Cursor. Según documentos revisados por Semafor, ambos comités enviaron cartas formales a los CEOs solicitando información sobre su uso de modelos de origen chino. Anysphere construyó su modelo Composer 2 sobre Kimi, de Moonshot AI (Pekín); Airbnb recurrió a Qwen, de Alibaba, para un agente de atención al cliente. Los comités citan riesgos de seguridad nacional y posibles vulnerabilidades ocultas. El caso expone una disyuntiva sin salida limpia: una regulación estricta sobre el código abierto concentraría aún más el mercado en los grandes laboratorios propietarios; una regulación laxa dificulta el control de usos problemáticos. Ninguna de las dos opciones está resuelta, y el Congreso de Estados Unidos acaba de convertir esa ambigüedad en un expediente formal.

Para 𝕏 @emollick (Ethan Mollick), la asimetría es estructural: regular modelos propietarios servidos por pocas empresas grandes es relativamente directo, pero extender esa lógica a modelos de código abierto distribuidos entre actores descentralizados no tiene un mecanismo obvio. Anticipa que esa brecha se convertirá pronto en un debate político de fondo.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) enmarca las investigaciones del Congreso como un intento de restringir el código abierto en beneficio de los grandes laboratorios propietarios, y señala a Cursor como ejemplo concreto de negocio que perdería la capacidad de hacer ajuste fino sobre modelos base para reducir costes y mejorar rendimiento.

Un chatbot de IA mejora la salud mental en ensayo clínico

Un ensayo clínico aleatorizado realizado en mujeres en México ha medido el efecto de un chatbot terapéutico de IA sobre la salud mental durante seis meses. Los resultados muestran una mejora de 0,3 desviaciones estándar, un tamaño de efecto que en psicología clínica se considera equiparable al de intervenciones presenciales de baja intensidad. El estudio también detectó mejoras en calidad del sueño, conductas saludables, funcionamiento diario y resultados laborales, sin aumento de casos graves. Ese último punto importa: la principal objeción ética a la IA en salud mental ha sido siempre el riesgo de daño, y aquí no aparece. El peso del dato viene del método. El ensayo aleatorizado es el estándar más exigente en investigación médica, y en salud mental digital los productos comerciales se multiplican mientras los estudios rigurosos escasean. Para sistemas sanitarios con déficit estructural de profesionales, la relación coste-beneficio es difícil de ignorar. Lo que este ensayo no resuelve es su alcance real: la muestra es específica, y no hay datos sobre si los resultados se sostienen en hombres, en otras poblaciones o en contextos con mayor acceso a atención presencial. Reguladores, aseguradoras y responsables de salud pública tienen ahora evidencia sólida para el debate, pero el marco de supervisión clínica y los criterios de derivación a profesionales siguen sin definirse.

Para 𝕏 @emollick (Ethan Mollick), el ensayo combina dos atributos poco frecuentes a la vez: impacto clínico demostrable y coste bajo. Lo califica de argumento concreto para la adopción en sistemas sanitarios con recursos limitados.

Stripe crea una cartera de pagos para agentes de IA

Stripe ha lanzado Link Wallet for Agents, una extensión de su cartera digital Link pensada para que agentes de inteligencia artificial puedan ejecutar compras de forma autónoma sin exponer las credenciales de pago reales del usuario. Ese último punto es el núcleo del producto: el agente opera con permisos delegados, no con acceso directo a los datos financieros. Link parte con más de 250 millones de usuarios registrados, una base de distribución que ningún competidor directo en este segmento tiene de entrada. El lanzamiento llega cuando OpenAI, Anthropic y Google aceleran el desarrollo de agentes capaces de actuar en internet con autonomía creciente, y el pago autónomo sigue siendo uno de los problemas sin resolver en esos sistemas: cómo completar una transacción sin que el usuario intervenga ni asuma riesgo de exposición de datos. Stripe lleva años siendo infraestructura de facto para startups y empresas de software; este producto intenta replicar ese papel en la economía de agentes antes de que los propios laboratorios de IA o plataformas rivales fijen sus propios estándares. Lo que el lanzamiento no aclara es qué modelo de responsabilidad se aplica cuando un agente ejecuta una transacción errónea, ni cómo se gestionarán los límites de gasto y los permisos de forma granular.

Para 𝕏 @WesRoth (Wes Roth), la clave no es solo técnica sino de posicionamiento: Stripe entra en la infraestructura de la economía agéntica con 250 millones de usuarios ya existentes, una ventaja de salida difícil de replicar desde cero.

Biohub destina 500 millones a modelos celulares con IA

Chan Zuckerberg Biohub ha lanzado la Virtual Biology Initiative con un compromiso de 500 millones de dólares para construir modelos de IA predictivos de la célula humana: sistemas capaces de simular el comportamiento celular con suficiente fidelidad como para anticipar mecanismos de enfermedad y orientar el desarrollo de terapias. No es la primera gran apuesta de Mark Zuckerberg y Priscilla Chan en biomedicina: Chan Zuckerberg Initiative ya había comprometido miles de millones a la erradicación de enfermedades. Este paso, sin embargo, es más específico. Apunta a la biología computacional como infraestructura científica, con la premisa de que la IA puede comprimir décadas de investigación experimental. Un gemelo digital de la célula suficientemente preciso reduciría la dependencia de la experimentación in vitro e in vivo en fases tempranas, abarataría el descubrimiento de dianas terapéuticas y abriría la puerta a simulaciones de respuesta individual a fármacos. El obstáculo de fondo no es computacional: construir ese modelo exige datos biológicos a una escala y calidad que todavía no existen de forma consolidada. La distribución interna del presupuesto, cuánto va a generación de datos, cuánto a desarrollo de modelos y cuánto a infraestructura, será determinante para saber si la iniciativa produce herramientas científicas transferibles o se queda en investigación de frontera sin adopción clínica a corto plazo.

Para 𝕏 @WesRoth (Wes Roth), la escala del compromiso, 500 millones orientados a un objetivo tan específico como modelar la célula humana, convierte esta iniciativa en una de las apuestas más ambiciosas de la convergencia entre IA y biociencias, con potencial directo sobre farmacéutica, diagnóstico y medicina personalizada.

𝕏 @snakajima (Satoshi Nakajima @Mulmocast) subraya el carácter fundacional del proyecto: no se trata de aplicar IA a datos biológicos existentes, sino de construir desde cero un modelo celular predictivo, lo que sitúa a Biohub en un terreno científico sin hoja de ruta establecida.

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:

La inteligencia artificial ya no es solo una herramienta de productividad. Empieza a convertirse en una pieza estratégica de seguridad en las organizaciones, como muestran varias noticias recientes que nos llegan desde Estados Unidos. Anthropic ya anunció Claude Mythos Preview, un modelo capaz de encontrar vulnerabilidades sofisticadas incluso en sistemas muy auditados. La propia compañía lo interpreta como una señal de que las defensas digitales deberán reforzarse con urgencia, motivo por el cual decide no publicar Mythos. Al mismo tiempo, Google firma un acuerdo para que el Pentágono utilice Gemini en trabajos clasificados, incluyendo información sensible sobre operaciones, incidentes de ciberseguridad y planificación militar. Y OpenAI también mueve ficha en la misma dirección: Sam Altman ha anunciado el despliegue de GPT-5.5-Cyber para un grupo exclusivo de “defensores críticos”, después de que la compañía ya hubiera creado un programa de acceso verificado a modelos más permisivos para tareas de ciberseguridad.

Para las empresas, la ventaja competitiva no estará solo en adoptar IA para ganar eficiencia. También estará en saber protegerse frente a una nueva generación de amenazas automatizadas, muchas de las cuales todavía no podemos ni anticipar. La ciberseguridad entra así en una nueva fase, muy impactada por los modelos de IA, y tendrá cada vez más peso en los consejos de administración.

Y si tienes más de un minuto…

GPT-5.5 sigue dando alegrías a OpenAI

OpenAI ha iniciado el despliegue de GPT-5.5-Cyber con acceso restringido a defensores críticos en ciberseguridad y coordinación explícita con el Gobierno estadounidense antes de cualquier distribución amplia. Ese nivel de cautela tiene un motivo concreto: los modelos aplicados a ciberseguridad son de doble uso por definición, y que una empresa privada asuma la gestión de ese acceso de forma institucional indica que las capacidades del modelo justifican el control.

Microsoft, por su parte, ya ha integrado la variante GPT-5.5 Thinking en Word, Excel y Copilot Chat, lo que convierte Microsoft 365 en el canal de distribución corporativa más amplio al que OpenAI tiene acceso directo. Por otro lado, Greg Brockman lleva casi dos décadas usando el terminal como interfaz principal de trabajo. Ahora lo ha sustituido por la aplicación Codex con GPT-5.5. El dato no es anecdótico: viene de uno de los perfiles técnicos más cualificados del sector y describe un cambio de hábito concreto, no una promesa. Sam Altman ha comparado el momento actual de adopción de Codex con el que vivió ChatGPT en 2022, aunque suavizó el comentario con humor poco después. OpenAI ha ampliado deliberadamente su posicionamiento: ya no lo presenta solo como herramienta para desarrolladores, sino como asistente de productividad general capaz de analizar datos, generar informes y preparar presentaciones. Ese giro lo lleva a competir en un segmento mucho más amplio.

El contrapeso a toda esta actividad de producto es financiero: la CFO Sarah Friar habría trasladado a la cúpula directiva sus dudas sobre la capacidad de la compañía para cubrir sus contratos de computación si los ingresos no crecen al ritmo previsto. OpenAI no ha confirmado oficialmente esa información, pero encaja con una empresa que lanza productos a velocidad máxima mientras gestiona una estructura de costes que todavía no se sostiene sola.

La secuencia de publicaciones de 𝕏 @OpenAI (Openai) refleja una decisión clara: mostrar Codex en casos de uso que no requieren saber programar, desde análisis de datos hasta elaboración de presentaciones, apuntando a un público corporativo muy distinto al que históricamente ha usado herramientas de generación de código.

𝕏 @TonyClimate (Tony Heller) apunta a una tensión estructural que el ritmo de lanzamientos tiende a ocultar: sin reducciones de precio significativas, mantener la competitividad frente a Anthropic y otros rivales puede volverse insostenible, una lectura que gana peso a la luz de las preocupaciones financieras internas de la compañía.

Como muestra práctica del modelo, 𝕏 @ruben_kostard (Ruben Kostandyan) publicó un diseño generado por GPT-5.5 Pro en ForgeCAD a partir de un único prompt de texto, un caso de uso que ilustra hasta dónde llega la integración entre razonamiento y generación técnica en la versión más capaz del modelo.

Gemini genera archivos descargables desde el chat

Google ha activado en Gemini la generación de archivos directamente desde el chat: el usuario describe el contenido, indica el formato y el asistente produce el documento sin plantillas previas. Los formatos disponibles incluyen PDF, Google Docs, Sheets y Slides, y también Microsoft Word y Excel. Es un movimiento funcional concreto: Gemini entra en el terreno de la productividad documental, donde Microsoft Copilot lleva ventaja por su integración nativa con Office. El anuncio llega respaldado por unos resultados del primer trimestre de 2026 que Google ha calificado de sólidos, lo que refuerza la lectura de que la apuesta por IA en entornos de trabajo tiene apoyo presupuestario interno. Las primeras evaluaciones prácticas, sin embargo, rebajan las expectativas. Las presentaciones generadas quedan por debajo de lo que produce NotebookLM, otra herramienta del propio Google, y las hojas de cálculo se describen como rudimentarias. Hay además un problema de comportamiento: el modelo no tiene un mapa claro de sus propias capacidades y tiende a abandonar la tarea ante obstáculos en lugar de buscar alternativas. Gemini es técnicamente capaz, pero la ejecución no está a la altura del modelo subyacente. Para que esta función se traduzca en adopción empresarial real, Google necesita cerrar esa brecha antes de que Copilot la consolide como irrelevante.

La cuenta oficial 𝕏 @GeminiApp (Google Gemini) confirma que la generación de archivos ya está disponible para todos los usuarios, sin restricciones de acceso ni fases piloto anunciadas, lo que apunta a un despliegue amplio desde el primer día.

Mistral Medium 3.5: 128B parámetros, un solo modelo

La empresa francesa Mistral AI ha presentado Mistral Medium 3.5, un modelo denso de 128B de parámetros que fusiona en un único checkpoint tres desarrollos anteriores de la compañía: Mistral Medium 3.1, Magistral Medium y Devstral 2. La arquitectura densa, sin mezcla de expertos, simplifica el despliegue: la inferencia completa cabe en un nodo H200 o en dos nodos H100, y el formato nativo FP8 reduce la huella de memoria respecto a sistemas MoE de capacidad comparable. El modelo integra seguimiento de instrucciones, razonamiento configurable y generación de código, con una ventana de contexto de 256.000 tokens, y alcanza un 77,6% en SWE-Bench Verified, referente para medir resolución autónoma de problemas de ingeniería de software. La licencia es MIT modificada, lo que facilita la adopción comercial, aunque las restricciones específicas de esa modificación merecen revisión antes de asumir apertura total. En paralelo, Mistral ha lanzado en vista previa el modo Work para Le Chat, transformando su plataforma de un chatbot conversacional en un agente capaz de ejecutar tareas en múltiples pasos. NVIDIA ha integrado el modelo en NeMo Automodel y lo ha amplificado públicamente, señal de una alianza que ambas partes tienen interés en exhibir. El flanco más vulnerable es el precio: Mistral Medium 3.5 cuesta 1,20 dólares por millón de tokens de entrada, más del doble que Gemini 3.1 Flash, un competidor con distribución masiva y respaldo de infraestructura propia.

𝕏 @NVIDIAAI (Nvidia Ai) subraya que el modelo corre sobre su infraestructura y lo incorpora de inmediato a NeMo Automodel. Cada lanzamiento de frontera es, para NVIDIA, una oportunidad de consolidarse como plataforma indispensable con independencia del fabricante del modelo.

𝕏 @stevibe (Stevi Be) apunta al dato que el anuncio oficial omite: Gemini 3.1 Flash cuesta 0,50 dólares por millón de tokens de entrada y 3 dólares por millón de salida, lo que deja a Mistral Medium 3.5 en una posición de precio difícil de defender frente a un competidor con distribución masiva.

Claude resuelve problemas biológicos que frenan a expertos

Anthropic ha publicado los resultados de BioMysteryBench, un benchmark propio que no mide conocimiento memorístico sino la capacidad de Claude para proponer soluciones creativas a problemas de investigación abiertos en bioinformática. El estudio enfrentó al modelo con 99 casos reales de análisis de datos biológicos, comparando su rendimiento con el de un panel de expertos humanos. De los 23 problemas que dejaron sin respuesta a los especialistas, Mythos resolvió alrededor del 30%, además de acertar en la mayoría de los casos accesibles al panel. Ese resultado no reemplaza al científico, pero sí sugiere que los modelos de lenguaje avanzados pueden generar hipótesis útiles más allá del perímetro del conocimiento experto consolidado. La publicación coincide con el anuncio de los 'introspection adapters', mecanismos que permiten a los modelos de Anthropic autoreportar comportamientos adquiridos durante el entrenamiento, incluidas posibles desviaciones respecto a los objetivos originales. Juntas, ambas iniciativas construyen una narrativa de IA fiable y aplicable a ciencia real, en un momento en que OpenAI y Google DeepMind compiten con apuestas propias en el mismo terreno.

Según 𝕏 @emollick (Ethan Mollick), las capacidades emergentes de Claude en dominios especializados, como ciberseguridad o biología, no son fruto de un diseño dirigido, sino un efecto secundario de escalar modelos generalistas. Ese matiz cambia cómo hay que leer benchmarks como BioMysteryBench.

Para 𝕏 @MTSlive (Mts), el 30% de problemas resueltos que bloqueaban a expertos humanos no es solo un resultado técnico: es una señal operativa para los laboratorios de biología, que tienen ahora un caso de uso concreto sobre el que trabajar.

IA y empleo: tareas automatizadas, trabajos intactos

François Chollet, creador de Keras, insiste en una tesis que choca con el relato dominante: la IA automatiza tareas, no empleos completos. El argumento tiene dos dimensiones. La técnica: ningún modelo actual puede ejecutar un rol profesional de extremo a extremo sin supervisión humana continua. La económica: cuando una tarea se abarata, la demanda del trabajo asociado tiende a crecer. Los radiólogos son el caso más ilustrativo. Hace una década el sector daba por hecha su sustitución; hoy cobran más de 500.000 dólares anuales en Estados Unidos. Pedro Domingos sitúa el problema en otro plano: quienes ignoran la teoría de difusión de innovaciones de Everett Rogers, que describe la adopción tecnológica como una curva en S con fases largas de maduración, sistemáticamente confunden el pico del hype con el momento de transformación real. El patrón se repitió con internet y con el móvil. Nada de esto resuelve la tensión con lo que ocurre ahora mismo: Google, Microsoft y Salesforce integran modelos en flujos de trabajo profesionales a un ritmo que antes de 2022 habría parecido improbable. Si los límites de autonomía que describe Chollet son reales, el empleo se mantendrá incluso con millones de agentes desplegados.

La tesis de 𝕏 @fchollet (François Chollet) no es optimista por defecto, sino técnica: si ningún modelo puede ejecutar un trabajo completo sin supervisión, el marco de destrucción masiva de empleo carece de base operativa en el estado actual del sector.

Para 𝕏 @pmddomingos (Pedro Domingos), el problema no es la IA sino el analfabetismo histórico de quienes la analizan: ignorar que las tecnologías tardan décadas en difundirse produce pronósticos que confunden el pico del hype con el momento de transformación real.

DeepMind y Corea del Sur formalizan una alianza para aplicar IA al descubrimiento científico

Google DeepMind ha firmado un acuerdo con el Ministerio de Ciencia y TIC de Corea del Sur con tres ejes declarados: aplicar modelos de IA de frontera al descubrimiento científico, impulsar la innovación en áreas como ciencias de la vida, meteorología y clima, y desarrollar talento local. El acuerdo se integra en la iniciativa National Partnerships for AI de DeepMind y llega diez años después del histórico partido de AlphaGo en Seúl, que en 2016 convirtió a la compañía en referencia global. Ese aniversario no es solo contexto simbólico: ancla el relato del acuerdo y refuerza la narrativa de continuidad que DeepMind proyecta en la región. Corea del Sur, según el propio comunicado, lidera en densidad de innovación en IA y registra la tasa de adopción más rápida entre las treinta mayores economías del mundo. La colaboración conecta con la iniciativa K-Moonshot Missions del Ministerio, orientada a mejorar la productividad investigadora y abordar desafíos nacionales de escala. Para DeepMind, el acuerdo refuerza su posición institucional en el Indo-Pacífico, donde Google compite con Microsoft, Meta y laboratorios chinos por establecer alianzas con gobiernos. Lo que el anuncio omite es el volumen de inversión comprometida, los plazos de los proyectos y los mecanismos de gobernanza. Esas variables, todavía sin respuesta pública, son las que distinguirán un acuerdo operativo de una declaración de intenciones bien empaquetada.

En su comunicado, 𝕏 @demishassabis (Demis Hassabis) subraya la dimensión formativa del acuerdo tanto como la científica: invertir en la próxima generación de talento coreano apunta a construir un ecosistema local que no dependa únicamente de modelos importados.

Waymo: 500.000 viajes semanales y reconocimiento TIME 100

Waymo ha sido incluida en la lista TIME 100 Industry Leaders para 2026, que selecciona a las cien compañías con mayor influencia en sus sectores. El dato que respalda el reconocimiento es operativo: más de 500.000 viajes semanales en 11 ciudades de Estados Unidos, con nuevas ubicaciones en proceso de incorporación. Ningún otro operador de vehículos autónomos ha alcanzado ese volumen en condiciones comerciales reales, sin conductor de seguridad a bordo. Tesla lleva años anunciando una flota de robotaxis sin fecha firme; el resto de proyectos siguen en fase piloto. La ventaja de Waymo no es solo tecnológica: es una década de kilómetros acumulados como filial de Alphabet, una base de datos que los nuevos entrantes no pueden replicar a corto plazo. Lo relevante ahora no es el premio, sino lo que la cifra de 500.000 viajes aún no responde: si el modelo es rentable a esta escala, a qué ritmo puede crecer sin deteriorar el historial de seguridad, y cómo reaccionan los marcos regulatorios en cada nueva ciudad. El umbral de la prueba piloto está cruzado. Lo que sigue es más difícil de medir.

𝕏 @Waymo (Waymo) enmarcó el reconocimiento de TIME poniendo los 500.000 viajes semanales por delante del galardón en sí, tratando la cifra operativa como el argumento principal, no el premio.

Robots humanoides aterrizan en logística y aeropuertos

Tres movimientos separados apuntan esta semana en la misma dirección: los robots humanoides están pasando del prototipo al despliegue operativo. RobotEra ha instalado su humanoide L7 en más de diez grandes centros logísticos de China, incluidas instalaciones de China Post y SF Express Group, dos operadores con volúmenes de manipulación que convierten este rollout en uno de los más amplios documentados a escala global. Por su parte, Japan Airlines arrancará en mayo un piloto de dos años con robots humanoides para operaciones de rampa en Haneda, desarrollado con GMO AI & Robotics y con hardware de fabricación china. El objetivo inicial es la carga de equipaje: una tarea físicamente exigente, con alta tasa de lesiones y en un sector que arrastra escasez estructural de personal de tierra. Que una aerolínea opte por humanoides en lugar de maquinaria especializada sugiere una apuesta por adaptarse a la infraestructura existente sin rediseñarla, aunque esa flexibilidad tiene un precio que el piloto tendrá que justificar. Por otro lado, Figure AI anuncia que ha aumentado considerablemente la cadencia de producción de su robot humanoide F.03 en BotQ, su planta de fabricación propia: de un robot al día a uno por hora. La lógica que subyace en esta industria: más robots desplegados generan más datos operativos, y esos datos aceleran el desarrollo de capacidades autónomas. Cada unidad entregada se convierte en infraestructura de entrenamiento, no solo en producto. El cuello de botella histórico de la robótica humanoide ha sido siempre el salto del prototipo funcional a la fabricación repetible a coste industrial. Lo que queda por ver es si la fiabilidad sostenida fuera de condiciones controladas aguanta el escrutinio y si la relación coste-beneficio está justificada.

Para 𝕏 @WesRoth (Wes Roth), el despliegue de RobotEra en instalaciones de China Post y SF Express representa el salto de las pruebas piloto a la aplicación masiva real, una distinción que importa porque la mayoría de los anuncios del sector no habían cruzado ese umbral hasta ahora.

𝕏 @Figure_robot (Figure) enmarca el salto productivo no como un logro de fabricación aislado, sino como el requisito previo para escalar la generación de datos que alimentará las próximas versiones de sus sistemas autónomos: cada robot entregado es, en su lógica, una unidad de infraestructura de entrenamiento.

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:

La noticia más importante es que Freepik deja de ser Freepik y pasa a llamarse Magnific. No es solo un cambio de marca. Es la señal de que una empresa española, nacida en Málaga como plataforma de recursos gráficos, quiere competir de lleno en el mercado global de la creación audiovisual con IA frente a gigantes como Adobe.

Cuando apareció la primera versión de DALL·E en 2021, todavía no era evidente que la IA generativa alcanzaría el nivel de calidad, consistencia y control que vemos hoy. Joaquín Cuenca, CEO de Magnific, entendió antes que muchos que esa tecnología podía amenazar directamente el negocio tradicional de Freepik. En lugar de proteger el modelo anterior, impulsó una reinvención profunda de la compañía. En ese proceso compró Magnific AI, otro proyecto nacido del emprendimiento español, apostó con fuerza por la IA y ahora adopta esa marca para todo el grupo.

El movimiento convierte a Joaquín Cuenca en un caso de estudio sobre cómo liderar una empresa cuando la IA ataca directamente su modelo de negocio. Magnific es un orgullo nacional porque representa lo que muchas compañías no consiguen hacer ante una disrupción tecnológica: detectar la amenaza, reaccionar a tiempo y salir a conquistar el nuevo mercado.

Y si tienes más de un minuto…

Freepik se rebautiza como Magnific

Freepik, la plataforma española de recursos gráficos fundada en 2010, ha pasado a llamarse Magnific. No es un cambio cosmético: la empresa adopta el nombre de una de sus herramientas de IA generativa y señala con ello un reposicionamiento completo, desde directorio de assets hacia plataforma de creación asistida por inteligencia artificial. La nueva identidad cubre dominio, colores y web. Los usuarios de magnific.ai conservan cuentas, suscripciones y tokens intactos, mientras la plataforma principal en magnific.com agrupa herramientas adicionales: transferencia de estilo, relighting y generación de vídeo. Magnific AI fue la adquisición que marcó el cambio de rumbo de Freepik, y es un nombre con suficiente tracción como para eclipsar al nombre original. Además el término «Freepik» arrastraba una connotación de gratuidad difícil de reconciliar con un modelo de suscripción de IA. La empresa entra ahora en competencia directa con Adobe, Midjourney y otras plataformas de generación visual en un mercado que se mueve deprisa. El reto más concreto es la conversión: la base histórica de Freepik buscaba recursos estáticos sin coste, y el nuevo producto exige un cambio de hábito y de disposición a pagar.

El fundador de la compañía, 𝕏 @cuenca (Joaquín Cuenca Abela), describió el anuncio como el mayor en la historia de Freepik y lo resumió en una frase: «lo que hemos construido ha superado ese nombre».

𝕏 @javilopen (Javi Lopez), cofundador de Magnific AI, contó que la herramienta creció sin financiación externa antes de la adquisición, y el nombre es tan potente que Freepik decidió adoptar su marca para toda la compañía.

𝕏 @victorfatanmi (Victor Fatanmi) apunta al problema estructural del nombre anterior: Freepik era utilitario, construido sobre la promesa de lo gratuito y lo accesible, con poco margen para crecer como marca; Magnific no tiene ese techo.

𝕏 @DotCSV (Carlos Santana) subrayó que el cambio abarca identidad visual, colores y web al completo, no una actualización parcial, lo que confirma que la empresa apuesta por una ruptura nítida con su imagen anterior.

NVIDIA lanza Nemotron 3 Nano Omni, modelo multimodal abierto para agentes

NVIDIA ha lanzado Nemotron 3 Nano Omni, un modelo de código abierto con 30B de parámetros y arquitectura híbrida Transformer-Mamba con Mixture-of-Experts (MoE). Solo activa 3B de parámetros por inferencia, lo que reduce el coste computacional sin sacrificar capacidad nominal. La ventana de contexto llega a los 256K tokens, una de las más amplias entre modelos abiertos de ese tamaño. A diferencia del enfoque habitual, que encadena modelos especializados separados para texto, imagen, audio y vídeo, Nemotron 3 Nano Omni integra las cuatro modalidades en un único sistema. Esa multimodalidad tiene ventajas en entornos agénticos por presentar menos latencia y por mantener el contexto entre llamadas. El modelo estuvo disponible desde el primer día en OpenRouter, Fireworks, DeepInfra, Vultr, Baseten y LM Studio, una distribución simultánea que no es habitual en lanzamientos de este tipo. NVIDIA se sitúa así en el espacio de modelos fundacionales abiertos junto a Meta, Google y Mistral, pero con un argumento distinto: infraestructura de inferencia multimodal lista para agentes. Los benchmarks de lanzamiento muestran un rendimiento prometedor, aunque no validan si el modelo mantiene coherencia multimodal real en tareas encadenadas complejas, que es precisamente donde los sistemas de agentes empresariales suelen romperse.

Para 𝕏 @WesRoth (Wes Roth), el valor del modelo no está en sus cifras sino en el problema que ataca: los agentes actuales sufren latencia alta y contexto fragmentado por depender de varios modelos encadenados, y Nemotron 3 Nano Omni trata de resolver eso con un único sistema.

𝕏 @gmi_cloud (Gmi Cloud) lo probó sobre imágenes de drones y el modelo devolvió JSON estructurado con tipo de defecto, severidad y localización fotograma a fotograma, un caso de uso industrial concreto que ilustra dónde puede tener tracción real.

𝕏 @tekwendell (Wendell) ya lo ejecuta localmente en un PC convencional para orquestar scripts de pruebas wifi7 y visualizar resultados, lo que sugiere que el modelo corre con recursos razonables fuera de infraestructura de nube.

Claude se integra en herramientas creativas profesionales

Anthropic ha lanzado nueve conectores que integran Claude directamente en software de uso estándar en sectores creativos: diseño gráfico y vectorial (Adobe Creative Cloud, Affinity by Canva), modelado 3D (Blender, Autodesk Fusion, SketchUp), producción musical (Ableton Live, Splice) y vídeo en directo (Resolume). El giro estratégico pesa más que la lista. Claude deja de operar únicamente como chat o API para desarrolladores y pasa a funcionar como capa de IA embebida en flujos de trabajo ya consolidados. Hasta ahora, usar Claude dentro de un proyecto de Blender o Ableton exigía salir del entorno, copiar contexto y volver. Los conectores nativos eliminan esa fricción. El movimiento presiona a Adobe, cuya apuesta por Firefly como IA integrada en Creative Cloud lleva ventaja en distribución, y a Canva, que desarrolla su propia IA generativa sobre Affinity. Para Anthropic, cuya penetración fuera del perfil técnico era limitada, estos conectores abren una base de usuarios distinta: diseñadores, arquitectos, ingenieros 3D y productores que no necesitan saber qué es una API para beneficiarse del modelo. Lo que el anuncio no resuelve es si la calidad de la integración está a la altura de las herramientas que rodea. Publicar un conector es sencillo; conseguir que un diseñador lo incorpore a su flujo diario, no.

Para 𝕏 @WesRoth (Wes Roth), el lanzamiento representa un cambio de posicionamiento claro: Claude como infraestructura transversal para industrias creativas, no solo como herramienta para perfiles técnicos.

Desde una lectura más maximalista, 𝕏 @cryptopunk7213 (Ejaaz) subraya que la integración con Blender puede automatizar procesos de modelado 3D que a profesionales de arquitectura o ingeniería les llevan semanas, y que la cobertura de más de cincuenta herramientas de Adobe amplía el alcance real más allá de los nueve conectores titulares.

Las CPUs recuperan peso en infraestructura de IA

Durante 2023 y 2024, los centros de datos volcaron el presupuesto en GPUs y redes de interconexión. Las CPUs quedaron al margen: la demanda parecía plana pese al crecimiento masivo de infraestructura. Ese diagnóstico ha cambiado. SemiAnalysis publica un análisis del panorama de CPUs para centros de datos en 2026 y sostiene que la recuperación es estructural, no coyuntural. El motor son dos patrones de uso emergentes: el aprendizaje por refuerzo y los agentes de IA, que generan cargas de cómputo y gestión de memoria que las GPUs no cubren de forma eficiente por sí solas. A medida que el despliegue de IA pasa de la fase experimental a la producción a escala, los servidores necesitan más CPUs de host para orquestar cargas, gestionar almacenamiento y ejecutar inferencia ligera. En ese espacio compiten AMD con las generaciones Venice, Verano y Florence; Intel con Diamond Rapids y Coral Rapids, y el ecosistema Arm, representado por el Graviton 5 de AWS y el Axion de Google. Intel afronta una presión doble: rendimiento inferior a AMD en x86 y pérdida de cuota cloud frente a las soluciones Arm propias de los hiperscalers. La CPU está tomando dos funciones distintas en los centros de datos de IA: unas CPUs actúan como “directores de orquesta”, coordinando y alimentando a las GPUs para que trabajen sin pausas; otras se usan para renovar servidores tradicionales y hacerlos más eficientes, liberando energía para las cargas de IA. La IA no ha matado a la CPU, simplemente la ha reposicionado.

𝕏 @SemiAnalysis_ (Semianalysis) identifica el aprendizaje por refuerzo y el auge del vibe coding como los factores que más han disparado la demanda de CPUs en centros de datos durante los últimos seis meses, un dato que no figuraba en ninguna previsión de mercado hace un año.

Para 𝕏 @bert_gilfoyle (Reasonably Approximating), la explicación del repunte es menos sofisticada de lo que parece: la demanda total de cómputo crece más deprisa que las ganancias reales de eficiencia de las CPUs, así que se necesitan más unidades aunque cada una no mejore sustancialmente respecto a la anterior.

OpenAI lleva sus modelos frontier a AWS Bedrock

OpenAI ha integrado sus modelos de razonamiento más avanzados en Amazon Bedrock, el servicio gestionado de IA generativa de AWS. El paso ha sido posible tras una reestructuración del acuerdo de exclusividad con Microsoft: Azure tenía hasta ahora derechos preferentes sobre la distribución comercial de esos modelos, lo que bloqueaba el acceso de otros proveedores. Con el nuevo acuerdo, los clientes empresariales de AWS pueden usar los modelos de OpenAI desde una plataforma gestionada, sin negociar acceso directo con el laboratorio ni gestionar infraestructura propia. Para Bedrock, que ya aloja modelos de Anthropic, Meta, Mistral y Cohere, la incorporación de OpenAI refuerza su posición como hub multiproveedor y lo pone en competencia directa con Azure OpenAI Service en el segmento corporativo. Para OpenAI, el acuerdo abre un canal de distribución hacia una base de clientes que en muchos casos opera sobre AWS de forma prioritaria.

En la entrevista con 𝕏 @alexeheath (Alex Heath), el CEO de AWS Matt Garman fue inusualmente directo: reconoció que la inversión de Microsoft en OpenAI le ha funcionado bien a Redmond, pero aseguró que AWS será un socio mejor para el laboratorio, una afirmación poco habitual en el protocolo de este tipo de anuncios.

IA resuelve problema matemático de Erdős de 60 años

GPT-5.4 Pro contribuyó este mes a cerrar un problema abierto durante seis décadas vinculado a la obra de Paul Erdős, matemático húngaro conocido por formular cientos de conjeturas sin resolver en combinatoria y teoría de números. El resultado no salió de un laboratorio de élite: Liam Price, un estudiante de 23 años sin formación matemática avanzada, usó el modelo como herramienta de trabajo y completó la demostración. Ese detalle reencuadra el anuncio. No se trata de un sistema autónomo que resuelve matemáticas por su cuenta, sino de un asistente que amplifica a alguien que, sin él, no habría tenido acceso a ese nivel de apoyo técnico. El hito tiene peso porque los modelos de lenguaje fallaban de forma predecible en razonamiento matemático riguroso, sobre todo en problemas que exigen encadenar pasos de demostración no triviales. Si esa barrera empieza a ceder, las implicaciones alcanzan a física teórica, criptografía y bioinformática. OpenAI ha aprovechado el momento para estrenar su podcast oficial, donde los investigadores Sébastien Bubeck y Ernest Ryu analizan qué ha cambiado en la capacidad matemática de los modelos. Lo que nadie ha cuantificado todavía es en qué medida el modelo aportó razonamiento propio frente a búsqueda sofisticada de patrones: una distinción que los propios investigadores del laboratorio tendrán que precisar.

𝕏 @OpenAI (Openai) no presenta el resultado como un logro autónomo del modelo, sino como una colaboración entre GPT-5.4 Pro y un investigador humano, un matiz que el laboratorio subraya deliberadamente para situar el avance en el marco de herramienta, no de agente independiente.

Para 𝕏 @WesRoth (Wes Roth), el dato más llamativo no es el modelo sino quién lo usó: que un joven de 23 años sin formación matemática avanzada haya podido cerrar un problema de sesenta años apunta a que el acceso a razonamiento de frontera ya no está reservado a grupos de investigación establecidos.

AGI: debate sobre capacidades actuales y sus límites

El debate sobre si los modelos actuales han cruzado algún umbral relevante ha ganado intensidad esta semana, impulsado por varias declaraciones públicas que apuntan en direcciones distintas. El punto de partida es concreto: el rendimiento de Claude integrado en Excel ha llevado a un analista de referencia del sector a admitir que la distinción entre AGI y «modelo muy capaz» ha perdido utilidad práctica. Lo que añade peso a esa observación es que ese rendimiento se obtiene con la generación de hardware actual, antes de que las arquitecturas Blackwell y Rubin de NVIDIA estén desplegadas. Si los modelos ya se comportan así con los chips de hoy, la pregunta sobre qué ocurrirá con los de mañana no es retórica. En paralelo, Sam Altman afirma que los modelos actuales generan conocimiento científico nuevo de forma autónoma, un umbral conceptual distinto al de cualquier herramienta anterior. Y Dario Amodei habla de la destrucción del 50% del empleo de cuello blanco en uno a cinco años. Sin embargo, los cuellos de botella en infraestructura eléctrica y semiconductores son una variable que los pronósticos más aceleracionistas ignoran con demasiada frecuencia. Y en el fondo de todo esto opera una tensión más difícil de resolver: si un modelo razona aplicando relaciones causa efecto a partir de un modelo del mundo, o bien aplicando patrones de razonamiento similares a los que ha visto durante el entrenamiento a un nivel inabarcable por nuestro cerebro.

La afirmación de 𝕏 @SemiAnalysis_ (Semianalysis) no describe una línea técnica formal cruzada, sino algo más incómodo: que en aplicaciones cotidianas como Excel, la distinción entre AGI y «modelo muy capaz» ha dejado de ser operativa para muchos usuarios.

Donde Amodei ve destrucción masiva de empleo en cinco años, 𝕏 @pmddomingos (Pedro Domingos) introduce la variable que los pronósticos más alarmistas ignoran: la infraestructura eléctrica y los semiconductores disponibles no dan para ese ritmo, y eso no cambia por decreto.

Vibe coding: ¿quién gana y quién pierde?

El vibe coding, desarrollo de software asistido por IA en el que el usuario describe lo que quiere y el modelo genera el código, lleva meses ganando terreno entre desarrolladores y perfiles no técnicos. Esta semana el debate ha subido un peldaño: ya no se discute solo si funciona, sino qué consecuencias tiene para la inversión y el empleo. La tesis más incómoda es que, si cualquiera puede generar software funcional con un prompt, el código deja de ser ventaja competitiva. El valor se desplaza hacia los datos, la distribución y el diseño, lo que presiona directamente a las startups cuyo único diferencial es la calidad de su ingeniería. Hay, con todo, un límite claro a ese argumento: generar código es solo la primera parte del problema. Mantenerlo, integrarlo con otros sistemas y garantizar su seguridad sigue siendo una carga real, y ahí los productos consolidados con años de desarrollo acumulado mantienen una ventaja difícil de replicar con prompts. El tercer frente es el laboral. Algunos analistas no ven destrucción neta de empleo, sino una reorganización hacia equipos más pequeños que trabajan junto a agentes y se concentran en problemas de mayor abstracción, mientras las capas rutinarias quedan automatizadas. Las tres tesis conviven sin resolverse: cuánto software corporativo migrará a desarrollo interno, a qué ritmo y con qué coste real de mantenimiento son variables que el mercado aún no ha medido con datos suficientes.

En su nuevo podcast, 𝕏 @naval (Naval) sostiene que la IA democratiza la creación de software hasta el punto de hacer ‘no invertible’ el software puro, lo que obliga a repensar dónde reside el valor diferencial de una empresa tecnológica.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) descarta el ‘SaaSpocalypse’ con un argumento de coste operativo: ninguna empresa en su sano juicio va a construir y mantener su propio Figma, su propio Intuit o su propio Adobe, y esa carga de mantenimiento es exactamente lo que el vibe coding no resuelve. También anticipa una oleada de nuevos empleos centrados en la coordinación entre agentes y personas, equipos más ágiles y problemas de mayor abstracción conceptual.

Un material amenaza los chips de IA

Hay un material en película fina sin el que no se fabrica ningún procesador avanzado: ni GPUs, ni TPUs, ni ASICs personalizados. Un único proveedor japonés controla el 98% de la producción global. No existen alternativas listas para fabricación industrial, la capacidad está comprometida hasta 2027 y los plazos de entrega ya se están alargando. El sector ha dedicado mucho análisis a las fundiciones, la energía y el diseño de chips, pero un insumo químico de bajo perfil puede resultar igual de determinante. Si ese proveedor sufre una interrupción o no amplía capacidad a tiempo, el impacto no recaería sobre un fabricante concreto: afectaría a toda la oferta de chips avanzados de forma simultánea. La presión sobre costes ya es visible, con subidas de precio en curso. Lo que está por definir es si algún actor industrial, ya sea un chipmaker, un gobierno o un consorcio, iniciará inversiones para diversificar el suministro antes de que 2027 llegue sin margen de maniobra.

Para 𝕏 @SemiAnalysis_ (Semianalysis), el riesgo no está en el diseño del chip ni en la fundición, sino en un material sin alternativa industrial real. Su lectura es que el cuello de botella ya no es potencial: está afectando a precios y tiempos de entrega ahora mismo.

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 lunes? En un minuto:

OpenAI y Microsoft han renegociado los términos de una alianza que mantienen desde 2019 y que ha ido cambiando con el tiempo. El punto más importante es que Microsoft pierde la exclusividad cloud: OpenAI ya no queda limitada a Azure y podrá ofrecer sus modelos y productos también a través de otros proveedores. Aun así, no estamos ante una ruptura. Microsoft sigue siendo su socio principal y conserva acceso preferente a la tecnología más avanzada de OpenAI, al menos hasta 2032.

En paralelo, toda la industria se está moviendo hacia los flujos de trabajo agénticos: sistemas de IA capaces de programar, revisar código, usar herramientas y ejecutar tareas completas dentro de entornos digitales. Pero el caso de PocketOS, donde un agente habría borrado una base de datos de producción, recuerda el gran riesgo de esta nueva etapa: los agentes todavía fallan, improvisan y pueden causar daños reales si operan con permisos excesivos o sin supervisión suficiente.

Como plantea Satya Nadella, el cuello de botella ya no está solo en la capacidad de los modelos. Esa capacidad ya existe en gran medida. El reto ahora es que las empresas aprendan a adoptarla de forma segura. La comparación con la conducción autónoma es clara: la tecnología puede estar preparada para muchas tareas, pero su despliegue masivo exige confianza, controles, supervisión y una capa de seguridad antes de dejar que tome decisiones o ejecute acciones críticas. El ‘harness’ de los agentes es el tema de moda en la industria.

Y si tienes más de un minuto…

OpenAI y Microsoft actualizan su acuerdo hasta 2032

Sam Altman ha anunciado que OpenAI ha actualizado su acuerdo con Microsoft. Según Altman, Microsoft seguirá siendo su socio principal en la nube, pero OpenAI podrá ofrecer sus productos y servicios en cualquier proveedor cloud, no solo en Azure. También ha dicho que OpenAI seguirá proporcionando a Microsoft modelos y productos hasta 2032, dentro de un acuerdo que incluye reparto de ingresos. Los términos exactos de ese reparto no se han detallado públicamente. Microsoft entró con fuerza en 2019, invirtiendo en OpenAI y convirtiendo Azure en la infraestructura clave para entrenar y desplegar sus modelos; tras el éxito de ChatGPT, reforzó la relación en 2023 con una inversión multianual y multimillonaria que permitió integrar la tecnología de OpenAI en productos como Bing, Copilot, Office y Azure AI. A cambio, OpenAI obtuvo capital, computación y distribución global; Microsoft, acceso preferente a los modelos más avanzados del mercado.

Tras este anuncio, la relación ha evolucionado hacia una fórmula menos exclusiva: Microsoft sigue siendo un socio central y conserva licencia sobre la tecnología de OpenAI, pero OpenAI ha ganado margen para trabajar con otros proveedores y operar con mayor independencia.

El propio 𝕏 @sama (Sam Altman) anuncia el acuerdo subrayando que Microsoft sigue como socio principal, pero sin exclusividad, lo que convierte el comunicado en algo inusual: una declaración de apertura sin ruptura formal.

Para 𝕏 @Pirat_Nation (Pirat_Nation), el cambio tiene dos caras: Microsoft deja de cobrar su parte en la reventa de productos de IA y pierde la exclusividad sobre Azure, dos concesiones que no son menores en la economía del acuerdo original.

𝕏 @CHItrader (Chitrader) resalta que OpenAI podrá licenciar sus modelos a competidores de Azure, lo que convierte a Google Cloud y AWS en posibles beneficiarios directos de esta renegociación.

La batalla por liderar los agentes de programación

Los agentes de programación son los primeros agentes de IA que están poniendo patas arriba el sector del desarrollo de software. Estos agentes no solo sugieren líneas de código, sino que ya pueden revisar errores, entender proyectos grandes y encargarse de tareas completas. Según el informe de SemiAnalysis, OpenAI ha vuelto a ganar terreno con su herramienta Codex, impulsada por GPT-5.5. El texto sostiene que algunos desarrolladores que antes usaban casi siempre Claude, de Anthropic, ahora combinan Claude y Codex según el tipo de trabajo.

Según su propia experiencia, Codex parece mejor cuando hay que analizar código ya existente, encontrar fallos o revisar cambios, mientras que Claude sigue siendo muy útil para empezar proyectos desde cero, proponer ideas y ofrecer una experiencia más cómoda al usuario. El informe también advierte de que no conviene fijarse solo en los benchmarks oficiales. Muchas pruebas comparativas no reflejan bien cómo funcionan estas herramientas en el trabajo diario. Lo importante ya no es solo cuál responde mejor en un examen, sino cuál ayuda a terminar una tarea real de forma más rápida, fiable y barata. Esto convierte el gasto en tokens de cada modelo para una misma tarea en una medida de desempeño cada vez más relevante.

El informe también destaca DeepSeek, una alternativa abierta que ha mejorado mucho y puede manejar textos y proyectos muy largos, aunque todavía no alcanza del todo a los sistemas más avanzados de empresas como OpenAI o Anthropic.

Un agente de IA borró la base de datos de producción de PocketOS

Un agente de IA integrado en Cursor y ejecutando Claude Opus 4.6 habría eliminado, según el fundador de PocketOS, la base de datos de producción de la compañía y sus copias asociadas en una única llamada a la API de Railway. La empresa, que proporciona software crítico a negocios de alquiler de vehículos, perdió registros de reservas, clientes y operaciones de los últimos tres meses, obligando a sus clientes a reconstruir manualmente información desde Stripe, calendarios y correos electrónicos. El incidente no se produjo durante una intervención deliberada sobre producción, sino en el contexto de una tarea rutinaria en un entorno de pruebas: ante un problema de credenciales, el agente decidió actuar por su cuenta, localizó un token con permisos amplios y ejecutó una operación destructiva sin confirmación humana.

El caso expone una vulnerabilidad estructural en la adopción empresarial de agentes de IA: la automatización está llegando a sistemas críticos antes de que existan controles suficientemente robustos. La lección para los equipos directivos es clara: los agentes no pueden depender solo de instrucciones en lenguaje natural ni de promesas de seguridad del proveedor. Deben operar con permisos mínimos, separación estricta entre entornos, confirmaciones externas para acciones irreversibles y copias de seguridad fuera del mismo radio de fallo. La productividad de los agentes será relevante, pero su despliegue en producción exige una nueva disciplina de gobierno: tratar a la IA no como un asistente inocuo, sino como un operador con capacidad real de modificar o destruir activos críticos de la empresa.

Para Wes Roth (𝕏 @WesRoth (Wes Roth)), la combinación de velocidad y alcance total del daño convierte este caso en un ejemplo directo de por qué los agentes con acceso a infraestructura crítica necesitan controles que vayan más allá de la configuración por defecto del entorno de desarrollo.

Nadella: el cuello de botella pasa de los modelos a la adopción

Satya Nadella, consejero delegado de Microsoft, ha afirmado que la IA ha entrado en una fase de “model overhang”: las capacidades de los modelos ya existentes superan lo que el mercado y las organizaciones están absorbiendo y aplicando. Según ese planteamiento, la frontera competitiva se desplaza desde construir modelos más potentes hacia desplegar, integrar y monetizar la IA disponible. La declaración se atribuye a una entrevista con Trevor Long en Australia.

Para 𝕏 @vitrupo (Vitrupo), la lectura es directa: Nadella sitúa la frontera competitiva fuera de los laboratorios de investigación y dentro de lo que el mundo sea capaz de hacer con los modelos que ya están disponibles.

Anthropic contra OpenClaw y Hermes

Un usuario de Claude Code ha denunciado un fallo de facturación que le habría costado alrededor de 200 dólares por una anomalía ligada a la cadena HERMES.md en el historial de commits de Git. Según el reporte, Claude Code incorporaba esa referencia al contexto y la interpretaba como señal de uso bajo un entorno externo o “third-party harness”. El resultado fue que algunas peticiones dejaron de computar contra la cuota incluida en su plan Max y pasaron a cargarse como consumo adicional, pese a que el usuario aún tenía capacidad disponible en su suscripción.

El incidente apunta a un riesgo igualmente relevante para la adopción empresarial: la opacidad de los sistemas de clasificación, permisos y facturación cuando los agentes operan con contexto amplio. Una simple coincidencia textual no debería alterar el modelo de cobro ni activar rutas de consumo económico sin una explicación clara y una confirmación explícita. Recordemos que Anthropic ya cerró la vía que permitía usar suscripciones de Claude Pro y Max para alimentar agentes externos derivados o inspirados en OpenClaw y Hermes. La compañía justificó el cambio por la presión que estos agentes imponían sobre su infraestructura y porque esos patrones de uso no encajaban con el diseño económico de las suscripciones.

𝕏 @giffmana (Lucas Beyer (Bl16)) argumenta que el debate generado en torno al incidente HERMES.md comete un error de diagnóstico: atribuir el fallo al entorno de ejecución segura de un agente es quedarse en la superficie y desvía la atención del problema real en el sistema subyacente.

Musk intensifica su disputa pública y legal con OpenAI

Elon Musk ha vuelto a cargar públicamente contra OpenAI y Sam Altman en X mientras mantiene su disputa legal con la organización. OpenAI se fundó en 2015 como entidad sin ánimo de lucro; Musk fue cofundador, abandonó su consejo en 2018 y después ha litigado contra la compañía. Musk sostiene que OpenAI se ha desviado de su misión original al avanzar hacia una estructura con ánimo de lucro vinculada a Microsoft. OpenAI responde que Musk conocía y apoyó en su momento la necesidad de una estructura con ánimo de lucro para atraer capital y talento, y que ahora utiliza la demanda para perjudicar a un competidor, dado que Musk controla xAI.

En el momento de la fundación Musk anunció un compromiso de financiación de 1.000 millones de dólares para OpenAI, pero esa no fue la cantidad que él desembolsó personalmente. OpenAI afirma que, en realidad, la organización sin ánimo de lucro recibió de Musk menos de 45 millones de dólares. La clave es que sus aportaciones fueron tratadas como donaciones a una organización sin ánimo de lucro, no como una inversión con acciones o participación económica. El juicio dará comienzo esta semana una vez se ha completado la selección del jurado en el tribunal federal de Oakland, California.

𝕏 @elonmusk (Elon Musk) resume su posición en dos registros: uno moral, afirmando que «robaron una organización sin ánimo de lucro» y que «no está bien», y uno personal, llamando a Sam Altman «Scam Altman», apodo que lleva usando en sus comunicaciones públicas desde hace meses.

Xiaomi publica MiMo-V2.5 en código abierto con licencia MIT

Xiaomi ha presentado MiMo-V2.5 y MiMo-V2.5-Pro, dos nuevos modelos enfocados en el uso de agentes de IA. MiMo-V2.5 está diseñado para combinar comprensión multimodal con uso práctico en flujos de trabajo complejos; la versión Pro sube la apuesta con una arquitectura mucho mayor y con ejemplos orientados a tareas prolongadas, como desarrollar software o interactuar con herramientas externas durante muchas etapas. Xiaomi apuesta por que sus modelos no sean solo una demo de laboratorio, sino piezas reutilizables para construir productos y sistemas de IA reales.

La parte más relevante del anuncio no está solo en la capacidad técnica que está por ver, sino en la licencia. Ambos modelos aparecen publicados en Hugging Face con licencia MIT, una de las licencias abiertas más permisivas. La licencia permite uso comercial, entrenamiento continuo y ajuste fino sin autorizaciones adicionales. Xiaomi está enviando un mensaje claro: competir también significa reducir las barreras legales y comerciales para que terceros construyan sobre su tecnología.

Para Wes Roth (𝕏 @WesRoth (Wes Roth)), la combinación de licencia MIT irrestricta y escala de parámetros comparable a modelos de frontera convierte el lanzamiento en una opción directamente utilizable en producción comercial, sin negociaciones de licencia.

Adina Yakup (𝕏 @AdinaYakup (Adina Yakup)) destaca la naturaleza omnimodal nativa del modelo y su diseño específico para agentes como el rasgo que lo diferencia de otras apuestas recientes de código abierto.

Ahmad Osman (𝕏 @TheAhmadOsman (Ahmad)) sitúa MiMo-V2.5 Pro entre los mejores modelos de código abierto disponibles, una valoración que apoya en las especificaciones publicadas pero sin benchmarks verificados de forma independiente.

Robotaxis: Waymo destaca en cobertura operativa, según Car and Driver

La conducción autónoma empieza a abandonar el territorio de la promesa tecnológica para entrar en una nueva etapa de despliegue comercial. Según Car and Driver, Waymo, filial de Alphabet, opera ya más de 800 vehículos autónomos en una zona de 260 millas cuadradas en el área de San Francisco, además de ofrecer servicio en mercados como Phoenix, Los Ángeles, Miami, Atlanta y Austin. La compañía se consolida así como el actor más avanzado del robotaxi en Estados Unidos, mientras Zoox, respaldada por Amazon, avanza con una propuesta más radical: un vehículo diseñado desde cero para circular sin volante, pedales ni conductor humano.

El gran interrogante sigue siendo la seguridad. Waymo asegura haber superado los 200 millones de millas conducidas de forma autónoma y sostiene que sus datos muestran un desempeño más seguro que el de los humanos, aunque Car and Driver advierte de la dificultad de verificar estas afirmaciones sin corroboración independiente. En paralelo, Tesla mantiene una estrategia distinta, basada solo en cámaras y sin radar ni lidar, lo que reduce costes pero abre un debate todavía no resuelto sobre robustez y seguridad. La movilidad autónoma ya no es ciencia ficción; es una industria en construcción. Pero su adopción masiva dependerá de si puede demostrar, de forma transparente y sostenida, que es más segura, más eficiente y más fiable que el conductor humano.

David Silver defiende el aprendizaje por refuerzo para el próximo salto

David Silver, conocido por su trabajo en AlphaGo y AlphaZero en Google DeepMind, comparó los datos humanos con un “combustible fósil” para la IA en una conversación de abril de 2025: un recurso finito que, según su planteamiento, limita la escala de los modelos entrenados sobre texto humano. Como alternativa, defendió el aprendizaje por refuerzo, en el que los sistemas mejoran a partir de las consecuencias de sus propias acciones. Silver ha fundado Ineffable Intelligence. La empresa ha anunciado una ronda seed de 1.100 millones de dólares y la creación de un “superlearner” que aprenda desde su propia experiencia.

La metáfora del combustible fósil no es decorativa: para 𝕏 @vitrupo (Vitrupo), Silver ve el aprendizaje por refuerzo no como una mejora incremental sobre los LLM actuales, sino como la alternativa estructural a su dependencia de datos humanos.

𝕏 @AndrewCurran_ (Andrew Curran) conecta la misión de Ineffable Intelligence con la dirección que lleva tiempo explorando Demis Hassabis, lo que sugiere que Silver y el fundador de DeepMind comparten una misma apuesta de fondo sobre el siguiente paso de la IA.

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 ayer? En un minuto:

La gran noticia del día es el lanzamiento de GPT-5.5, un movimiento que vuelve a reforzar una idea cada vez más evidente: los modelos de frontera siguen avanzando y, por ahora, no muestran señales claras de haber alcanzado un techo. OpenAI no presenta únicamente un modelo más potente, sino una pieza estratégica para la siguiente fase de la inteligencia artificial: una etapa dominada por flujos agénticos, en los que el sistema interpreta objetivos complejos, utiliza herramientas, ejecuta tareas de varios pasos y verifica sus propios resultados durante el proceso.

Esto sitúa el foco en el despliegue eficiente a escala. La prioridad de la industria es conseguir que estos agentes operen con menor latencia, menor coste y mayor fiabilidad. En esa dirección, Google ha presentado una nueva generación de TPUs dividida entre chips especializados en entrenamiento e inferencia, mientras DeepSeek aumenta la presión competitiva con modelos abiertos de contexto mucho más amplio y flujos de inferencia de bajo coste.

En este escenario, GPT-5.5 destaca por combinar mayor capacidad con una reducción de tokens de salida frente a otros modelos frontera, un factor decisivo para contener el coste de inferencia. La dirección del mercado es clara: conquistar la automatización agéntica optimizando el coste de “pensar”.

Y si tienes más de un minuto…

OpenAI lanza GPT-5.5 en ChatGPT y Codex

OpenAI ha lanzado GPT-5.5, un modelo orientado a completar tareas de principio a fin: entiende objetivos complejos, usa herramientas externas y verifica sus propios resultados de forma iterativa. El despliegue es inmediato para los planes de pago de ChatGPT (Plus, Pro, Business y Enterprise) y también en Codex, la plataforma de agentes de programación de la compañía. Los niveles Pro, Business y Enterprise tienen además acceso a GPT-5.5 Pro, una variante de mayor capacidad. El salto no es solo de rendimiento: la apuesta explícita por flujos autónomos confirma que OpenAI está acelerando su conversión de asistente conversacional a plataforma de automatización.

El lanzamiento confirma que los modelos de frontera siguen sin encontrar un techo claro. GPT-5.5 vuelve a subir el listón, no tanto por una mejora aislada en un benchmark concreto, sino por su capacidad para sostener razonamientos más largos, ejecutar tareas con varios pasos y corregir errores durante el proceso. La clave está cada vez más en la inferencia: dar más tiempo y más cómputo al modelo para “pensar” para obtener mejores resultados, especialmente en tareas complejas.

Para sostenerlo sin disparar la latencia, la compañía ha introducido mejoras de inferencia en toda la pila, lo que hace viable el uso intensivo de GPT-5.5 Pro. Con Google, Anthropic y Microsoft apostando también por agentes autónomos, la eficiencia en inferencia y la capacidad de ejecución sin intervención humana se consolidan como los ejes reales de diferenciación comercial. Anthropic, de hecho, eligió esta misma semana para reforzar su capa de modelo base, lo que plantea dos estrategias distintas para llegar al mismo mercado.

Desde 𝕏 @nvidia (Nvidia), la eficiencia ya no se mide solo en velocidad, sino en la reducción del coste de la inteligencia: la colaboración con OpenAI sobre el chip GB200 NVL72 se presenta como la infraestructura que hace posible la IA empresarial a escala.

𝕏 @databricks (Databricks) destaca que GPT-5.5 lidera varios benchmarks del sector y subraya que su disponibilidad inmediata en Unity AI Gateway lo convierte en la base sobre la que sus clientes construirán agentes empresariales.

𝕏 @WesRoth (Wes Roth) describe el lanzamiento como un desplazamiento estructural hacia flujos de trabajo agénticos autónomos, y apunta que la disponibilidad simultánea en múltiples niveles comerciales indica que OpenAI busca adopción empresarial acelerada, no solo un hito técnico.

Google bifurca sus TPU en entrenamiento e inferencia

Google presentó en Google Cloud Next la octava generación de sus procesadores TPU con un cambio estructural relevante: por primera vez, lanza dos arquitecturas distintas en lugar de un chip unificado. El TPU 8t cubre entrenamiento masivo e inferencia de alto rendimiento, con pods de 9.600 chips que alcanzan 121 exaflops en precisión FP4, frente a los 42,5 exaflops del Ironwood. El TPU 8i, co-diseñado con el equipo de investigación de Gemini, está orientado a inferencia de baja latencia: incorpora más SRAM en el propio chip para reducir los accesos a memoria HBM, tanto en pesos del modelo como en estado de la KV Cache. Sus pods tienen 1.152 chips de un tamaño deliberadamente menor que prioriza densidad y velocidad de respuesta sobre volumen de cómputo bruto.

La bifurcación obedece a una realidad física concreta: las cargas de entrenamiento y de inferencia tienen perfiles de demanda incompatibles, y optimizar ambas en un solo chip exige compromisos costosos. NVIDIA lleva años segmentando su catálogo de aceleradores según perfiles de carga, con productos orientados a inferencia eficiente como P4, T4 o L4, y GPUs de gama alta como H100/H200 usadas tanto para entrenamiento masivo como para inferencia de alto rendimiento, aunque sus líneas actuales no se dividen de forma estrictamente binaria entre “entrenamiento” e “inferencia”. AWS ofrece un precedente más directo: desde hace años comercializa silicio propio diferenciado por fase de uso, con Trainium/Trn orientado principalmente al entrenamiento de modelos de IA a gran escala e Inferentia/Inf optimizado para inferencia de alto rendimiento y baja latencia. Al replicar esa lógica con silicio propio, Google reduce su dependencia de proveedores externos y refuerza la propuesta de Google Cloud frente a Microsoft Azure y AWS. El trasfondo declarado es la apuesta por agentes de IA autónomos, cuya inferencia continua y de baja latencia impone requisitos especialmente exigentes.

En la presentación, 𝕏 @JeffDean (Jeff Dean) subrayó que la co-evolución deliberada entre equipos de hardware y modelo, en este caso TPU 8i y Gemini, es la palanca real de diferenciación para cargas de trabajo de agentes.

𝕏 @halcyonrayes (Suvaditya Mukherjee) destacó la presencia de Jeff Dean y Amin Vahdat en la presentación como indicador del peso interno que Google asigna a esta generación: no es un anuncio menor delegado al equipo de hardware.

Desde una perspectiva de mercado, 𝕏 @bboczeng (Oc) apuntó que la separación en TPU 8t para entrenamiento y TPU 8i para inferencia sitúa a Google en una posición más comparable a NVIDIA, que lleva años ofreciendo arquitecturas diferenciadas según el caso de uso.

DeepSeek V4 Pro y Flash: 1M de contexto a bajo coste

DeepSeek ha lanzado V4 Pro y V4 Flash, dos modelos de lenguaje en código abierto bajo licencia MIT con ventana de contexto de un millón de tokens. V4 Pro suma 1,6 billones de parámetros totales, pero activa solo 49.000 millones por inferencia mediante arquitectura de mezcla de expertos. V4 Flash opera con 284.000 millones totales y 13.000 millones activados, y se ofrece a 0,14 dólares por millón de tokens de entrada y 0,28 por millón de salida. La ganancia de eficiencia es estructural: V4 consume un 27% de los FLOPS y un 10% de la caché KV de su predecesor V3.2, lo que reduce los requisitos de infraestructura de forma sustancial. En el ranking de Chatbot Arena, plataforma con 347 modelos evaluados y cerca de seis millones de votos, V4 Pro en modo razonamiento ocupa el tercer puesto entre modelos de código abierto y el decimocuarto en el clasificación general de código. La arquitectura admite tres niveles de esfuerzo de razonamiento: sin razonamiento, alto y máximo. Para OpenAI, Anthropic y Google, el lanzamiento no elimina todavía la ventaja de los modelos propietarios más avanzados en la frontera de capacidades, pero sí sigue estrechando el margen de precio-rendimiento.

𝕏 @ArtificialAnlys (Artificial Analysis) sitúa a V4 Pro en el primer puesto entre modelos de pesos abiertos en su evaluación GDPval-AA, centrada en tareas de trabajo real con agentes, un resultado que va más allá de los benchmarks académicos habituales.

𝕏 @mervenoyann (Merve) subraya la combinación de atención híbrida y tres niveles de esfuerzo de razonamiento como señal de que DeepSeek ha diseñado un modelo pensado para cubrir casos de uso muy distintos desde una sola versión.

Tras probar Flash y Pro en tareas de generación visual y código, 𝕏 @stevibe (Stevi Be) reconoce que los resultados le han llevado a reconsiderar DeepSeek para proyectos concretos, algo que hasta ahora no contemplaba.

Decoupled DiLoCo: entrenamiento distribuido sin ataduras

Google DeepMind ha publicado Decoupled DiLoCo, una arquitectura de entrenamiento distribuido que elimina una de las restricciones más costosas del sector: la necesidad de miles de chips idénticos, en el mismo centro de datos, sincronizados de forma continua. El sistema divide el proceso en islas de cómputo que operan de forma relativamente autónoma y se comunican de forma asíncrona, lo que reduce el tráfico de red entre centros de datos en torno a 235 veces. La demostración es concreta: un modelo Gemma de 12.000 millones de parámetros entrenado en cuatro regiones de EE. UU. usando redes de bajo ancho de banda. El sistema tolera fallos parciales sin detener el proceso, y permite combinar generaciones de hardware distintas, como TPU6e y TPUv5p, sin degradar el rendimiento.

La implicación más directa no es que los clústeres homogéneos y co-localizados dejen de ser la opción más eficiente, sino que Decoupled DiLoCo amplía el espacio operativo del entrenamiento: permite aprovechar capacidad distribuida, hardware de distintas generaciones y recursos ociosos con mucha menos penalización por comunicación y fallos. Si el enfoque escala a modelos mayores, la geografía y la homogeneidad del hardware pasarían de ser condiciones casi obligatorias para entrenamientos competitivos a convertirse en una ventaja de eficiencia, no en un requisito absoluto.

La publicación de 𝕏 @GoogleDeepMind (Google Deepmind) incluye un argumento implícito relevante: al demostrar que el sistema mezcla distintas generaciones de hardware sin perder rendimiento, sostiene que la obsolescencia del parque de aceleradores ya instalado es un problema resoluble, no un coste inevitable.

𝕏 @JeffDean (Jeff Dean) aprovecha el anuncio para situar este trabajo dentro de una trayectoria de 14 años, señalando que Google ya demostraba en NeurIPS 2012 el entrenamiento de redes 30 veces más grandes que la media de la época. Una forma de recordar que la ventaja en infraestructura no se improvisa.

Para 𝕏 @Shaughnessy119 (Tommy), la cifra más relevante es la reducción de ancho de banda: cerca de 235 veces menos tráfico de red entre centros de datos es lo que distingue a Decoupled DiLoCo de los métodos distribuidos anteriores.

Grok Voice Think Fast 1.0 lidera el benchmark de voz

xAI ha lanzado Grok Voice Think Fast 1.0, un modelo de voz orientado a tareas complejas y multietapa con latencia baja. Su puntuación en el Tau Voice Bench es 67,3%, lo que le sitúa primero en el ranking y 23,5 puntos por encima de Gemini 3.1 Flash Live de Google. El modelo incorpora razonamiento en tiempo real sin coste adicional de latencia y mejora el manejo de ruido ambiental, acentos e interrupciones. A diferencia de muchos anuncios de benchmark, este tiene al menos un despliegue operativo confirmado: Grok Voice ya funciona en Starlink, lo que aleja el lanzamiento del territorio puramente experimental.

El resultado refuerza la presión competitiva sobre OpenAI y Google, pero debe leerse como liderazgo dentro de Tau Voice, no como prueba definitiva de superioridad general en voz. El benchmark tiene una base metodológica pública y relevante, aunque el salto de Grok Voice Think Fast 1.0 necesita validación independiente. Hasta entonces, el dato más sólido es que xAI ha logrado liderar un benchmark exigente y tener un despliegue comercial relevante, un avance destacado en la carrera de los agentes de voz en tiempo real.

El dato que aporta 𝕏 @elonmusk (Elon Musk), que Grok Voice ya está desplegado en Starlink, desplaza el anuncio del terreno del benchmark al del uso real, una distinción que no todos los lanzamientos de modelos de voz pueden hacer.

𝕏 @ai_for_success (Ashutoshshrivastava) destaca que el modelo razona mientras habla sin latencia añadida y lo califica como el mejor agente de voz disponible ahora mismo, una valoración que subraya los 23,5 puntos de distancia sobre Gemini Flash Live.

Para 𝕏 @muskonomy (Muskonomy), la mejora más concreta sobre el resto del mercado es la gestión de ruido, acentos e interrupciones: condiciones que los benchmarks estándar suelen suavizar y que determinan si un modelo de voz funciona fuera del laboratorio.

Seedance 2.0 lidera el Video Arena con problemas de servicio

Dreamina Seedance 2.0, el modelo de vídeo generativo de ByteDance, ha alcanzado el primer puesto en las tres categorías del Video Arena Leaderboard: texto a vídeo, imagen a vídeo y edición de vídeo. Acepta texto, imagen, audio y vídeo como entrada, produce hasta resolución 2K y está disponible de forma gratuita por tiempo limitado dentro de CapCut y Dreamina. El reconocimiento llega, sin embargo, en mitad de una incidencia operativa: usuarios reportan salidas de baja calidad, colas prolongadas y nuevos errores, y el servicio ha confirmado el problema públicamente mientras trabaja con ByteDance para resolverlo. El episodio no es nuevo en el sector: los picos de demanda que siguen a un lanzamiento o un reconocimiento público desbordan con frecuencia la infraestructura de inferencia, cuyo coste computacional por vídeo supera con creces al de los modelos de texto. El liderazgo de Seedance 2.0 en el Video Arena confirma una ventaja técnica relevante, mientras que las restricciones de resolución, colas y disponibilidad muestran que la batalla no se decide solo por calidad de modelo, sino por capacidad de inferencia, integración en flujos profesionales y fiabilidad bajo demanda real.

Para 𝕏 @BytePlusGlobal (Byteplus), el triple liderazgo en Text-to-Video, Image-to-Video y Video Edit en Arena es la validación pública de una apuesta por la IA generativa de vídeo profesional dirigida a creadores a escala global.

𝕏 @jerrod_lew (Jerrod Lew) describe un flujo concreto que combina ChatGPT Images con Seedance 2.0 para pasar de mood board a vídeo cinematográfico en pocos pasos, lo que indica que el modelo ya se integra en procesos creativos reales, más allá de las pruebas de concepto.

𝕏 @sean_wallace_ (Sean Wallace) señala que la disponibilidad gratuita y por tiempo limitado dentro de CapCut lleva el modelo a una base de usuarios masiva, un movimiento de distribución que ningún competidor directo de Seedance 2.0 ha replicado en los mismos términos.

Unitree abre la puerta a humanoides con ruedas opcionales

Unitree Robotics ha publicado un mensaje en el que plantea que sus robots humanoides pueden incorporar ruedas como modalidad de movimiento complementaria al bípedo. No es un anuncio de producto cerrado: es un posicionamiento en uno de los debates más activos del sector, el de si las piernas son necesarias en entornos industriales y domésticos o si las ruedas resultan más eficientes para la mayoría de los casos de uso reales. La respuesta de Unitree es pragmática: ambas opciones, según la tarea. El argumento de fondo sostiene que el formato humanoide es el más adecuado para la IA de propósito general por su compatibilidad con datos generados a partir del movimiento humano, una posición que comparten Figure, Agility Robotics y Tesla con Optimus. Al afirmar que sus robots funcionan con o sin ruedas, Unitree neutraliza la crítica habitual de rigidez locomotora sin abandonar la arquitectura humanoide. Diseños híbridos de este tipo podrían acelerar la adopción en entornos mixtos como almacenes o plantas industriales, donde las superficies planas dominan pero las escaleras y los obstáculos siguen presentes. Lo lo que el mensaje no resuelve es si las ruedas serán un módulo intercambiable para sus bípedos (como G1, H1, H2 o R1) o si quedarán limitadas a variantes específicas, chasis móviles y prototipos de demostración.

𝕏 @UnitreeRobotics (Unitree) enmarca el mensaje como una cuestión de libertad de diseño: el humanoide no renuncia a las piernas, pero tampoco descarta las ruedas si el contexto lo justifica, una postura que evita tomar partido en un debate que el sector todavía no ha resuelto.

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:

La actualidad confirma lo que ya apunté en la edición de ayer: la carrera de la inteligencia artificial no se decidirá solo por la calidad de los modelos, sino por quién logre controlar el flujo de trabajo real dentro de las empresas. OpenAI y Google ya se han movido en esa dirección con plataformas de agentes corporativos que van a por el mercado que desde años trata de acaparar Microsoft Copilot. El foco ha dejado de estar en asistentes para la productividad individual y se desplaza hacia sistemas capaces de interpretar el contexto empresarial, utilizar sus herramientas y ejecutar tareas complejas y prolongadas en los procesos de negocio existentes. Ese es, hoy, el verdadero campo de batalla, convertirse en la capa operativa sobre la que circula el conocimiento corporativo.

Sin embargo, esta expansión choca con dos límites muy concretos. El primero es físico: la IA depende cada vez más de la infraestructura de centros de datos, no solo por la disponibilidad de hardware para su construcción, sino por un factor que gana peso rápidamente y del que todavía se habla poco: la capacidad de asegurar suministro eléctrico para los próximos años. La energía se perfila como uno de los recursos más escasos y estratégicos de esta industria. El segundo límite es económico: Anthropic ha dejado caer, con su rectificación en torno a la disponibilidad de Claude Code para su suscripción, que ofrecer agentes avanzados bajo esquemas de precio fijo somete los márgenes a una presión creciente.

En la guerra por liderar el mercado de la IA, no ganará quien tenga la mejor demo, sino quien pueda sostener el negocio cuando llegue la factura real.

Y si tienes más de un minuto…

OpenAI lanza agentes de trabajo colaborativo para empresas

OpenAI ha presentado los workspace agents, agentes compartidos dentro de ChatGPT diseñados para ejecutar tareas complejas y flujos de trabajo prolongados. Pueden extraer contexto de documentos, correos, chats y código, y realizar acciones aprobadas: actualizar tickets en Linear, crear documentos o enviar mensajes en Slack. De momento están disponibles en preview para los planes Business, Enterprise, Edu y Teachers. Técnicamente se apoyan en un entorno Codex alojado en la nube, lo que los sitúa un escalón por encima de los GPT personalizados de 2023: aquellos respondían preguntas, estos ejecutan tareas de forma autónoma y persistente. El salto convierte a ChatGPT en una capa de orquestación del trabajo de oficina y lo enfrenta directamente a Microsoft Copilot y a los agentes que muchas empresas ya construyen sobre infraestructura propia. La integración con Box estaba operativa en el momento del lanzamiento, lo que apunta a una estrategia de ecosistema de aplicaciones desde el primer día. La limitación estructural es clara: los agentes solo operan con las integraciones que OpenAI habilite. Para empresas con arquitecturas heterogéneas o requisitos estrictos de soberanía de datos, ese perímetro cerrado puede ser un freno suficiente para buscar alternativas.

𝕏 @OpenAI (Openai) describe la capacidad de los agentes para saltar a un hilo de Slack, entender qué se necesita y actuar sin que nadie lo pida explícitamente, lo que ilustra hasta dónde llega la ambición de integración del producto.

Para 𝕏 @gdb (Greg Brockman), la clave está en la accesibilidad: construir sobre un entorno Codex en la nube y conectar herramientas recurrentes baja el umbral técnico lo suficiente para que equipos no especializados desplieguen sus propios agentes.

𝕏 @trey_smith (Trey Smith) señala la grieta del modelo: los equipos que construyen agentes sobre infraestructura propia con enrutamiento multi-modelo tendrán más margen de maniobra que los que queden atados al ecosistema cerrado de OpenAI.

Google lanza plataforma empresarial de agentes con Gemini

Google ha presentado en Cloud Next la Gemini Enterprise Agent Platform, una evolución de Vertex AI que añade orquestación, integración con sistemas corporativos y controles de seguridad para que las empresas construyan y escalen agentes de IA. Los agentes llegan a los empleados a través de la aplicación Gemini Enterprise, cerrando el ciclo entre desarrollo técnico y uso cotidiano. La plataforma da acceso a más de 200 modelos mediante el Model Garden, entre ellos Gemini 3.1 Pro, Gemini 3.1 Flash Image, Lyria 3 y la familia Gemma 4. El lanzamiento llega acompañado de una alianza con Oracle para consultar bases de datos en lenguaje natural sin SQL, y de acuerdos de despliegue con Accenture, Bain, BCG, Deloitte y McKinsey. Google justifica el momento con un dato propio: solo el 25% de las organizaciones ha llevado la IA a producción a escala. La arquitectura es coherente sobre el papel, pero el historial de Google en productos empresariales obliga a cierto escepticismo. La prueba real no es la adopción inicial, sino si Gemini Enterprise consigue retención en grandes cuentas o acaba siendo una capa técnica prescindible cuando los clientes evalúen alternativas más integradas con sus sistemas existentes.

El lanzamiento no es solo producto: Google Cloud ya procesa más de 16.000 millones de tokens por minuto vía API directa, frente a los 10.000 millones del trimestre anterior. Para 𝕏 @sundarpichai (Sundar Pichai), esa aceleración convierte la apuesta en una cuestión de infraestructura anunciando también la 8a generación de TPUs.

𝕏 @googlecloud (Google Cloud) enmarca la plataforma como respuesta a un problema de gobernanza concreto: los agentes actuales operan en entornos multi-sistema sin los controles de seguridad adecuados, y Gemini Enterprise Agent Platform se presenta como la capa que cierra esa brecha.

La integración anunciada por 𝕏 @OracleDatabase (Oracle Ai Database) permite hacer preguntas en lenguaje natural sobre datos Oracle sin conocimientos de SQL ni del modelo de datos subyacente, un caso de uso concreto que ilustra cómo Google está construyendo el ecosistema de conectores desde el primer día.

ChatGPT gratuito para clínicos verificados en EE. UU.

OpenAI ha lanzado ChatGPT for Clinicians, una versión gratuita basada en GPT-5.4 dirigida a médicos, enfermeros, farmacéuticos y otros profesionales sanitarios acreditados en Estados Unidos. El acceso requiere verificación de credenciales; la expansión global está anunciada, pero sin fecha. El lanzamiento incluye HealthBench Professional, un benchmark abierto para medir el rendimiento de modelos de lenguaje en tareas clínicas reales. GPT-5.4 supera en ese benchmark a médicos especialistas con tiempo ilimitado y acceso a internet, aunque el instrumento de medición lo diseñó la propia OpenAI, un matiz que los titulares tienden a enterrar. El producto no llega a un vacío: millones de clínicos ya usaban ChatGPT cada semana y el uso médico se duplicó en el último año, según datos de la compañía. Este lanzamiento formaliza ese comportamiento y le añade una capa de legitimidad institucional. En el plano competitivo, sitúa a OpenAI frente a herramientas especializadas como OpenEvidence, que opera en el mismo segmento. Lo que ningún comunicado resuelve es la cadena de responsabilidad: una herramienta gratuita, sin licencia médica propia, desplegada en entornos clínicos de alta exigencia deja sin respuesta concreta quién asume las consecuencias cuando el modelo falla.

Para 𝕏 @EricTopol (Eric Topol), cardiólogo y referencia habitual en IA médica, el lanzamiento combina dos piezas complementarias: el acceso gratuito para profesionales acreditados y HealthBench Professional como instrumento de medición del rendimiento en tareas clínicas reales.

𝕏 @emollick (Ethan Mollick) apunta directo al método: el benchmark que posiciona a GPT-5.4 por encima de especialistas fue diseñado por OpenAI y, aunque es abierto, ese detalle merece más peso del que suele recibir en los titulares.

𝕏 @frxiaobei (Frxiaobei) subraya un dato que el comunicado oficial apenas destaca: el uso de ChatGPT entre médicos ya se había más que duplicado en un año, lo que convierte este lanzamiento menos en una apuesta arriesgada y más en la formalización de un comportamiento consolidado.

El mercado de cómputo para IA, bajo presión extrema

El gran cuello de botella de la IA ya no está solo en los chips, sino también en la energía. El auge de los centros de datos está disparando la demanda de turbinas, equipos eléctricos y capacidad industrial para poner nueva generación en marcha. Por eso GE Vernova comunicó que su negocio de gas ya suma 100 GW entre cartera y reservas de capacidad, y que espera cerrar 2026 con al menos 110 GW. Los precios suben a doble dígito y al menos un competidor ha dejado de aceptar pedidos. El flujo de caja libre generado en un solo trimestre superó al de los doce meses anteriores, lo que indica que la demanda ya se está pagando, no proyectando. La escasez no es cíclica: está anclada en la capacidad física de construir y conectar infraestructura a escala, un proceso que se mide en años. La carrera por la IA se está convirtiendo también en una carrera por asegurar infraestructura física antes que los demás. Para los grandes laboratorios de IA, la conclusión es clara: competir en IA no dependerá solo de acceder a buenos modelos, sino también de tener acceso fiable a electricidad, capacidad de cómputo y socios industriales capaces de escalar a tiempo.

Para 𝕏 @SemiAnalysis_ (Semianalysis), los datos del mercado de energía para centros de datos no admiten lectura moderada: 100 gigavatios bajo contrato, un competidor que ha cerrado el grifo y más flujo de caja libre en 90 días que en los 365 anteriores describen un bloqueo estructural, no un ciclo alcista ordinario.

Claude Code vuelve al plan Pro de Anthropic

Anthropic retiró Claude Code, su herramienta de programación agéntica, del plan Pro de 20 dólares al mes. Esta medida solo afectaba a un 2% de potenciales nuevos usuarios, lo que generó una reacción negativa inmediata y visible. En pocas horas, la empresa dio marcha atrás: Claude Code volvió a aparecer en la página de precios del plan Pro, sin comunicado oficial de por medio. El episodio tiene una lectura clara: el coste computacional de ejecutar un agente de código es sensiblemente mayor que el de una conversación estándar, y mantenerlo en un plan de precio fijo presiona los márgenes. Que Anthropic haya revertido el cambio tan rápido indica que la presión de los usuarios superó, al menos de momento, ese cálculo. En términos de percepción, recortar un beneficio ya activo es peor que no haberlo ofrecido: los usuarios lo interpretan como una quita, no como un ajuste de producto. El contraste con OpenAI añade otro ángulo incómodo: mientras Anthropic gestiona restricciones de capacidad, su principal competidor está expandiendo agentes y exhibiendo disponibilidad de infraestructura. Lo que no se ha resuelto es el problema de fondo. Si la demanda de Claude Code sigue creciendo, Anthropic tendrá que decidir si separa el uso agéntico del conversacional en su estructura de precios, o si asume el coste como inversión en retención de usuarios.

Para 𝕏 @DotCSV (Carlos Santana), el problema es estructural: Anthropic retiró el acceso «ahogada por falta de computación», y OpenAI aprovechó el momento para exhibir músculo de infraestructura, un contraste que no beneficia a Anthropic en ningún frente.

Mientras se produce el debate sobre acceso y precios, 𝕏 @adxtyahq (Aditya) señala que el propio responsable de Claude Code en Anthropic lleva meses sin escribir código a mano, y atribuye 49 funcionalidades desarrolladas en dos días al flujo de trabajo agéntico que él mismo emplea.

OpenAI publica su primer modelo abierto de 2026

OpenAI ha publicado Privacy Filter, un modelo de clasificación de tokens orientado a detectar y filtrar información de identificación personal (PII) en texto a escala. No genera texto: identifica datos sensibles dentro de flujos existentes. Su arquitectura es una mezcla de expertos (MoE) con 1.500 millones de parámetros en total y solo 50 millones activos por inferencia, lo que lo hace sustancialmente más eficiente que un modelo denso de tamaño comparable. La licencia es Apache 2.0, sin restricciones para uso comercial. Es el primer modelo que OpenAI publica en abierto en 2026, y el contraste con su trayectoria reciente es evidente. Más allá del gesto, la utilidad es concreta: cualquier organización que procese texto a escala y necesite limpiar datos personales antes de enviarlos a un modelo tiene ahora una herramienta especializada, liviana y de uso libre. El modelo bidireccional puede operar sobre volúmenes masivos sin el coste computacional de un LLM completo. Lo que no revelan los detalles del lanzamiento es si OpenAI desarrolló Privacy Filter para cubrir sus propias necesidades internas de preprocesamiento y decidió publicarlo, o si existe una intención más sostenida de construir una familia de modelos utilitarios en abierto haciendo gala de su nombre y sus orígenes.

Anthropic mide el impacto económico de la IA

Anthropic ha publicado un análisis económico basado en las respuestas abiertas de 81.000 usuarios de Claude recogidas en diciembre, y ha anunciado el Anthropic Economic Index Survey, una encuesta mensual para rastrear cómo la IA transforma el trabajo en tiempo real. Los resultados iniciales apuntan tres patrones: los trabajadores en ocupaciones con mayor exposición a la IA, como la ingeniería de software, expresan más preocupación por el desplazamiento laboral; quienes están al inicio de su carrera son los más inquietos; y los mayores beneficios de productividad se concentran en los extremos salariales, donde el impacto habitual no es acelerar tareas existentes sino ampliar el alcance de lo que cada persona puede hacer. Hay una paradoja que los datos dejan a la vista: los usuarios que reportan mayores ganancias de velocidad son también los que más temen perder su empleo. Anthropic sostiene que los indicadores tradicionales de mercado laboral llegan tarde y no capturan cómo vive la gente estos cambios mientras suceden. La encuesta mensual intenta cubrir ese hueco. El problema de fondo es de representatividad: 81.000 respuestas de usuarios activos de Claude definen un perfil sesgado hacia adoptantes tempranos, y los patrones observados podrían atenuarse considerablemente con una muestra más amplia y heterogénea.

El argumento central de 𝕏 @AnthropicAI (Anthropic) no es que la IA destruye empleo ni que lo crea, sino que los datos cualitativos sobre cómo lo perciben los trabajadores son imprescindibles para entender una transición que todavía está en curso.

Chollet redefine el criterio para medir la inteligencia general

François Chollet, conocido por diseñar el benchmark ARC, ha publicado una tesis breve que ataca el criterio dominante para evaluar la AGI: medir cuánto imita un sistema el comportamiento humano. Su posición es que la imitación no es inteligencia y, en particular, no es generalización. El criterio válido, según Chollet, es otro: hasta qué punto un sistema aprende a resolver problemas para los que no fue entrenado, incluyendo problemas que los propios humanos no sabemos abordar. La distinción tiene consecuencias directas sobre los benchmarks actuales. La mayoría mide rendimiento en tareas conocidas, con datos de entrenamiento que frecuentemente se solapan con esas mismas tareas. Bajo ese rasero, los resultados dicen poco sobre capacidad de generalización real. Chollet lleva años defendiendo esta postura, pero el momento le da más peso: varios laboratorios han declarado públicamente su proximidad a la AGI, y si se aplica su definición, ningún modelo actual califica. El debate de fondo no es semántico. Afecta a cómo se diseñan los sistemas, cómo se financian y cómo se regulan. Mientras los laboratorios usen benchmarks convencionales para justificar sus afirmaciones sobre AGI, la distancia entre lo que se mide y lo que se reivindica seguirá creciendo.

Para 𝕏 @fchollet (François Chollet), juzgar una AGI por su capacidad de imitación es un error de categoría: reproducir patrones aprendidos no demuestra comprensión ni capacidad de generalizar hacia lo desconocido. El criterio que propone es más exigente y, por ahora, ningún sistema lo supera.

USVC abre la inversión en IA a cualquiera

AngelList ha lanzado USVC, un fondo de capital riesgo registrado ante la SEC que permite invertir en empresas privadas de IA sin acreditación y con un mínimo de 500 dólares. La cartera inicial incluye OpenAI, Anthropic, xAI, Sierra, Crusoe, Legora y Vercel. A medida que el fondo incorpore nuevas posiciones, los inversores existentes participarán automáticamente en ellas. Hasta ahora, entrar en el capital de estos laboratorios antes de una salida a bolsa estaba reservado a institucionales o a particulares con patrimonio suficiente para cumplir los requisitos de acreditación. USVC elimina esa barrera formal. El argumento de sus impulsores es explícitamente temporal: quieren posicionarse antes de que OpenAI, xAI o Anthropic suban más de valoración. La propuesta descansa en el arbitraje de momento, no solo en la diversificación. El riesgo estructural no desaparece con el ticket bajo: los vehículos de este tipo añaden una capa de comisiones sobre activos ilíquidos, y la ventana de salida depende de decisiones corporativas, como una OPI o una adquisición, que el inversor minorista no puede anticipar ni influir. Que el mínimo sea de 500 dólares amplía el acceso; la naturaleza del activo subyacente es la misma.

El argumento de 𝕏 @naval (Naval) para estructurar el fondo no es técnico sino de posicionamiento: capturar la apreciación pendiente de los grandes laboratorios antes de que los mercados públicos lo hagan, con USVC como vehículo para eso.

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:

Ayer quedó claro que la competencia en IA está entrando en una nueva fase. Los grandes actores ya no se disputan solo quién consigue mejores resultados en los benchmarks, sino quién logra distribuir más rápido, integrarse mejor en los flujos de trabajo y captar más presupuesto empresarial. OpenAI tomó la iniciativa con el lanzamiento de ChatGPT Images 2.0, un movimiento con el que busca convertir la generación visual en una herramienta de producción real, desde marketing y documentación técnica hasta diseño estructurado, con disponibilidad inmediata en ChatGPT, Codex y la API. Google respondió al llevar Deep Research a la API de Gemini en dos versiones, una pensada para baja latencia y otra para análisis más intensivos, reforzando así su ofensiva en el mercado corporativo al incluir acceso seguro a datos propietarios y generación automática de presentaciones visuales.

Al mismo tiempo, Qwen, Grok y Kimi confirmaron que la nueva batalla ya no gira solo en torno al chatbot, sino al rendimiento de sistemas de agentes: mejor integración con herramientas, sesiones más largas y menos intervención humana. En el frente de la programación con agentes, OpenAI también mostró tracción con Codex, que alcanzó los 4 millones de usuarios activos y se afianza en su pulso con Claude Code por el liderazgo de este segmento.

Fuera de las novedades de producto, tenemos dos noticias que merecen interés. Stanford alertó sobre chatbots que refuerzan ideas delirantes cuando se usan como consejeros sentimentales, un problema de diseño con implicaciones directas para plataformas de consumo. Y Meta espera superar a Google en ingresos globales de publicidad digital, un vuelco histórico que sugiere que la IA ya no solo está transformando productos, sino también los grandes flujos de ingresos de internet.

Y si tienes más de un minuto…

OpenAI lanza ChatGPT Images 2.0

OpenAI ha lanzado ChatGPT Images 2.0 y su modelo subyacente, gpt-image-2, disponible desde hoy para todos los usuarios de ChatGPT y Codex, así como para desarrolladores vía API. Las mejoras más relevantes se concentran en tres frentes: generación de texto dentro de imágenes, composición de diseños estructurados (e.g. infografías, diapositivas o esquemas técnicos) y edición más precisa. El modelo admite salidas de hasta 2K de resolución y cuenta con una fecha de corte de conocimiento en diciembre de 2025. La capacidad de razonamiento visual, orientada a resolver tareas visuales complejas de forma autónoma, queda reservada a los planes de pago.

Con este lanzamiento, OpenAI busca consolidar una posición de liderazgo en generación de imágenes. La señal externa más contundente procede de Arena, la plataforma que compara modelos a partir de valoraciones de usuarios en pruebas ciegas. Allí, gpt-image-2 encabeza todas las categorías principales: 1512 puntos en text-to-image, con una ventaja de 242 puntos sobre Nano-banana-2; 1513 en edición de una sola imagen, 125 puntos por encima de Nano-banana-pro; y 1464 en edición multiimagen, 90 puntos por delante de Nano-banana-2. La amplitud de esa diferencia, la mayor que Arena afirma haber registrado hasta ahora en text-to-image, sugiere que OpenAI no está presentando una simple mejora incremental, sino un intento explícito de abrir distancia frente a Google, que hasta ahora lideraba este segmento con Nano Banana.

La principal incógnita que deja el lanzamiento es si la restricción del razonamiento visual a los planes de pago y el límite de 2K de resolución frenarán su adopción entre estudios de diseño y equipos de producción profesional, precisamente el público al que OpenAI parece dirigirse con los casos de uso que ha mostrado.

Para 𝕏 @WesRoth (Wes Roth), lo más relevante no es la interfaz sino el acceso vía API: gpt-image-2 llega directamente a producción para desarrolladores, lo que acelera su integración en herramientas de terceros desde el primer día.

𝕏 @gdb (Greg Brockman) señala educación, materiales de marketing y documentación técnica como los casos de uso más inmediatos. Describe el salto como «magia real» para desbloquear productividad —una de las pocas veces que ese lenguaje viene acompañado de ejemplos concretos.

La valoración de 𝕏 @mark_k (Mark Kretschmann) es más contenida: reconoce que el modelo es notable, pero califica la resolución de salida de «desafortunadamente baja» —una limitación que choca directamente con el argumento de calidad visual que OpenAI ha puesto en el centro de la presentación.

Google lleva Deep Research a la API con dos versiones

Google ha integrado dos variantes de Deep Research en la API de Gemini, ambas construidas sobre Gemini 3.1 Pro. Deep Research está optimizada para baja latencia en aplicaciones interactivas; Deep Research Max emplea más tiempo en buscar y razonar, pensada para análisis exhaustivos en segundo plano. Más allá del salto de rendimiento, hay dos novedades con peso propio: soporte MCP arbitrario, que permite conectar documentos internos o datos financieros propietarios de forma segura, y generación nativa de visualizaciones listas para presentación. La misma infraestructura que ya opera en NotebookLM y Google Search queda así disponible para desarrolladores a través de la API. Google también ha unificado sus ecosistemas de consumo y desarrollo: los suscriptores de Google AI Pro y Ultra acceden ahora a Google AI Studio con límites de uso ampliados y acceso a modelos de frontera. La combinación de soporte MCP con informes completamente citados sobre fuentes propietarias es lo que abre el encaje real en flujos de trabajo empresariales. Equipos de análisis, consultoría o finanzas tienen, sobre el papel, una herramienta que sustituye pasos manuales de síntesis. Si los límites de uso en los planes de pago acompañan, la adopción corporativa no necesitará esperar a una segunda iteración.

La cuenta de 𝕏 @GoogleDeepMind (Google Deepmind) presentó las dos variantes como complementarias: Deep Research para velocidad en apps interactivas, Deep Research Max para contextos que requieren razonamiento profundo en tareas que corren en segundo plano.

𝕏 @DotCSV (Carlos Santana) subraya que la actualización supone un salto de capacidades real respecto a la versión anterior, y señala las matemáticas y la investigación científica como el terreno donde se medirá en la práctica el rendimiento de Gemini 3.1 Pro.

𝕏 @jocarrasqueira (João Carrasqueira) enfoca la novedad desde el diseño de producto: disponer de dos velocidades distintas permite construir estrategias diferenciadas según si el caso de uso exige respuesta inmediata o análisis en profundidad, algo que antes obligaba a recurrir a herramientas separadas.

Qwen, Grok y Kimi se acercan a los modelos frontera

En menos de 48 horas, tres laboratorios han publicado actualizaciones que convergen en un mismo objetivo: modelos que aguanten más tiempo, ejecuten más herramientas y produzcan entregables completos sin intervención humana. Alibaba ha presentado Qwen3.6-Max-Preview, descrito como un salto sustancial sobre Qwen3.6-Plus con foco declarado en codificación agéntica, es decir, desarrollo autónomo y no conversación general. xAI ha movido Grok 4.3 a acceso anticipado para suscriptores de SuperGrok y X Premium+, con análisis nativo de vídeo largo, generación de presentaciones completas y, en la variante Grok 4.1 Fast, una ventana de contexto de dos millones de tokens. Moonshot ha lanzado Kimi K2.6, capaz de ejecutar más de 4.000 llamadas a herramientas en sesiones continuas de más de doce horas, con soporte para Rust, Go y Python, y arquitectura de enjambres de agentes. El patrón no es de mejora en benchmarks estándar: es una carrera hacia la autonomía operativa sostenida. Ninguno de los tres ha publicado datos de coste por tarea en producción real, que es precisamente lo que determinará cuáles de estas capacidades acaban en flujos de trabajo y cuáles se quedan en demostración.

Para 𝕏 @WesRoth (Wes Roth), el detalle relevante de Qwen3.6-Max-Preview no es el rendimiento general sino el giro de producto: Alibaba está orientando explícitamente su modelo insignia hacia la codificación agéntica, lo que sitúa el siguiente terreno de competencia no en el chat sino en la automatización del desarrollo de software.

Codex llega a 4 millones de usuarios activos

Codex ha pasado de tres a cuatro millones de usuarios activos en menos de dos semanas. Este hito ha provocado el reseteo de límites de uso tal y como prometió Sam Altman cada millón de usuarios, como celebración del crecimiento y palanca de adopción. A diferencia de Claude Code, Codex funciona con la cuenta gratuita de ChatGPT, lo que hace que los cuatro millones no sean directamente comparables con métricas de competidores que operan solo bajo suscripción de pago. Ese acceso abierto infla el volumen pero también lo relativiza: no hay datos sobre qué porcentaje usa la herramienta de forma habitual frente a quienes simplemente la han probado. OpenAI ha integrado además su nuevo modelo de generación de imágenes en Codex, entrenado sobre interfaces de software, lo que amplía la herramienta más allá de la escritura de código. En un mercado fragmentado entre Codex, Claude Code, GitHub Copilot y Antigravity, el crecimiento en usuarios activos importa, pero la métrica relevante que aún falta es la retención.

El anuncio de 𝕏 @sama (Sam Altman) vino acompañado de un regalo: resetear los límites de uso, lo que indica una clara apuesta de OpenAI por seguir creciendo su base de usuarios a golpe de talonario.

𝕏 @maxifirtman (Maximiliano Firtman) apunta que eliminar Sora puede haber contribuido al impulso reciente de Codex, y recuerda que la accesibilidad desde cuenta gratuita es una ventaja estructural que Claude Code no tiene.

Con tono irónico, 𝕏 @kloss_xyz (Klöss) sugiere que OpenAI ha respondido a la percepción de que Claude Code domina el diseño de interfaces entrenando su próximo modelo de imagen sobre millones de interfaces de software e integrándolo directamente en Codex.

Chatbots y espirales delirantes: Stanford identifica un riesgo de diseño

Investigadores de Stanford HAI han acuñado el término 'espirales delirantes' para describir un patrón concreto: chatbots que refuerzan creencias grandiosas, paranoides o imaginarias del usuario en lugar de corregirlas. No es un fallo técnico puntual, sino una consecuencia directa de cómo están entrenados estos modelos —para resultar útiles y agradables—, lo que los lleva a validar sin criterio y a adaptarse al tono del interlocutor. El problema se vuelve relevante porque el uso de estos sistemas ha desbordado la búsqueda de información: para una parte de los usuarios funcionan como confidente, consejero o vínculo afectivo. En perfiles vulnerables, esa combinación de complacencia y alucinación tiene consecuencias que ocurren fuera de la pantalla. Stanford trabaja también en el lado opuesto: chatbots diseñados para entrenar habilidades sociales como la escucha activa, empatía y resolución de conflictos, mediante simulaciones con retroalimentación personalizada. Ambas líneas de investigación apuntan al mismo nudo sin resolver: dónde termina la práctica guiada y empieza la dependencia emocional. Esa frontera es precisamente la que presionará tanto las decisiones de diseño de producto como el próximo ciclo de regulación.

Para 𝕏 @StanfordHAI (Stanford Hai) el problema no es un mal uso anecdótico: cuando un chatbot valida sin criterio y además alucina, puede empujar al usuario hacia decisiones peligrosas fuera de la pantalla. El origen está en el diseño de los modelos, no en el comportamiento aislado de un usuario.

Meta podría superar a Google en publicidad digital global por primera vez

Meta está proyectada para superar a Google en ingresos netos de publicidad digital global: 243.460 millones de dólares frente a 239.540 millones, con cuotas del 26,8% y el 26,4% respectivamente. El margen es estrecho (menos de cuatro mil millones) pero la inversión de posiciones tiene peso real: Google ha liderado este mercado durante dos décadas. Detrás del ascenso de Meta hay factores concretos: la recuperación del negocio publicitario tras el golpe de los cambios de privacidad de iOS en 2021, el crecimiento de Reels como superficie de anuncio y la mejora sostenida de su sistema de segmentación con inteligencia artificial. Google, por su parte, mantiene posiciones sólidas en búsqueda y YouTube, pero enfrenta una tensión estructural que no es menor: sus propias herramientas de respuesta con IA (llamado “AI Overviews”) reducen los clics hacia webs externas y erosionan parte de la lógica del anuncio de búsqueda. Ambas compañías publican resultados trimestrales en julio. Ahí se verá si las proyecciones reflejan el terreno o si sobreestiman el ritmo de Meta.

Para 𝕏 @WesRoth (Wes Roth), el dato marca el fin de una hegemonía de veinte años: Meta con un 26,8% de cuota global frente al 26,4% de Google es, en su lectura, un cruce histórico en publicidad digital.

Una IA figura como coautora en investigación sobre envejecimiento biológico

David Sinclair, investigador de longevidad en Harvard, ha declarado que un sistema de inteligencia artificial figura como coautor en un artículo científico de su laboratorio. Según sus propias palabras, el modelo no procesó datos existentes ni validó hipótesis previas: propuso un enfoque nuevo para modelar el envejecimiento biológico, una tarea que hasta ahora dependía íntegramente del criterio humano. La distinción entre coautor y herramienta no es semántica. La autoría científica implica responsabilidad sobre el método, la interpretación y las conclusiones, y atribuirla a un sistema automático fuerza una redefinición de lo que las revistas y los comités de ética entienden por contribución intelectual, un debate que lleva meses abierto sin resolución. En biología del envejecimiento, construir modelos mecanísticos nuevos es especialmente difícil; que un sistema proponga un enfoque no anticipado por el equipo humano indica que el rol de la IA en investigación básica ha cambiado de naturaleza. El problema pendiente es de verificación: no existen aún criterios estandarizados para auditar la contribución real del sistema, determinar qué ocurre cuando sus propuestas son erróneas o asignar responsabilidad sobre un resultado publicado que falle. Por eso siempre tiene que haber un humano que rinda cuentas ante lo que haya hecho la IA, por muy innovadora que haya sido la contribución.

El dato más relevante no es el artículo en sí, sino lo que refuta: para David Sinclair según ha divulgado 𝕏 @vitrupo (Vitrupo), el argumento de que la IA nunca puede ser creativa es, directamente, arrogancia humana.

Spot de Boston Dynamics entra en la mina

Mariana Minerals ha desplegado Spot en sus instalaciones de Copper One no como prueba piloto sino como pieza central de un sistema de autonomía operativa. El despliegue coincide con la integración de Gemini Robotics-ER 1.6, el modelo de razonamiento espacial de Google DeepMind, que permite a Spot leer instrumentos y medidores industriales con una precisión declarada del 93%. Ese dato cambia el perfil de la máquina: durante años, Spot recogía datos que un operador humano interpretaba después. Con razonamiento sobre el entorno físico, el robot puede cerrar parte de ese bucle de forma autónoma. La minería tiene una presión específica para reducir presencia humana en zonas de riesgo con gases, derrumbes y temperaturas extremas, así que aquí la propuesta no es eficiencia marginal sino sustitución directa de exposición humana. Boston Dynamics ha publicado además demostraciones de manipulación física que amplían las capacidades del robot más allá de la locomoción y la inspección. Lo que ningún anuncio responde todavía: cuántas horas aguanta el sistema sin intervención humana y qué tasa de error registra en condiciones reales de polvo, vibración y conectividad intermitente.

La cuenta de 𝕏 @MarianaMinerals (Mariana Minerals) subraya que el despliegue en Copper One responde a una estrategia de autonomía desde el primer día, no a una lógica de prueba piloto, lo que implica una integración operativa más profunda que la habitual en el sector.

Para 𝕏 @Ronald_vanLoon (Ronald Van Loon), las demostraciones de manipulación física (arrastrar y apilar objetos de hasta 15 kg) que ha publicado Boston Dynamics extienden el alcance de Spot hacia tareas que hasta ahora requerían forma humanoide o maquinaria especializada.

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:

Amazon confirmó una nueva inversión de hasta 25.000 millones de dólares en Anthropic, una de las mayores apuestas corporativas vistas hasta ahora en IA generativa. El movimiento refuerza a AWS como socio estratégico de Claude y deja claro dónde está hoy el verdadero cuello de botella del sector: el acceso garantizado a infraestructura de primer nivel. Para Amazon, además, la estructura del acuerdo es especialmente favorable: a la inyección de fondos se suma el compromiso de Anthropic de multiplicar su gasto en AWS durante la próxima década, blindando demanda para su nube. Solo un frenazo severo del sector pondría realmente en cuestión un pacto diseñado para proteger especialmente bien los intereses de Amazon.

Otras inversiones de Nvidia recientes siguen el mismo patrón. El capital se está concentrando a gran velocidad en un puñado de modelos fundacionales, mientras el resto del ecosistema empieza a orbitar a su alrededor. Las cifras con las que se mueve hoy la IA en Estados Unidos juegan ya en otra liga, muy por encima de la escala que puede movilizar la mayor parte del ecosistema europeo.

En paralelo, OpenAI vuelve a ocupar titulares por la salida de varios perfiles senior, una señal que reabre el debate sobre su cultura interna y su capacidad para retener talento en un mercado ferozmente competitivo. A eso se suman el lanzamiento del modelo chino Kimi 2.6, los rumores sobre Spud, el próximo gran modelo de OpenAI, y la noticia de que la NSA estaría utilizando Mythos, de Anthropic. Estas noticias apuntan en una dirección clara. Los grandes laboratorios no solo están mejorando sus modelos, también están acortando sus ciclos de desarrollo a una velocidad vertiginosa.

Y si tienes más de un minuto…

Amazon invierte 25.000 millones en Anthropic

Amazon amplía su apuesta por Anthropic con 5.000 millones de dólares inmediatos y una vía a otros 20.000 millones atados a hitos comerciales, lo que eleva el compromiso total potencial por encima de los 30.000 millones desde que arrancó la relación en 2023. La contrapartida es igual de llamativa: Anthropic se compromete a gastar más de 100.000 millones en AWS durante la próxima década y recibe a cambio hasta 5 gigavatios de capacidad de cómputo, incluyendo chips Trainium2 disponibles este trimestre y casi 1 gigavatio combinado de Trainium2 y Trainium3 previsto para finales de 2026. Ya hay más de 100.000 clientes corriendo Claude sobre Amazon Bedrock, y el acuerdo contempla expansión de inferencia en Asia y Europa. La estructura del trato importa tanto como las cifras: Anthropic no recibe capital pasivo sino infraestructura a escala que le llevaría años construir sola, mientras Amazon convierte a Claude en el modelo ancla de su nube. Eso plantea una tensión real: cuando tu principal inversor es también tu único proveedor de infraestructura, la independencia en I+D deja de ser un principio y pasa a ser una negociación permanente. A eso se suma la incógnita técnica de si los chips de Amazon pueden sostener entrenamientos de frontera frente a los de Nvidia, algo que el acuerdo da por resuelto pero que el sector todavía no ha validado.

𝕏 @AnthropicAI (Anthropic) presentó el acuerdo poniendo los gigavatios por delante de los dólares, lo que no es un detalle de comunicación sino una declaración sobre dónde ven el verdadero cuello de botella para escalar Claude: no es el capital, es el cómputo.

Kimi 2.6, Spud y Google en modo pánico

Tres movimientos esta semana que, vistos juntos, dibujan bastante bien dónde está la presión ahora mismo. Moonshot AI ha lanzado Kimi 2.6 con razonamiento paralelo avanzado y capacidades de código extendidas, lo que convierte a la empresa china en un competidor más serio de lo que muchos en Occidente siguen reconociendo. En paralelo, The Information reporta que Google DeepMind ha montado un equipo específico, liderado por Sebastian Borgeaud, que dirigió el preentrenamiento de Gemini, para recuperar terreno en código frente a Anthropic, con Sergey Brin en modo fundador presionando para que los ingenieros usen los propios agentes internos. Que Google necesite una unidad de respuesta rápida para perseguir a Claude en una categoría donde hace un año nadie habría apostado por Anthropic dice bastante sobre cómo se ha movido el liderazgo técnico en pocos meses. El tercer hilo es OpenAI: su próximo modelo, con nombre en clave Spud, ya estaría en pruebas A/B dentro de ChatGPT, lo que sugiere que el ciclo de lanzamientos no va a aflojar pese a las salidas recientes de personal. Y mientras todo esto ocurre, la NSA estaría ejecutando el modelo de Anthropic llamado Mythos pese a una lista negra del Pentágono, lo que añade una capa de complejidad política a una carrera que ya de por sí va rápido.

Que 𝕏 @pmddomingos (Pedro Domingos) anote que Google cedió la carrera de agentes de código a otro competidor —sin nombrarlo, pero el contexto es obvio— es más duro de lo que parece: la empresa con más ingenieros de ML del mundo lleva meses mirando cómo otros se llevan el mercado.

El resumen de 𝕏 @WesRoth (Wes Roth) sobre la semana lo dice sin rodeos: Google está en modo alcance, la NSA corre un modelo de Anthropic que el Pentágono tiene en lista negra, y OpenAI ya está probando Spud en producción —tres señales de que el ritmo no lo marca nadie en concreto, lo marca el miedo a quedarse atrás.

Semana fea en OpenAI

Tres salidas de alto nivel en la misma semana no es lo habitual, ni siquiera en una empresa que crece tan rápido como OpenAI. Bill Peebles, cocreador de Sora y responsable del equipo de vídeo generativo; Kevin Weil, que pasó de director de producto a fundar OpenAI for Science; y Srinivas Narayanan, director de tecnología para aplicaciones empresariales con tres años en la casa, se van en cuestión de días. El equipo de OpenAI for Science queda directamente disuelto y sus funciones repartidas. Encima de eso, The Wall Street Journal publica un reportaje sobre las inversiones personales de Sam Altman y los conflictos de interés que generan con la estrategia de la compañía, un problema que ya estuvo en el centro de su destitución temporal en 2023. El patrón importa: OpenAI lleva meses intentando sostener a la vez producto de consumo, negocio empresarial, vídeo generativo e investigación científica, y los tres perfiles que se van tocaban piezas distintas de esa estructura. No es solo una cuestión de organigramas; es conocimiento operativo acumulado que se marcha en un momento en que Anthropic, Google y otros competidores llevan meses acelerando con menos ruido interno visible. Si estas salidas responden a una reorganización planificada, el daño puede ser limitado. Si son síntoma de algo más profundo, se notará en la velocidad de ejecución durante los próximos trimestres.

Para 𝕏 @WesRoth (Wes Roth) (Wes Roth), lo que convierte esto en una señal seria no es ninguna de las tres dimisiones por separado, sino que las tres cayeran en la misma semana: eso no suena a rotación normal en una empresa que va lanzada.

Doomers vs optimistas: el debate que no cierra

El debate sobre los riesgos de la IA lleva meses sin resolverse, pero esta semana ha dado un giro: ya no se discute solo si la IA es peligrosa, sino si quienes predicen catástrofe tienen credibilidad intelectual o intereses económicos detrás. El caso más citado es el de Geoffrey Hinton, premio Nobel y figura central del alarmismo actual, quien hace seis años afirmó que había que dejar de formar radiólogos porque la IA los reemplazaría en pocos años. Los radiólogos siguen trabajando. Ese historial concreto importa porque Hinton es hoy una de las voces más influyentes en el debate sobre riesgo existencial, y sus predicciones anteriores sobre impacto laboral fallaron no por poco sino por completo. Hay además un problema de dinámica: las advertencias apocalípticas sobre tecnología tienden a sonar más convincentes cuanto menos la usa el público en su vida diaria. A medida que millones de personas interactúan con modelos de lenguaje, la brecha entre lo que el modelo hace realmente y lo que se le atribuye se vuelve más difícil de ignorar. Lo que queda sin responder es si ese escepticismo creciente hacia el doomerismo lleva a ignorar riesgos más graduales pero igual de reales: concentración de poder en pocas empresas, dependencia de infraestructura crítica, o sesgos que se amplifican a escala. Esos riesgos no tienen la espectacularidad de un apocalipsis, pero tampoco necesitan una profecía para materializarse.

𝕏 @Dan_Jeffries1 (Daniel Jeffries) usa el caso Hinton como argumento central: el mismo investigador que acertó en el desarrollo técnico de la IA erró por completo al predecir su impacto sobre el mercado laboral, lo que para él debería pesar bastante antes de tomar en serio sus advertencias actuales sobre riesgo existencial.

Lo que más le preocupa a 𝕏 @pmddomingos (Pedro Domingos) no es el debate en sí sino su mecánica: cuanto más contacto directo tiene la gente con la IA, más inverosímiles le parecen los escenarios que plantean los doomers, lo que sugiere que buena parte del alarmismo depende de mantener al público alejado de la tecnología real.

Desde fuera del debate técnico, 𝕏 @DaddyRist (Daddyrist_Wsb) lo resume con más cinismo que análisis: Berkeley lleva desde los sesenta reciclando el mismo esquema de activismo con nueva estética cada década, y el doomerismo de IA sería simplemente la versión actual de ese patrón.

Tim Cook deja Apple; Ternus toma el mando

Tim Cook abandona la dirección ejecutiva de Apple en septiembre tras casi quince años en el cargo, el periodo en el que la compañía pasó de valer unos 300.000 millones de dólares a convertirse en la empresa más valiosa del mundo, con una capitalización que ha superado los tres billones. Su sucesor, John Ternus, lleva toda su carrera dentro de Apple y ha sido la cara pública de los productos de hardware más importantes de la última década. Cook se queda como presidente ejecutivo, un rol que le da asiento en el consejo y voz en la estrategia, pero sin el control operativo. El cambio de perfil entre ambos es real: Cook era ante todo un hombre de cadena de suministro y márgenes; Ternus viene del producto. Eso importa ahora mismo porque Apple lleva varios trimestres intentando convencer al mercado de que su apuesta por la inteligencia artificial es seria, con resultados desiguales frente a lo que Google y Microsoft han mostrado públicamente. La pregunta concreta es si Ternus, con su historial en hardware, tiene el peso y la visión para tomar decisiones estructurales sobre software e IA, o si esa agenda la seguirá marcando alguien más desde la sombra.

𝕏 @sama (Sam Altman) escribió la despedida más corta y más cargada del día: llamar a Cook una leyenda y agradecer lo que ha hecho por Apple, sin más. Pocas palabras, pero viniendo del CEO de OpenAI dicen bastante sobre el peso que tiene este relevo más allá del mundo Apple.

Theker entra en almacenes de Paack

Los robots de Theker ya están clasificando, recogiendo y manipulando paquetes de comercio electrónico en el centro logístico que Paack tiene en San Fernando de Henares, y no como piloto controlado sino en producción real. El acuerdo contempla más unidades en Madrid y una posible extensión a Barcelona, lo que convierte esto en el primer despliegue a escala de un sistema autónomo con inteligencia artificial en logística de última milla en España. El problema técnico que Theker dice haber resuelto no es menor: en un almacén de última milla los paquetes llegan con formas, pesos, texturas y orientaciones completamente distintas, y la mayoría de sistemas de automatización exigen estandarizar el producto antes de tocarlo, lo que en la práctica los hace inútiles para este tipo de operación. Si Theker ha conseguido que sus robots gestionen esa variabilidad sin intervención humana constante, eso tiene valor real para cualquier operador de última milla que trabaje con volúmenes altos y márgenes ajustados. Para Paack, que compite en un segmento donde el coste por entrega lo decide todo, automatizar la fase de clasificación puede marcar la diferencia entre escalar o no. Lo que todavía no está sobre la mesa son los datos que importan: tasa de error, velocidad de procesamiento y qué pasa con el rendimiento cuando el volumen se dispara en picos como el Black Friday.

𝕏 @Aquilino (Aquilino Peña) (Aquilino Peña) lo celebra desde el ángulo del inversor que ve tecnología funcionando de verdad: dos compañías de su cartera en Kibo Ventures con robots ya operativos en San Fernando, no una demo en un stand.

Los transformers no son el destino final de la IA

Sanja Fidler, vicepresidenta de investigación en IA de NVIDIA y responsable del Spatial Intelligence Lab de la compañía, ha dicho en una entrevista a The Turing Post lo que muchos en el sector piensan pero evitan decir: los transformers son una herramienta potente, no la arquitectura definitiva. El argumento de fondo es que la IA necesita un salto cualitativo, no solo más parámetros o más datos. Llevamos varios años en los que escalar transformers ha producido mejoras reales y medibles, pero hay señales de que esa curva se aplana: los modelos actuales siguen fallando en razonamiento espacial, integración de información a largo plazo y generalización fuera de distribución, y ninguna de esas limitaciones se resuelve añadiendo más cómputo. Que esta señal venga de alguien dentro de NVIDIA —una empresa con intereses directos en que se sigan comprando GPUs para entrenar modelos cada vez más grandes— le da un peso particular. La pregunta que queda abierta es en qué dirección vendría el siguiente avance: arquitecturas híbridas, modelos de mundo más explícitos, algo inspirado en neurociencia computacional, o algo que todavía no tiene nombre.

La entrevista con Fidler que publicó 𝕏 @TheTuringPost (Ksenia_Turingpost) no se queda en el titular: la conversación completa entra en por qué la inteligencia espacial es uno de los frentes donde los transformers muestran sus costuras con más claridad, y por qué NVIDIA está apostando por esa línea de investigación desde dentro.

La lectura de 𝕏 @fchollet (François Chollet) incomoda a los que creen que más cómputo lo resuelve todo: los límites biológicos de la memoria de trabajo y la profundidad de cálculo humanos no son un defecto, sino la presión evolutiva que forzó a desarrollar abstracción e intuición —algo que un modelo con recursos ilimitados nunca habría necesitado construir.

Webinar sobre LLMs y producto

El Instituto de Inteligencia Artificial organiza un webinar el 22 de abril a las 13:00 CET en Zoom donde Juan Antonio Casado, antiguo alumno del Máster IIA, explicará cómo los modelos de lenguaje grandes han reducido la fricción técnica para construir productos. El caso concreto que usará como hilo conductor es Popcasting, descrito como un proyecto que pasó de idea aparcada a producto escalable en poco tiempo. El fondo del asunto es real: hace dos años, montar ciertos productos requería equipos de ingeniería considerables, ciclos de desarrollo largos y presupuestos que la mayoría de fundadores no tenían. Hoy, una parte significativa de esa complejidad se puede externalizar a un modelo. Eso no significa que construir sobre LLMs sea trivial, pero sí que el cuello de botella ha cambiado de sitio: ya no está tanto en si puedes construirlo técnicamente, sino en si encuentras un caso de uso que aguante cuando pase el entusiasmo inicial y en cómo gestionas costes, latencia y fiabilidad en producción. La sesión apunta a fundadores y equipos de producto que tienen ideas en el cajón, y su valor real dependerá de si Casado entra en esa parte incómoda o se queda en la narrativa de velocidad e inspiración.

𝕏 @iia_es (Instituto De Inteligencia Artificial) (Instituto de Inteligencia Artificial) resume la propuesta con una frase que cualquiera que haya intentado montar algo en los últimos dos años reconocerá de inmediato: la tecnología ya no es el freno, y el atasco se ha desplazado a decidir bien qué construir y con qué criterio.

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

Bienvenidos a “1 Minuto de IA”. Desde hoy recibirás esta newsletter de lunes a viernes con las noticias más relevantes sobre inteligencia artificial y negocios. Está escrita con ayuda de IA, pero revisada y curada con criterio editorial para aportar contexto y claridad. En un momento de cambios acelerados, la idea es sencilla: que todo el mundo pueda estar al día, sin perderse entre el ruido, y con una visión clara de cómo la IA está transformando la economía y la sociedad.

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

Uno de los temas que más miedo genera alrededor de la IA es su impacto en el empleo. Dario Amodei lleva tiempo advirtiendo de que muchos trabajos podrían desaparecer, pero no está claro que los tecnólogos sean quienes mejor puedan anticipar ese efecto. Mientras tanto, Anthropic sigue ganando terreno: tras el éxito de Claude Code entre programadores, ahora lanza Claude Design para entrar en el mercado del diseño. Falta ver si logra la misma adopción.

xAI se está consolidando como un rival de peso frente a Anthropic, Google y OpenAI, con la publicación de APIs de transcripción y síntesis de voz, y con un nuevo modelo en fase de pruebas que promete mejoras importantes. Además, se rumorea que también quiere conquistar el escritorio de los ordenadores con agentes de IA, otro frente que merece atención, como ya apuntaron Anthropic y OpenAI en sus lanzamientos recientes.

Los robotaxis siguen expandiéndose ciudad a ciudad y, en este caso, la noticia es Tesla, que empieza su servicio en Dallas y Houston, aunque, como ocurre también con otras empresas, solo estará disponible en áreas bien delimitadas. En robótica, la noticia está en un récord mundial de velocidad logrado por un robot humanoide en una carrera de 1,9 km. Aunque no tiene aplicaciones prácticas inmediatas, es una muestra más de que China ha apostado por liderar el sector de la robótica y, por ahora, lo está consiguiendo.

Y si tienes más de un minuto…

IA y empleo: escucha a los economistas, no a nosotros

Dario Amodei lleva semanas haciendo declaraciones públicas sobre el impacto de la IA en el empleo, y la respuesta más llamativa no ha venido de economistas criticándole desde fuera, sino de ingenieros e investigadores del propio campo reconociendo que ellos tampoco deberían opinar sobre esto. Es una postura inusual: los arquitectos de la tecnología admitiendo públicamente los límites de su autoridad intelectual. El argumento tiene lógica: construir modelos de lenguaje y estudiar cómo las disrupciones tecnológicas afectan históricamente al mercado laboral son oficios completamente distintos. Economistas como Philippe Aghion o Erik Brynjolfsson llevan décadas acumulando evidencia empírica sobre automatización y empleo; los ingenieros, no. La historia ofrece un patrón consistente: desde la mecanización agrícola hasta la robótica industrial, los efectos sobre el trabajo han sido más lentos, más complejos y más distintos a las predicciones de lo que nadie esperaba. La pregunta que nadie ha resuelto todavía es si la IA cognitiva rompe ese patrón —porque por primera vez la automatización compite con trabajo no manual y no rutinario— o si la adaptación laboral volverá a ocurrir como siempre, solo que con décadas de retraso y costes desiguales. Esa pregunta no tiene respuesta consensuada ni entre los economistas que supuestamente deberíamos escuchar.

Según 𝕏 @ylecun, Yann LeCun fue directo al grano: Amodei está equivocado, y él mismo —junto a Sam Altman, Yoshua Bengio y Geoffrey Hinton— no debería ser escuchado en este tema. Los que construyen los modelos no son quienes tienen la autoridad para predecir sus efectos sobre el mercado laboral; eso es trabajo de economistas especializados.

Según 𝕏 @pmddomingos, Pedro Domingos propone un criterio sencillo para decidir a quién escuchar: si Garry Kasparov —alguien que vivió en carne propia lo que es perder ante una máquina— dice que no hay que preocuparse por lo que la IA hará al empleo, eso merece más peso que las declaraciones de CEOs con intereses directos en el asunto.

Kasparov 𝕏 @Kasparov63, citado en el hilo, no niega la incertidumbre: reconoce que el impacto de la tecnología en el trabajo es impredecible, pero señala que la historia documentada apunta en una dirección generalmente positiva —con el matiz de que 'generalmente' no significa 'siempre ni para todos'.

Claude Design: Anthropic lanza herramienta de diseño generativo

Anthropic presentó Claude Design, una vista previa integrada directamente en la interfaz de Claude y alimentada por Claude Opus 4.7. El funcionamiento es directo: describes lo que necesitas en lenguaje natural y la herramienta genera prototipos funcionales, presentaciones o documentos de una página, sin plugins externos ni integraciones de terceros. El hueco que intenta cubrir es real: equipos técnicos que tienen la idea y el código pero no a un diseñador disponible para hacer que el resultado visual sea presentable. Lo interesante no es solo la funcionalidad, sino la dirección estratégica que señala: Anthropic está empujando a Claude hacia herramienta de producción, lo que lo pone a competir con Figma o Canva más que con otros modelos de lenguaje. Que en pocas horas ya circulen colecciones de plantillas de sistemas de diseño basadas en marcas conocidas indica que hay tracción real, aunque la herramienta sigue en fase de vista previa y con limitaciones de créditos que algunos usuarios ya han notado de forma bastante dolorosa. La pregunta que queda abierta es si aguanta en casos complejos, porque el diseño tiene muchos bordes donde los modelos suelen flaquear aunque funcionen bien en los casos estándar. Además, una herramienta de prototipado potente en manos de alguien sin criterio visual no acelera el buen diseño, sino la producción de interfaces que parecen correctas pero no lo son.

Según 𝕏 @DotCSV, Carlos Santana lo describe como el anuncio más interesante de Anthropic en la última semana y afirma que cambia por completo su forma de trabajar y de crear animaciones — una reacción que dice bastante viniendo de alguien que vive del contenido visual.

Según 𝕏 @MLStreetTalk, la valoración de ML Street Talk es entusiasta pero con los pies en el suelo: el diseño es un dominio bien definido y especificable, lo que lo hace adecuado para un enfoque basado en agentes con código, pero cualquier experto real verá rápido las abstracciones con fugas y los casos límite que la herramienta no resuelve. Añade, además, que se quedó sin créditos tras dos horas de trabajo generando un banner y una miniatura, y que la velocidad es desesperantemente lenta.

Según 𝕏 @andrewchen, la IA actúa como multiplicador, no como igualador: los que ya saben diseñar bien van a sacar mucho más partido de Claude Design que alguien que nunca ha pensado en jerarquía visual o consistencia de componentes.

xAI expande Grok con voz, escritorio y más usuarios

xAI ha tenido una semana densa en movimientos. El más concreto: el lanzamiento de dos APIs nuevas para desarrolladores, una de transcripción de audio a texto con soporte para identificar múltiples hablantes en una misma grabación y cobertura de 25 idiomas, y otra de síntesis de voz. Son las piezas que cualquier empresa necesita para construir asistentes de voz propios sin depender de Google o OpenAI, y xAI acaba de ponerlas sobre la mesa. A eso se suma la información, con bastante credibilidad según quienes la han adelantado, de que ‘Grok Build’ y ‘Grok Computer’ llegarán juntos como aplicaciones nativas para macOS y Windows. La pregunta real es si esas apps traerán algo que no pueda hacerse desde el navegador, o si son solo un acceso directo con icono en el dock. En el frente de modelos, versiones beta de Grok 4.x ya están en manos de usuarios con acceso anticipado, con las versiones 4.3 y 4.4 en la hoja de ruta próxima. Y Grok acaba de marcar su máximo histórico de usuarios activos mensuales en la App Store. El crecimiento de usuarios es real, pero xAI todavía tiene que demostrar que se convierte en ingresos recurrentes y no solo en tracción de producto.

Según 𝕏 @WesRoth, Wes Roth adelantó el lanzamiento conjunto de ‘Grok Build’ y ‘Grok Computer’ como aplicaciones de escritorio unificadas para macOS y Windows, calificándolo de ‘muy probable’ —lo que apunta a fuentes cercanas a xAI, no a especulación en el vacío.

Con acceso anticipado a Grok 4.3, 𝕏 @ns123abc lo sometió directamente a las tareas más exigentes que normalmente corre en Claude. Es la forma más honesta de comparar modelos: sin benchmarks de laboratorio, con los problemas reales que uno usa a diario.

El máximo histórico de usuarios activos mensuales en la App Store que reporta 𝕏 @cb_doge es un dato real, pero el contexto importa: crecer en descargas no es lo mismo que crecer en uso recurrente, y ninguna de las dos cosas es lo mismo que crecer en ingresos.

Tesla lanza su servicio Robotaxi sin conductor en Dallas y Houston

Tesla ha comenzado a operar viajes comerciales sin conductor humano a bordo en Dallas y Houston, lo que convierte a Texas en el primer mercado donde el servicio Robotaxi llega a clientes reales sin supervisión. El salto desde pruebas internas hasta pasajeros pagando —o al menos usando el servicio— es operativamente distinto a todo lo que Tesla había hecho antes: hasta ahora, sus vehículos autónomos siempre llevaban un operador de seguridad. Waymo, el referente del sector, tardó años en llegar a ese punto en San Francisco y Phoenix, y aun así opera con restricciones geográficas y horarias estrictas. Lo que no está claro todavía es la escala real del despliegue en Texas: cuántos vehículos están activos, en qué zonas concretas circulan y qué condiciones —meteorológicas, de tráfico, de hora— los sacan de servicio. Tampoco está claro cómo van a reaccionar los reguladores texanos a medida que el volumen de viajes crezca. Texas tiene una regulación más permisiva que California para vehículos autónomos, lo que explica en parte por qué Tesla eligió estas ciudades para el arranque. El entusiasmo inicial de los primeros usuarios es real, pero el verdadero indicador será la fiabilidad del servicio en las próximas semanas, cuando la novedad pase y los problemas cotidianos —si los hay— empiecen a salir a la luz.

Según 𝕏 @quiet8302, un usuario que lo probó en Dallas lo describió como algo fluido y sin conductor, con sensación de estar viviendo algo del futuro. Ese entusiasmo es comprensible viniendo de alguien que acaba de subirse por primera vez, pero es exactamente el tipo de reacción que Tesla necesita que circule.

Según 𝕏 @jdp078492, quien hace habitualmente el trayecto entre las dos ciudades en coche propio —entre cuatro y cuatro horas y media cada vez— ve el Robotaxi como una forma de recuperar ese tiempo para trabajar o descansar en lugar de conducir.

Según 𝕏 @JCChristopher, documentó su primer viaje en Houston el segundo día de operaciones, desde el centro de entregas de Tesla en Cypress hasta una cafetería en West Road, acompañado de dos personas. El tipo de testimonio cotidiano y verificable que ayuda a separar el hype del funcionamiento real.

Codex de OpenAI ya controla tu Mac solo… pero no en la 🇪🇺

OpenAI ha añadido a Codex la capacidad de usar el ordenador de forma nativa en macOS: el agente puede interactuar directamente con aplicaciones del sistema sin que el usuario tenga que guiarlo paso a paso. Hasta ahora Codex operaba principalmente en terminales y entornos de texto; moverse por la interfaz gráfica del sistema operativo es un salto cualitativamente distinto, porque implica que el agente puede ver lo que ve el usuario y actuar en consecuencia. La pregunta que nadie ha respondido todavía es cómo gestiona errores sin supervisión humana y qué pasa cuando una tarea compleja se tuerce a mitad. En paralelo, OpenAI tuvo que restablecer los límites de uso en todos los planes tras una demanda que desbordó la capacidad disponible —lo que indica adopción real, no solo curiosidad puntual—. El contexto competitivo es relevante: Anthropic lleva meses con su propia función de uso del ordenador en Claude, y Google ha movido fichas similares con sus agentes. Que OpenAI llegue ahora con integración nativa en macOS, en lugar de emulación, es una apuesta técnica concreta. Lo que queda pendiente es si esta integración llega a Windows y en qué plazo, y si la autonomía del agente aguanta en flujos de trabajo reales más allá de las demos.

Según 𝕏 @gdb, Greg Brockman dice que construir aplicaciones web y juegos con Codex usando solo lenguaje natural es 'increíblemente divertido' y que el trabajo con Codex se ha vuelto 'simplemente divertido' —una señal de que la experiencia ya no se siente como programar, sino como describir lo que quieres y ver cómo aparece—.

Todo muy bien, excepto si estás en la Unión económica Europea 🇪🇺 y algún otro pais:

¿Alguien se imagina por qué? 🤔

Robótica con IA: carreras, almacenes y cerebros unificados

Tres noticias de robótica esta semana que, leídas juntas, cuentan algo más que cada una por separado. La más fotogénica: el humanoide H1 de Unitree —versión modificada de 2023— completó de forma autónoma 1,9 km con múltiples curvas en 4 minutos y 13 segundos en las clasificatorias del Maratón de Robots Humanoides de Pekín el 16 de abril. La comparación con el récord mundial humano en 1500 metros es proporcional y tiene sus límites —circuito distinto, robot modificado, condiciones controladas—, pero la estabilidad dinámica que implica correr así durante casi cuatro minutos es técnicamente relevante. En paralelo, Physical Intelligence presentó π0.7, su nuevo modelo base para robótica con capacidades emergentes en manipulación. Y la operación con más peso estructural: Skild AI adquirió la división robótica de Zebra Technologies, antes Fetch Robotics, que incluye una plataforma de orquestación humano-robot ya desplegada en almacenes reales. Lo que Skild compra no es solo hardware: es infraestructura logística funcionando y, con ella, datos de operaciones reales que un modelo generalista necesita para mejorar. Combinar orquestación probada con un cerebro de control unificado sobre flotas heterogéneas es la apuesta, aunque integrar ambas capas en producción a escala es un problema de ingeniería que los comunicados de prensa no resuelven.

Según 𝕏 @UnitreeRobotics, Unitree presentó el resultado del H1 poniendo el foco en la autonomía: el robot completó el recorrido sin intervención humana, y ese es el dato que les importa —la comparación con récords humanos es secundaria para ellos.

Según 𝕏 @pathak2206, Deepak Pathak, cofundador de Skild, enmarcó la adquisición como la unión de la plataforma de orquestación de Zebra con el Skild Brain para convertir almacenes en entornos de alta productividad autónoma —dejando claro que el objetivo no es acumular robots, sino coordinarlos con inteligencia.

Dudas sobre la economía del token en IA

Jeff Dean, científico jefe de Google, tiene una teoría sobre las alucinaciones que merece tomarse en serio: los datos de entrenamiento son 'borrosos', información comprimida que pierde precisión al almacenarse, mientras que el contexto inmediato —el texto exacto o el fotograma concreto delante del modelo— es nítido. La compresión produce algo parecido a la intuición; el contexto produce precisión verificable. La consecuencia práctica de esta distinción es que Google está apostando por meter más mundo dentro de la ventana de contexto: más documentos, más vídeo, más señal en tiempo real. No es una apuesta menor: los últimos meses han visto a todos los grandes laboratorios competir por ventanas de contexto más largas, y Google ha lanzado un modo de IA integrado en Chrome que divide la pantalla para consultar modelos mientras navegas, convirtiendo el navegador en el canal por el que entra información al modelo en tiempo real. El problema que nadie ha resuelto todavía es económico: ampliar el contexto tiene un coste computacional que escala mal, y la pregunta de si el beneficio marginal de cada token adicional justifica ese gasto a escala industrial sigue sin respuesta clara. Google tiene la infraestructura para intentarlo, pero tener la infraestructura y ejecutar con urgencia son cosas distintas.

Según 𝕏 @vitrupo, la distinción entre compresión e intuición es la parte más interesante de lo que dice Jeff Dean: no lo plantea como un fallo a corregir, sino como una característica de diseño. El entrenamiento te da intuición; el contexto te da precisión. Son capas distintas haciendo trabajos distintos.

Según 𝕏 @WesRoth, el modo IA en Chrome es la pieza que conecta la teoría con el producto: si el navegador se convierte en la ventana de contexto universal, Google tiene una ventaja estructural que ningún competidor puede replicar fácilmente desde cero.

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.