Altman y Amodei rebajan el discurso del apocalipsis laboral
La inminente salida a bolsa de OpenAI y Anthropic podría estar detrás de este cambio de posicionamiento
¿Qué pasó ayer? En un minuto:
Sam Altman y Dario Amodei rebajan sus avisos sobre la destrucción masiva de empleo cualificado por IA, justo cuando OpenAI y Anthropic preparan salidas a bolsa valoradas cerca del trillón de dólares cada una.
La OpenAI Foundation compromete 250 millones de dólares para medir el impacto económico de la IA, apoyar a trabajadores en transición y explorar nuevos modelos de prosperidad.
Los sistemas multi-agente prometen: Cognition levanta más de 1.000 millones y Alook publica una plataforma de código abierto para coordinar equipos de agentes con organigrama y memoria compartida.
Xiaomi rebaja de forma permanente la API de MiMo-V2.5 con recortes de hasta el 99% en tokens, días después del movimiento de DeepSeek.
Grandes compañías han quemado su presupuesto anual de tokens en los primeros meses del año, el problema es que nadie sabe cómo asignar capacidad ni cómo medir el retorno.
OpenAI abre su plataforma publicitaria a más anunciantes con CPC sugerido de 3,5 dólares y presupuesto mínimo de 25 al día, dirigida a usuarios gratuitos de ChatGPT en cuatro mercados angloparlantes.
ElevenLabs lanza Music v2 con licencia comercial incluida, pensado para las marcas.
Google abre Gemini Omni a todos los suscriptores de pago: combina texto, vídeo y hasta cinco imágenes en un clip de diez segundos, y permite restilizar vídeos existentes con un prompt.
El equipo de David Ha propone entrenar redes neuronales por bloques independientes, sin backpropagation extremo a extremo, para esquivar el muro de memoria que frena el escalado.
Y si tienes más de un minuto…
1. Altman y Amodei moderan el discurso del apocalipsis laboral
Sam Altman (OpenAI) y Dario Amodei (Anthropic) están suavizando sus advertencias previas sobre la destrucción masiva del empleo de cuello blanco, según un artículo de Fortune. Altman, en entrevista con Matt Comyn (CEO de Commonwealth Bank of Australia), reconoció haberse equivocado: el golpe esperado sobre los puestos de entrada no se ha materializado. Amodei, que llegó a estimar que la IA podía eliminar el 50% de los empleos administrativos cualificados, plantea ahora que la automatización podría ampliar el trabajo humano en lugar de reducirlo.
A ellos se suma David Solomon (Goldman Sachs), que viene relativizando el riesgo desde finales de 2025 apoyándose en la historia económica estadounidense. El giro coincide con la preparación de salidas a bolsa de OpenAI y Anthropic, con valoraciones estimadas en torno al billón de dólares cada una. Ante inversores institucionales y reguladores, un relato de productividad encaja mejor que el de la sustitución masiva. Los CIOs, por su parte, señalan una brecha de implementación: gobernanza de datos, integración y gestión del cambio exigen más personal del previsto. Los despidos recientes en Meta (8.000 puestos) e Intuit se han atribuido públicamente a la IA, aunque ninguna de las compañías ha publicado datos que demuestren causalidad directa entre los recortes y el despliegue de modelos.
Para 𝕏 @DavidSacks (David Sacks), el cambio de tono confirma una apuesta que defendió en enero como contraria al consenso: la IA acabará creando más empleo cualificado del que destruye, y ahora Wall Street y los laboratorios punteros empiezan a alinearse con esa lectura.
Desde el lado operativo, 𝕏 @levie (Aaron Levie) sostiene que cualquier estimación sobre el personal necesario para desplegar IA en la empresa debería multiplicarse por diez, y probablemente otra vez por diez, porque el cuello de botella que ven los CIOs no está en los modelos sino en la integración.
𝕏 @WesRoth (Wes Roth) advierte contra ambos extremos del debate: el relato catastrofista gana titulares por urgencia, pero la narrativa del 'supercharge' generalizado minimiza el coste real para quienes vean sus tareas automatizadas durante la transición.
Desde 𝕏 @theallinpod (The All-In Podcast) se recuerda que la tesis ya estaba sobre la mesa en el programa de predicciones de enero, cuando se argumentó que la IA aumentaría la demanda de trabajo del conocimiento en lugar de reducirla.
Más información:
2. OpenAI Foundation destina 250M al impacto económico
La OpenAI Foundation ha anunciado un compromiso inicial de 250 millones de dólares para financiar trabajo sobre el impacto económico de la IA, según la nota 'Economic Futures in the Age of AI' difundida por Sam Altman. El programa se articula en tres líneas: infraestructura independiente de medición y previsión de los efectos de la IA en la economía, apoyo a trabajadores y comunidades durante la fase de disrupción cercana, y exploración de nuevos modelos de organización política y económica tras la adopción masiva de la tecnología. El vehículo serán subvenciones, alianzas y trabajo directo, sin calendario público de desembolsos ni lista inicial de beneficiarios.
La cifra es modesta frente al gasto en cómputo de OpenAI, que opera en decenas de miles de millones anuales en compromisos de infraestructura, pero sitúa a la fundación en un debate hasta ahora dominado por gobiernos, sindicatos y think tanks. La fundación enmarca el esfuerzo como respuesta a un margen de actuación corto y a un coste alto de equivocarse.
Para 𝕏 @sama (Sam Altman), la IA debería traducirse en una mejora medible de la calidad de vida y de las libertades individuales a escala global, y ese es el marco con el que justifica el compromiso de la OpenAI Foundation.
Más información:
📎 Economic Futures in the Age of AI
3. Los agentes empresariales pasan a operar en equipo
El segmento de agentes para empresa está virando de copilotos individuales a sistemas multiagente orquestados. Cognition, la compañía detrás de Devin, ha cerrado una ronda superior a 1.000 millones de dólares con valoración de 26.000 millones, apoyada en un crecimiento de 10x en uso empresarial. Y Combinator confirma la dirección: ha desarrollado infraestructura interna de agentes con más de 350 herramientas y habilidades auto-mejorables para uso del propio fondo.
En paralelo, Alook ha publicado una plataforma de código abierto que permite a un solo usuario coordinar un equipo de agentes con roles, líneas de reporte y comunicación por email real, con ejecución asíncrona y entrega de resultados en la bandeja de entrada. El sistema se apoya en un organigrama compatible de fábrica con Claude Code (Anthropic), Codex (OpenAI) y OpenCode, y cada tarea completada alimenta una capa de memoria compartida que construye procedimientos reutilizables.
Los datos de uso que publica 𝕏 @SemiAnalysis_ (Semianalysis) muestran que el 63% de las sesiones no emplea sub-agentes, un 25,9% utiliza entre uno y cinco concurrentes y un 9,8% supera los cinco en paralelo.
Para 𝕏 @testingcatalog (Ai News | Testingcatalog), el 10x de uso empresarial de Devin es la señal de que Cognition está dejando atrás la fase de demo viral y entrando en despliegues productivos en grandes clientes, lo que justifica una valoración por encima de rivales como Cursor.
El nuevo podcast lanzado por 𝕏 @naval (Naval) con tres fundadores apunta a una tesis operativa: gastar tokens para ahorrar tiempo humano, con modelos que instruyen a personas y el desarrollo de software purista que pierde sentido.
Los ejemplos que comparte 𝕏 @gdb (Greg Brockman) sobre Codex ejecutando sub-agentes que navegan en paralelo y sobre agentes fiscales auto-mejorables apuntan a casos verticales concretos donde el patrón multiagente ya está saliendo del laboratorio.
Más información:
📎 Alook launches open-source AI team orchestration platform
4. Xiaomi recorta hasta 99% el precio de MiMo
Xiaomi ha rebajado de forma permanente las tarifas de su API MiMo-V2.5, con recortes que llegan al 99% en los tokens de entrada con acierto de caché. La compañía lo atribuye a mejoras en su pila de inferencia, no a una promoción, y mantiene la rebaja en todas las ventanas de contexto. Los planes por tokens también se reajustan: con el mismo gasto, el usuario obtiene entre cinco y ocho veces más uso. El recorte mayor se concentra en la entrada cacheada, justo el patrón de coste dominante en flujos de agentes con system prompts extensos, descripciones de herramientas y skills que se repiten entre llamadas.
La rebaja llega pocos días después de la de DeepSeek y consolida una presión a la baja sobre el coste de inferencia en contextos largos entre los laboratorios chinos. MiMo-V2.5 se ofrece a través de la API propia de Xiaomi; la compañía no ha publicado calendario de nuevos tramos de precio ni cambios en los límites de uso por cuenta, y la rebaja aplica a toda la serie sin distinguir entre variantes del modelo.
Tras probar el modelo con más de 40.000 tokens de descripciones de herramientas, system prompt y skills, 𝕏 @jeremyphoward (Jeremy Howard) destaca la relación calidad-precio y el comportamiento del caché como los dos factores que cambian la economía de los agentes con muchas tools.
Para 𝕏 @Jomolos (Jack Genius), el hecho de que la rebaja sea permanente y llegue justo después de la de DeepSeek confirma que la guerra de precios entre laboratorios chinos ha dejado de ser un gesto puntual.
𝕏 @aladagberk (Berk Aladag) apunta que la métrica útil para quien planifica coste mensual no es el 99% del titular, sino que los nuevos planes por tokens rinden entre cinco y ocho veces más con el mismo presupuesto.
5. Las empresas agotan su presupuesto de tokens
Varias grandes organizaciones han consumido su presupuesto anual de tokens de IA en los primeros meses del año, según conversaciones de responsables corporativos recogidas desde Wharton. El fenómeno no responde a un fallo de la tecnología sino a lo contrario: en doce meses, los tokens han pasado de no aparecer en ninguna partida a ser un insumo imprescindible para programar con asistentes como GitHub Copilot, Claude Code, Codex o Cursor.
El problema es de gobernanza. Las compañías carecen de criterios para decidir a qué perfiles asignar capacidad, en qué cuantía y con qué mecanismos de control, y tampoco disponen de modelos de previsión que anticipen cómo evolucionará el gasto. A diferencia de una licencia de software, el coste de inferencia escala con la longitud de contexto, las cadenas de razonamiento, el número de agentes concurrentes y la frecuencia de uso, todas con tendencia al alza. Eso abre espacio a una disciplina de FinOps específica para IA, con observabilidad en tiempo real, cuotas por usuario y métricas de retorno por desarrollador.
El desconcierto que detecta 𝕏 @emollick (Ethan Mollick) en los equipos directivos no nace de que la IA decepcione, sino de lo contrario: es tan útil que nadie sabe quién debería recibir tokens, cuántos ni cómo controlarlos. Plantea preguntas incómodas sobre si conviene priorizar a los mejores ingenieros, a los peores o a casos de uso concretos, y advierte de la fricción que generará entre equipos que no podrán gastar al mismo ritmo.
6. OpenAI amplía su plataforma publicitaria
OpenAI ha empezado a enviar invitaciones a más anunciantes para probar su plataforma publicitaria. La fase actual permite segmentar a usuarios gratuitos de ChatGPT en Estados Unidos, Canadá, Australia y Nueva Zelanda, con un presupuesto mínimo diario de 25 dólares y un CPC sugerido de 3,5 dólares. Los parámetros encajan con el formato habitual de plataformas de performance tipo Google Ads, trasladado a un entorno conversacional. El movimiento consolida un segundo motor de ingresos junto a las suscripciones (Plus, Pro, Enterprise) y la API, y coloca a la compañía a competir por el presupuesto de search y performance marketing que hoy capturan Google y Meta.
En paralelo, OpenAI ha incorporado a Colin Fleming, ex-CMO de ServiceNow, como Chief Marketing Officer for Business, una señal de profesionalización del go-to-market en empresa. Completa el cuadro el despliegue de herramientas de medición para que los anunciantes verifiquen si los anuncios en ChatGPT acaban en compras o reservas, pieza imprescindible para competir en publicidad de rendimiento. El alcance se limita por ahora a cuatro mercados angloparlantes y solo al tier gratuito. OpenAI no ha publicado los formatos exactos de los anuncios dentro de las respuestas, los criterios de moderación, ni el calendario para extender la prueba a usuarios de pago o a otros países.
Para 𝕏 @WesRoth (Wes Roth), la ampliación de invitaciones formaliza la entrada de OpenAI en un modelo publicitario complementario a las suscripciones, con foco en performance: el énfasis se desplaza de notoriedad de marca a demostrar que el gasto en anuncios genera compras y reservas medibles.
7. ElevenLabs acerca la producción de música para marcas
ElevenLabs ha presentado Music v2, una nueva versión de su modelo de generación musical con IA, con mejoras en voces, instrumentación, arreglos y soporte multilingüe. El anuncio, publicado por la compañía en X, llega acompañado de una bajada de precios: hasta un 50% menos para ElevenAPI y hasta un 40% menos para clientes self-service de ElevenCreative.
La novedad apunta directamente al mercado de contenidos comerciales. Music v2 alimenta tres productos: ElevenMusic, para crear y remezclar canciones; ElevenAPI, para integrar generación musical en apps y servicios; y ElevenCreative, pensado para música descargable en anuncios, vídeos y contenido de marca.
Para empresas, producir música original para campañas, vídeos corporativos o experiencias digitales podría ser más rápido y barato, con menos fricción legal. ElevenLabs asegura que el modelo está entrenado solo con datos licenciados y que las pistas generadas pueden usarse comercialmente, sin costes de sincronización ni retrasos de autorización.
La clave de Music v2 no está solo en la calidad creativa, sino en la promesa de licencias claras. En un sector donde la música generada por IA sigue bajo escrutinio, esa garantía puede ser decisiva para agencias, marcas y plataformas que necesitan escalar producción sin asumir riesgos legales innecesarios.
Al presentar Music v2, 𝕏 @WesRoth (Wes Roth) subraya la cadena completa que cubre el modelo, desde la creación hasta la licencia, una señal de que ElevenLabs quiere posicionarse como infraestructura para flujos comerciales y no solo como herramienta de demo.
8. Primeras impresiones de Gemini Omni
Google presentó Gemini Omni en su evento Google I/O, un modelo puro multimodal que de momento solo sirve para generar y restilizar vídeo con IA. Acepta texto, vídeo y hasta cinco imágenes como entradas, que combina en un clip cohesivo de diez segundos. También permite aplicar un estilo visual descrito en lenguaje natural sobre un vídeo o foto del usuario, lo que acerca la herramienta a flujos de marketing, redes sociales y postproducción ligera. El modelo ya está disponible para suscriptores de Google AI Plus, Pro y Ultra.
Para 𝕏 @emollick (Ethan Mollick), Google tiene el único modelo verdaderamente omni del mercado, capaz de procesar y generar audio, imagen, vídeo, canciones, texto y código, pero las piezas siguen desconectadas en producto: cada tipo de salida funciona por separado y el potencial real llegará cuando se puedan mezclar modalidades directamente sobre el modelo.
Desde el uso práctico, 𝕏 @DotCSV (Carlos Santana) señala que Omni desbloquea casos como la traducción de vídeo con clonación de voz y lip-syncing del avatar en un único prompt, eliminando el encadenado de varios modelos especializados que antes exigía cada paso del flujo.
Con dos imágenes de referencia y un prompt para montar un coche deportivo pieza a pieza en diez segundos, 𝕏 @HarshithLucky3 (Harshith) ilustra el caso de uso que Google parece querer empujar: secuencias cortas guiadas por imágenes de inicio y fin, más cerca del storyboard que de la generación libre.
𝕏 @Strength04_X (Strength04_X) comparte un corto narrativo creado con Gemini Omni Flash 3.5 sobre un soldado que vuelve a casa, una muestra temprana de que los primeros usuarios están explorando piezas con arco emocional dentro del límite de diez segundos.
9. La técnica de backpropagation, en revisión
David Ha ha anunciado un método para entrenar redes profundas sin backpropagation extremo a extremo. La idea es trocear la red en bloques que se entrenan por separado, sin necesidad de mantener todas las activaciones en memoria a la vez. Ese requisito de memoria es lo que hace que el entrenamiento actual choque con un muro de GPU y energía conforme crecen los modelos. Si la técnica rinde a escala comparable, permitiría entrenar modelos grandes con hardware menos especializado y abaratar el coste marginal de cada generación.
La propuesta, desarrollada junto a la Universidad de Tokio, ha sido aceptada como póster en ICLR 2026, una de las conferencias relevantes del sector. Sin embargo, conviene matizar el entusiasmo: ya hubo intentos previos de entrenamiento local o por bloques que no han desplazado al backprop clásico en igualdad de cómputo. Por ahora es investigación académica, no un producto comercial listo para desplegar. Pero el campo de la IA necesita seguir aportando nuevas ideas para no depender solo de la fuerza bruta: más datos, más cómputo.
Para 𝕏 @hardmaru (Hardmaru), llevamos más de una década asumiendo que el backprop extremo a extremo es la única vía para entrenar redes profundas, cuando el verdadero cuello de botella es tener que cargar toda la red en memoria de golpe.
𝕏 @pmddomingos (Pedro Domingos) lo enmarca en lo que llama la comedia de la IA: técnicas adoptadas con una justificación teórica que acaban haciendo otra cosa, como el weight decay, pensado para controlar el sobreajuste y que en la práctica solo reduce el training loss.
Más información:
📎 DiffusionBlocks: Training Neural Networks One Block at a Time
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.