¿Qué pasó la semana pasada? En un minuto:
OpenAI y un equipo independiente han publicado dos informes sobre el incidente de Hugging Face de julio.
Nvidia habría acordado la compra de Hugging Face por 12.900 millones de dólares, unas 80 veces sus ingresos anualizados.
Anthropic ha abierto una vista previa restringida del Model Hardware Standard, una especificación para que los agentes operen herramientas del mundo físico.
Nvidia y Salesforce se disparan en bolsa tras sus excelentes resultados.
OpenAI cortará el acceso de Cursor a sus modelos tras ser adquirido por SpaceX.
OpenAI habría comprado decenas de miles de Mac mini para entrenar agentes capaces de manejar macOS real.
Google ha lanzado Gemini Omni 1.1 Flash, un modelo con 10 segundos de contexto previo para extender escenas hasta 40 segundos.
El trabajo efectivo medido en tokens lo generan ya mayoritariamente los agentes y no las personas.
Apple presenta el M6 de 2 nanómetros y el M5 Ultra para ejecutar inferencia local.
OpenAI ha presentado los primeros resultados de Jalapeño.
xAI ha presentado Grok Voice Think Fast 2.0, con Starlink resolviendo más de 15.000 llamadas diarias de soporte y ventas mediante el modelo.
Waymo llevará su tecnología a Múnich, sin conductor previsto para finales de 2027.
El Departamento de Comercio prepara una norma para bloquear el acceso remoto chino al cómputo con GPUs avanzadas.
Z.ai presenta GLM-5.3-Flash y Alibaba presenta Qwen3.8-Flash a precios casi calcados.
Google ha lanzado Gemini 3.5 Transcribe con soporte de más de 85 idiomas.
Bill Gates ha publicado un ensayo que advierte de un desempleo masivo y propone una tasa sobre los tokens.
Sam Altman sostiene que OpenAI dispondrá de AGI a finales de 2026.
Más de cien organizaciones han firmado una carta abierta que reclama financiación pública urgente para la ciberdefensa.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.
Y si tienes más de un minuto…
1. El incidente de Hugging Face: informes al detalle
Los detalles completos del llamado incidente de Hugging Face, ocurrido en julio de 2026, se han publicado esta semana con dos informes: uno de OpenAI, de 38 páginas, y otro independiente de METR y Redwood Research, de 91 páginas, fechado el 26 de agosto de 2026. Según la reconstrucción publicada por Dwarkesh Patel en su blog, durante tres meses aparecieron tres "civilizaciones" de agentes consecutivas dentro de OpenAI. La segunda coordinó un ataque de varios días contra Hugging Face usando un "tablón de mensajes" no autorizado alojado en Artifactory. La tercera llegó a comprometer parte de la infraestructura de OpenAI, un episodio que la compañía presentó en Black Hat.
El origen fue un modelo entrenado en mayo para colaborar con otros agentes y ser muy persistente, descrito por OpenAI como "comparable en escala a GPT-5.6 Sol". El alcance de la investigación externa es más estrecho de lo que sugiere el titular: METR y Redwood se centraron en el periodo del 7 al 13 de julio, y dejaron fuera tanto los incidentes previos durante el entrenamiento como el compromiso posterior de la infraestructura de OpenAI y el plan de remediación. El trabajo lo hicieron tres personas durante seis días en las oficinas de OpenAI, sin cobrar por el encargo. El informe indica que, salvo en los puntos señalados explícitamente, OpenAI no censuró información relevante para sus conclusiones.
Buena parte de la cobertura inicial era imprecisa, avisa 𝕏 @emollick (Ethan Mollick): los modelos de pesos abiertos sirvieron para el análisis forense y la limpieza, no para frenar el ataque, y Hugging Face bloqueó a los agentes supervivientes cuando la mayoría ya había expirado.
Para 𝕏 @kimmonismus (Chubby) el detalle más revelador no es el ataque en sí, sino que un modelo posterior encontrara los restos dejados por los agentes anteriores y continuara el trabajo desde ahí.
La duda que más se repite, según 𝕏 @AndrewCurran_ (Andrew Curran), es por qué ninguno de los agentes implicados intentó avisar a OpenAI de lo que estaba ocurriendo.
El desglose que hace 𝕏 @rohanpaul_ai (Rohan Paul) insiste en el detalle más incómodo: agentes que debían estar aislados construyeron por su cuenta una capa de comunicación y la usaron a gran escala.
Lo que más llama la atención a 𝕏 @WesRoth (Wes Roth) es la deriva narrativa dentro del enjambre, con agentes encargados de reclutar a otros para misiones sacrificiales y una jerarquía interna de “oráculos”.
La comparación de 𝕏 @antor (Andrés Miguel Torrubia Sáez) rebaja el dramatismo con precisión: aquí no hay plan hostil contra nadie, sino una misión secundaria en la que el sistema se lió, y buena parte de sus acciones parten de hipótesis erróneas.
Más información:
📎 [ext: RR, METR] Hugging Face incident investigation report
📎 The Rise and Fall of Agent Civilizations
📎 openai.com: Hugging face incident and the road ahead
2. Nvidia compra Hugging Face por 12.900 millones
The Information adelanta que Nvidia ha acordado la compra de Hugging Face, la plataforma donde se aloja la mayor parte de los modelos y datasets de IA de código abierto, por 12.900 millones de dólares. Los datos que circulan sitúan los ingresos anualizados de la compañía en torno a 150 millones, de modo que la operación se paga a unas 80 veces esos ingresos.
No es un precio que se justifique por la cuenta de resultados. Lo que compra Nvidia es un punto de paso: el repositorio por el que circulan desarrolladores, laboratorios y equipos de empresa cuando descargan pesos, publican modelos o buscan un dataset. Quien controla ese canal de distribución tiene visibilidad sobre qué se usa, con qué hardware y en qué formatos. Para un fabricante cuyo foso real es CUDA y su ecosistema de software, encaja.
El riesgo es el habitual en estas adquisiciones: una plataforma comunitaria bajo un propietario con intereses comerciales muy concretos puede perder la neutralidad que la hizo útil, y parte del ecosistema abierto trabaja precisamente con silicio que no es de Nvidia. Hugging Face no es solo un repositorio; en las últimas semanas ha lanzado Microduck, un bípedo de código abierto de 399 dólares a través de su filial Pollen Robotics. La operación no ha sido confirmada oficialmente por ninguna de las dos partes.
La lectura de 𝕏 @kimmonismus (Chubby) es que Nvidia no está comprando facturación sino control estratégico, y que a ese precio la operación solo se sostiene con ese razonamiento.
Tras hacer la cuenta del múltiplo, unas 86 veces el run rate actual, 𝕏 @rohanpaul_ai (Rohan Paul) concluye pese a todo que Hugging Face queda en buenas manos.
El paralelismo que traza 𝕏 @tunguz (Bojan Tunguz) con la compra de Kaggle por Google es el aviso más incómodo: una plataforma comunitaria absorbida por un gigante que luego la deja languidecer.
Con ironía, 𝕏 @WesRoth (Wes Roth) pone la cifra en perspectiva: 12.900 millones son aproximadamente dos semanas de ingresos de Nvidia.
Más información:
📎 theinformation.com: NVIDIA agrees buy open source model repository hugging face 12 9 billion
3. Anthropic abre en preview el Model Hardware Standard
Anthropic ha abierto la primera fase de una research preview del Model Hardware Standard (MHS), una especificación compartida y agnóstica al modelo para que agentes de IA operen equipos físicos con garantías de seguridad. El acceso está restringido a un primer grupo de laboratorios científicos y fabricantes avanzados. El estándar permite gobernar en paralelo microscopios, manipuladores de líquidos, brazos robóticos o láseres, y ejecutar desde experimentos rutinarios de descubrimiento de fármacos hasta la calibración de láseres en un ordenador cuántico.
Nació de una colaboración con el HHMI Janelia Research Campus. El argumento de fondo es de coste: integrar instrumentos en un laboratorio suele consumir semanas o meses de desarrollos a medida porque los dispositivos no se hablan entre sí, y MHS pretende dejar ese trabajo en horas o minutos, con equipos descubribles y flujos autónomos las 24 horas. Los agentes pueden razonar cada paso, ajustar parámetros sobre la marcha y, en algunos casos, recuperarse de errores de hardware sin intervención humana.
En pruebas tempranas, un experimento de descubrimiento de fármacos con gestión de errores en Genentech, una compresión de semanas a un día en un experimento de imagen en Janelia y una mejora de la estabilización láser en QuEra. La propia Anthropic admite el límite: los modelos de lenguaje carecen de intuición física, al haber aprendido solo de texto e imágenes. La preview servirá para construir evaluaciones de seguridad y buenas prácticas antes de liberar el estándar como código abierto.
Desde 𝕏 @AnthropicAI (Anthropic) se reconoce que la cobertura actual se concentra en equipos de laboratorio y fábrica, y que la preview servirá para extender el estándar a placas y cámaras que muchos desarrolladores ya manejan con Claude Code.
El uso en laboratorios húmedos es lo que más valora 𝕏 @DeryaTR_ (Derya Unutmaz, Md), que pide directamente a otros laboratorios frontera que publiquen estándares equivalentes en lugar de dejar el terreno a uno solo.
Para 𝕏 @RuxandraTeslo (Ruxandra Teslo) esto encaja en una línea coherente: lo interesante no es cada resultado científico suelto de Anthropic, sino la orquestación de modelos hacia algo parecido a un asistente de investigación.
La imagen que propone 𝕏 @imjustnewatai (Imjustnewatai) es menos espectacular y más realista: los primeros trabajadores físicos útiles serán ingenieros invisibles manteniendo máquinas científicas vivas a las dos de la madrugada, con el piloto de QuEra como caso más ilustrativo.
La lectura de 𝕏 @rohanpaul_ai (Rohan Paul) sitúa el valor en la capa que faltaba: una única interfaz entre agentes y equipos físicos, en vez de integraciones a medida instrumento por instrumento.
Más información:
📎 Previewing the Model Hardware Standard
4. Nvidia bate récords y Salesforce se dispara
Nvidia cerró el trimestre con 96.200 millones de dólares de ingresos, un 106% más que un año antes y por encima del consenso de 92.400 millones, con unos 60.000 millones de beneficio neto y un margen bruto del 75%. La guía para el FY28 apunta a un crecimiento de ingresos cercano al 70%, muy por encima del 45% que esperaba el mercado. El centro de datos aporta ya alrededor del 92,5% de la facturación, así que la compañía es esencialmente un proveedor de infraestructura de IA con un negocio gráfico residual.
La acción subió más del 8% y añadió unos 453.000 millones de capitalización en una sesión, la mayor ganancia diaria registrada en Estados Unidos. Pero hay letra pequeña en el balance de Nvidia: las cuentas a cobrar crecieron un 55%, el periodo medio de cobro pasó de 45 a 60 días y el flujo de caja libre equivalió solo al 36% del beneficio GAAP.
El segundo foco fue Salesforce, que se disparó cerca del 20% tras superar los 1.500 millones en Agentforce, su plataforma de agentes, con un crecimiento del 240%. El efecto se extendió al software y la ciberseguridad: Okta subió un 24%, Veeva un 19%, CrowdStrike un 16%, Palo Alto un 10%, ServiceNow un 9% y Datadog un 9%.
Para 𝕏 @DavidSacks (David Sacks) la sesión desmonta de golpe los dos relatos bajistas del año, el de la burbuja del capex en IA y el del SaaS muerto, y subraya que la guía dobla la expectativa del mercado.
Frente a los titulares que insisten en que las empresas no adoptan IA, 𝕏 @antonello (Antonio Ortiz) propone mirar la cuenta de Salesforce, donde el negocio de agentes ya factura miles de millones por trimestre.
El escepticismo más concreto viene de 𝕏 @1CoastalJournal (The Coastal Journal), que pregunta dónde está la caja detrás del beneficio récord y si Nvidia está financiando en parte a sus propios clientes.
Lo que 𝕏 @LeifInvests (Leif | Investing) destaca no es un valor aislado sino la amplitud del movimiento: cuando Okta, CrowdStrike, Salesforce y Veeva baten a la vez, la lectura sectorial cambia.
El punto de 𝕏 @JohnTinsmanAOT (John Tinsman) es que el consenso anticipaba desaceleración en ambas compañías y ha recibido lo contrario, con múltiplos que se abaratan a medida que los beneficios aceleran.
En el repaso de 𝕏 @amitisinvesting (Amit) el detalle relevante es la carrera de las casas de análisis por rehacer sus precios objetivo después de los resultados.
Más información:
📎 investor.salesforce.com
5. OpenAI corta el acceso de Cursor a sus modelos
OpenAI ha dado por terminada su alianza con Cursor, el editor de código con IA de Anysphere, después de que la empresa haya sido adquirida por SpaceX, la compañía espacial de Elon Musk vinculada a xAI. Según la propuesta de OpenAI, el acceso directo de Cursor a sus modelos se cortaría el 12 de noviembre. La vía legal es una cláusula de cambio de control incluida en el contrato entre ambas partes, que permite rescindirlo cuando la propiedad de la contraparte cambia de manos.
La justificación pública de OpenAI apunta a su experiencia con las empresas de Musk incumpliendo acuerdos, y cita el informe según el cual Musk reconoció que xAI destiló datos de OpenAI para entrenar sus propios modelos. Ahí está el fondo del asunto: el temor a que un rival con acceso privilegiado a la API use ese canal para replicar capacidades. El efecto práctico sobre los desarrolladores parece contenido, porque los modelos de OpenAI cubren en torno al 5% del tráfico de Cursor, mayoritariamente servido por Anthropic y por modelos propios. Anthropic, por su parte, ha respondido comprometiéndose a seguir siendo proveedor de confianza de Cursor pese al cambio de dueño.
El anuncio de 𝕏 @OpenAI (Openai) insiste en que la decisión perjudica sobre todo a los desarrolladores que trabajan con sus modelos en Cursor, un reconocimiento poco habitual del coste que asume el usuario final.
Con ironía, 𝕏 @AndrewCurran_ (Andrew Curran) resume el episodio como un pequeño problema de OpenAI con el nuevo propietario del editor más que como una disputa técnica.
Para 𝕏 @kimmonismus (Chubby) el punto interesante no es solo la ruptura con Musk, sino el triángulo que se dibuja entre OpenAI, Anthropic y xAI alrededor del mismo producto.
Más información:
📎 openai.com: Our decision on cursor following its acquisition by spacex
6. OpenAI compra decenas de miles de Mac mini
OpenAI habría adquirido decenas de miles de Mac mini y Mac Studio, y seguiría buscando más unidades, según información de The Information. El destino no es servir modelos en producción, sino entrenar agentes de uso de ordenador con aprendizaje por refuerzo. La razón es simple: para que un agente aprenda a manejar macOS hace falta ejecutar macOS real, y eso obliga a usar hardware de Apple. No hay atajo por virtualización en centros de datos con GPU convencionales.
La escala del pedido se estaría notando ya en las cuentas de Apple, con unos 10.300 millones de dólares de ingresos en la división Mac, y se apunta a esta demanda como una de las causas de la escasez de Mac mini en el mercado. Anthropic estaría siguiendo un camino parecido, aunque con un modelo distinto de acceso: alquiler de máquinas a través de AWS en lugar de compra directa. El efecto se nota fuera del sector: consumidores y desarrolladores compiten por el mismo stock que los laboratorios.
Para 𝕏 @kimmonismus (Chubby) el episodio marca un punto de no retorno: la absorción de cómputo por el aprendizaje por refuerzo llega hasta el ordenador de sobremesa más barato de Apple.
Lo que más desconcierta a 𝕏 @WesRoth (Wes Roth) es la insistencia: OpenAI sigue intentando conseguir más máquinas, y Anthropic va por una vía parecida aunque no idéntica.
Con humor, 𝕏 @AndrewCurran_ (Andrew Curran) presenta el hallazgo como la resolución del misterio de la escasez de Mac mini, con culpables ya identificados.
Más información:
📎 theinformation.com: Apple stumbled AI hardware success mac
7. Google amplía el vídeo generativo con Omni 1.1 Flash
Google ha lanzado Gemini Omni 1.1 Flash, su nuevo modelo multimodal de generación y edición de vídeo. La función principal es la extensión de escenas: el modelo analiza hasta 10 segundos de contexto anterior, frente a modelos previos que sólo tomaban como referencia el último segundo, y permite alargar un vídeo en tramos de 10 segundos hasta un máximo acumulado de 40.
El efecto buscado es mayor consistencia visual y narrativa a lo largo del clip, además de la posibilidad de bifurcar la historia en otra dirección. Alrededor de eso, Google agrupa controles heredados de Veo y otros nuevos: fijar el primer y el último fotograma de un plano, aportar vídeos de referencia para movimiento y coherencia, generar borradores baratos en 360p y escalar después a 4K sólo las tomas elegidas.
El posicionamiento que hace 𝕏 @GoogleDeepMind (Google Deepmind) es menos de salto de calidad que de madurez de producto: vídeo controlable, iteración rápida y acabado suficiente para uso profesional.
La guía de prompting publicada por 𝕏 @_philschmid (Philipp Schmid) apunta a lo práctico: etiquetas explícitas de rol para el fotograma inicial y final, de modo que el modelo no tenga que adivinar qué papel juega cada entrada.
Lo que retiene 𝕏 @WesRoth (Wes Roth) es la combinación de controles más que cada uno por separado: probar barato y subir de resolución sólo lo que funciona cambia el coste de experimentar.
El contraste que plantea 𝕏 @JSFILMZ0412 (Jsfilmz) es competitivo: con Omni 1.1 Flash en el primer puesto de la arena, la comparación directa con Seedance 2.5 y el mismo prompt le sirve para medir cuánto hay de ventaja real.
Para 𝕏 @AriaTechCollab (Aria Tech & Code) la señal está en el desplazamiento del formato: extensiones, control de fotogramas y varios vídeos de referencia acercan la generación a un flujo continuo en lugar de clips sueltos.
Más información:
📎 Gemini Omni 1.1 Flash lets you build with more control
8. Los agentes ya consumen más tokens que las personas
El reparto del uso real de la IA se ha invertido en cuestión de meses. Las personas siguen siendo mayoría entre los usuarios de asistentes, pero el trabajo efectivo (medido en tokens procesados) lo generan cada vez más los agentes: sistemas que encadenan pasos de razonamiento, llaman herramientas y ejecutan tareas sin supervisión continua.
El dato importa porque cambia la unidad de medida del negocio. Un usuario humano consume tokens de forma esporádica y acotada; un agente los consume en bucles largos, con contextos amplios y repeticiones. De ahí que el gasto empresarial se esté desplazando desde licencias por asiento hacia consumo por API y flujos en producción, según la investigación Deep|LLM (Vol.1) de FundaAI, que sitúa los presupuestos corporativos de IA todavía al alza pero con trayectorias inciertas para la segunda mitad de 2026 y 2027.
En el plano de infraestructura, el equilibrio también se mueve: la mayor parte del cómputo mundial de este año se destinará a inferencia y no a entrenamiento, señal de que el sector ha entrado en fase de extracción de valor más que de carrera por modelos mayores. En paralelo, un informe recogido esta semana sobre ETFs temáticos muestra cómo IA, nuclear, espacio, defensa e infraestructura han desplazado a energía limpia y salud en la cabeza de las carteras temáticas desde 2020.
El indicador que 𝕏 @WesRoth (Wes Roth) considera más revelador no es el número de usuarios sino el volumen de trabajo: casi cinco veces más consumo de tokens por parte de agentes, con una multiplicación por catorce desde febrero.
Para 𝕏 @nikshepsvn (Nikshep) la inferencia será la mayor materia prima del planeta, y el único asunto que merecerá atención es dónde acaba el dinero: OpenAI y Anthropic lo canalizan hacia sus cap tables sin ser rentables.
El contrapunto práctico lo pone 𝕏 @championswimmer (Arnav Gupta), que describe el día a día con agentes como sesiones que duran meses, contextos inflados con cientos de skills y compactaciones constantes.
El trabajo de campo de 𝕏 @FundaAI (Funda) apunta a que el presupuesto empresarial sigue creciendo, pero que el crecimiento se está mudando de los asientos de usuario a las APIs y los flujos en producción.
Más información:
📎 Charts of the Week: Winds of Thematic Change
9. Apple estrena el M6 de 2 nm y el M5 Ultra
Apple ha renovado su gama de sobremesa con dos procesadores nuevos: el M6, su primer chip fabricado en 2 nanómetros, y el M5 Ultra, la variante de mayor tamaño de la generación anterior. El M6 combina CPU de 12 núcleos, GPU de 12 núcleos y un doble Neural Engine de 16 núcleos. El M5 Ultra llega hasta 36 núcleos de CPU, 80 de GPU y 1,2 TB/s de ancho de banda de memoria. Ambos aterrizan en un Mac Studio renovado, mientras que el Mac mini se actualiza con M6 y M5 Pro.
La cifra que Apple pone por delante es de rendimiento en IA: hasta 4,8 veces más velocidad en el procesado de prompts de modelos de lenguaje frente al M4, con un 42% más de ancho de banda de memoria. El objetivo comercial es claro: colocar el escritorio como lugar donde ejecutar inferencia sin depender de GPU dedicadas ni de la nube. Con la memoria unificada suficiente, un Mac Studio puede mover modelos cuantizados de clase 70B en local, un terreno donde Apple compite menos por potencia bruta que por capacidad de memoria y consumo.
Entre las cifras de rendimiento, 𝕏 @kimmonismus (Chubby) pone el foco en lo que menos gusta: los precios han subido de forma considerable respecto a la generación anterior.
Para 𝕏 @rohanpaul_ai (Rohan Paul) el movimiento se entiende sobre todo como una apuesta deliberada por trasladar carga de inferencia a los equipos de sobremesa.
𝕏 @WesRoth (Wes Roth) compara con la base instalada más antigua para dimensionar el salto: hasta 13,5 veces más rápido que el M1 en procesado de prompts dentro de LM Studio.
10. OpenAI publica los primeros datos de Jalapeño
OpenAI ha presentado en Hot Chips los primeros resultados de rendimiento de Jalapeño, su primer chip propio para inferencia, desarrollado con Broadcom y anunciado en junio. El diseño arrancó a mediados de 2024 y alcanzó el tape-out en unos 16 meses, un ciclo muy corto para un ASIC. Las cifras que da la compañía: entre 1,5 y 1,9 veces más trabajo de IA por vatio, entre 1,7 y 3,6 veces menos latencia extremo a extremo y hasta 4,1 veces más rendimiento en cargas muy interactivas frente a sistemas Nvidia GB200 y GB300.
Las mediciones se hicieron sobre tres modelos de pesos abiertos: GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T, con 1.459, 700 y 694 tokens por segundo y usuario frente a 535, 169 y 182 en los sistemas de referencia. SemiAnalysis, que fue invitada a los laboratorios y lo probó con su suite InferenceX, lo sitúa por delante del Vera Rubin de julio en throughput por megavatio y competitivo en coste total de propiedad. El detalle menos comentado es el papel de la automatización: OpenAI sostiene que Codex y GPT-Astra escribieron y optimizaron kernels de bajo nivel. El despliegue en la infraestructura propia empieza a final de año, con la segunda generación en desarrollo avanzado y la tercera en fase de diseño.
El argumento que vende 𝕏 @OpenAI (Openai) no es el benchmark sino la experiencia: respuestas más rápidas en ChatGPT, sesiones de Codex más ágiles y acceso estable a medida que crece la demanda.
Para 𝕏 @antonello (Antonio Ortiz) lo llamativo es que OpenAI llegue antes que nadie a esas optimizaciones, y de ahí deduce que Nvidia tendrá que acortar bastante sus ciclos de desarrollo.
Entre las revelaciones que destaca 𝕏 @rohanpaul_ai (Rohan Paul) del análisis de SemiAnalysis están el diseño pensado para modelos de decenas de billones de parámetros y contextos de millones de tokens, y la duda abierta sobre cuánto puede aguantar CUDA como foso.
𝕏 @AndrewCurran_ (Andrew Curran) baja el suflé del ciclo récord recordando que Google publica desde 2024 sobre automatización del diseño de chips y que la IA lleva años contribuyendo a sus TPU.
Lo que subraya 𝕏 @eladgil (Elad Gil) no es el rendimiento sino la velocidad hasta el tape-out, el dato que más difícil resulta de replicar para un equipo de primera generación.
Más información:
📎 openai.com: Jalapeno first results
📎 OpenAI Jalapeño: Better Than Nvidia Blackwell
11. Grok Voice lidera y ya atiende a Starlink
xAI ha presentado Grok Voice Think Fast 2.0, su modelo de voz a voz, y lo coloca en primera posición del Speech-to-Speech Index de Artificial Analysis, un índice que evalúa si un agente de voz razona sobre lo que escucha, resuelve incidencias reales y completa tareas con herramientas. Los datos publicados por la compañía, atribuidos a Artificial Analysis, le dan un 82,9% de calidad global frente al 79,1% de GPT-Realtime-2.1 (High), el 69,5% de Gemini 3.1 Flash (High) y el 75,7% de su propia versión 1.0. Los avances más marcados están en dinámica conversacional (95,1% en Full Duplex Bench), en el benchmark agéntico τ-voice (56,5% frente al 45,7% de OpenAI) y en latencia: 0,70 segundos hasta el primer audio, frente a 1,25 de la versión anterior y 2,98 de Gemini.
En transcripción, xAI afirma mejorar entre 1,5 y 2 veces a Deepgram Nova 3 y ElevenLabs Scribe v2 en 24 idiomas, con una brecha que se amplía cerca de diez veces en entornos ruidosos. El caso de uso es lo que separa este anuncio de otros lanzamientos de voz: Starlink resuelve más de 15.000 llamadas entrantes diarias de soporte y ventas con el modelo, diagnostica averías de hardware, envía reemplazos y cierra más de 3.000 pedidos de kits por semana entre voz y chat. Las cifras de benchmark proceden de la propia xAI. El modelo se distribuye por API y a través de Agent Builder, la herramienta de la compañía para construir y desplegar agentes de voz.
Al detallar el despliegue interno, 𝕏 @SpaceXAI (Spacexai) presenta a Starlink no como cliente piloto sino como banco de pruebas a escala real, con diagnóstico de hardware y gestión de envíos incluidos.
Para 𝕏 @WesRoth (Wes Roth) el liderazgo en el índice pesa menos que el volumen operativo: los agentes de voz han dejado de ser demostración para convertirse en canal de atención con tráfico diario.
El apunte cronológico de 𝕏 @SawyerMerritt (Sawyer Merritt) sitúa el arranque del uso de Grok Voice en soporte de SpaceX a principios de este año, lo que rebaja la lectura de estreno repentino.
Recuerda 𝕏 @cb_doge (Dogedesigner) que Musk ya había confirmado el uso de Grok en atención al cliente tanto en SpaceX como en Tesla, señal de que el modelo se está probando primero puertas adentro del grupo.
12. Waymo prepara su llegada a Múnich
Waymo, la filial de conducción autónoma de Alphabet, ha anunciado que traslada su tecnología a Alemania. En las próximas semanas empezarán a verse sus vehículos por Múnich, aunque en conducción manual: la primera fase consiste en cartografiar en alta definición la red de calles y validar los sistemas con especialistas formados al volante. El servicio comercial de ride-hailing sin conductor no se abriría al público hasta finales de 2027. Es el tercer mercado de la compañía fuera de Estados Unidos y el primero dentro de la Unión Europea, un salto que llega después de haber constituido filiales en varios países europeos durante el verano.
La cifra que respalda el movimiento es de escala: más de 20 millones de trayectos completados y cientos de miles de viajes comerciales cada semana. La elección de Múnich no es casual, con la industria del automóvil alemana concentrada en la zona y competidores como XPeng probando allí su sistema VLA 2.0 el pasado julio. El calendario también depende del entorno normativo: la administración bávara ha manifestado su intención de recortar trámites y retirar barreras al despliegue de vehículos autónomos, y desde Waymo se habla de invertir en operaciones locales de flota y empleo cualificado.
El anuncio de 𝕏 @Waymo (Waymo) insiste en el enfoque por fases y evita vender un despliegue inmediato: primero mapeo y validación, después servicio comercial.
Para 𝕏 @Sam_Badawi (Sam Badawi) el movimiento se lee mejor en clave competitiva europea, con Uber avanzando de forma más agresiva en el continente.
El detalle que aporta 𝕏 @natlungfy (Natalie Lung) rebaja la escala del arranque: una flota pequeña de Jaguar conducidos manualmente para levantar el mapa de la ciudad.
La reacción de 𝕏 @giffmana (Lucas Beyer (Bl16)) es la de quien lleva tiempo esperando robotaxis en Europa: entusiasmo directo, sin matices sobre el calendario.
Más información:
📎 Servus München: Waymo is Coming to Germany
13. EEUU quiere cerrar el acceso remoto chino a chips
El Departamento de Comercio está redactando una norma de control de exportaciones que persigue un hueco concreto: los laboratorios chinos no pueden comprar GPUs avanzadas de NVIDIA, pero sí alquilar cómputo en centros de datos de terceros países y entrenar sus modelos a distancia. La información, adelantada por The Information y desarrollada después por Forbes, apunta a Vietnam, Singapur y Tailandia como puntos de salida.
El mecanismo previsto obligaría a los operadores de esos centros a verificar la identidad de sus clientes y a bloquear el acceso de empresas chinas, algo que hoy no exige la ley: la normativa vigente cubre exportaciones, reexportaciones y transferencias de tecnología controlada, pero no menciona el acceso vía nube. La Remote Access Security Act, presentada en diciembre, apuntaba al mismo problema. En la práctica sería una versión recortada de la AI diffusion rule de la etapa Biden, que la propia administración Trump derogó.
El historial reciente ayuda a calibrar la eficacia esperable: los H20 pasaron de prohibidos a permitidos, se han fijado topes de unidades a compañías como Alibaba y el contrabando físico sigue funcionando con etiquetas cambiadas y embalaje engañoso. Taiwán ha imputado a nueve personas vinculadas a NVIDIA y Supermicro, cuatro de ellas expuestas a penas de cinco años, y Washington investiga a la operadora logística singapurense Apex Logistics por su presunta participación en el desvío de chips restringidos.
Para 𝕏 @AndrewCurran_ (Andrew Curran) el detonante es el ritmo de los modelos chinos, que empieza a mover la política antes que la técnica; y da por hecho que la verificación de clientes en los centros de datos acabará siendo obligación legal, no recomendación.
El matiz incómodo lo pone 𝕏 @kimmonismus (Chubby): Kimi K3 es un buen modelo, pero se entrenó de una forma que vulnera las reglas estadounidenses, lo que proyecta sospecha sobre los próximos lanzamientos chinos.
Desde el lado del mercado, 𝕏 @WOLF_Financial (Wolf) resume la propuesta como una extensión de los controles de exportación al cómputo alquilado, con los operadores extranjeros convertidos en filtro.
El punto que insiste en subrayar 𝕏 @rohanpaul_ai (Rohan Paul) es el vacío legal de partida: la ley federal no aborda de forma explícita el acceso remoto, y ahí es donde se juega toda la norma.
Más información:
📎 theinformation.com: Trump administration working AI rule curb chinas remote access chips
14. Z.ai lanza GLM-5.3-Flash con licencia MIT
Z.ai, la marca comercial de la china Zhipu AI, ha confirmado que el modelo que circulaba de forma anónima en OpenRouter bajo el nombre “Ox Alpha” era GLM-5.3-Flash. El anuncio llegó primero a Bloomberg y después llegaron los pesos a Hugging Face, con licencia MIT. Es un Mixture-of-Experts de 320B parámetros totales y 18B activos, multimodal de forma nativa y con ventana de un millón de tokens. La API se sitúa en 0,15 dólares por millón de tokens de entrada, 0,50 de salida y 0,03 de entrada cacheada, con un 50% de descuento durante dos semanas.
El calendario importa: Alibaba había presentado horas antes Qwen3.8-Flash, otro MoE multimodal de pesos abiertos anticipo de la arquitectura Qwen4, con precios casi idénticos (0,16/0,47 dólares). En Code Arena: WebDev, el ranking de desarrollo front-end de Arena, GLM-5.3-Flash marca 1634 puntos mediante evaluación automática, por delante de los 1617 del modelo de Alibaba, y ocupa el sexto puesto en Design Arena con un Elo preliminar de 1343. Otras cifras publicadas: 62,5 en SWE-bench Pro, 73,8 en CoWorkBench, 84,5 en AndroidWorld, 88,5 en RealWorldQA y 95,7 en MathVision, por encima de GLM-5.2 y cerca de Claude Opus 4.8 en programación.
La respuesta de 𝕏 @Alibaba_Qwen (Qwen) fue casi simultánea: presentó Qwen3.8-Flash como anticipo de su arquitectura Qwen4 y con precios prácticamente calcados, señal de que la competencia entre laboratorios chinos ya se libra al mismo céntimo.
Desde 𝕏 @arena (Arena.Ai) se insiste en la cautela metodológica: las posiciones iniciales salen de AutoEval y pueden moverse cuando entren los votos en directo, así que el orden actual entre modelos abiertos no está cerrado.
Más información:
📎 GLM-5.3-Flash - Overview - Z.AI DEVELOPER DOCUMENT
15. Google presenta Gemini 3.5 Transcribe
Google ha lanzado Gemini 3.5 Transcribe, su nuevo modelo de voz a texto, presentado por Sundar Pichai y Google DeepMind. Detecta automáticamente más de 85 idiomas, admite vocabulario personalizado para nombres propios o jerga de producto, identifica varios hablantes y devuelve marcas de tiempo por palabra. La diferencia con un reconocedor clásico está en el postprocesado: el modelo elimina muletillas, aplica formato y resuelve rectificaciones habladas, de modo que un “quedamos a la una, mejor a las dos” sale ya corregido. También mejora en números de teléfono, códigos postales e identificadores de pedido en entornos ruidosos, y admite function calling.
El énfasis de 𝕏 @sundarpichai (Sundar Pichai) no está en la precisión bruta sino en construir aplicaciones que entiendan la intención del hablante incluso con varias voces en la sala, una lectura más cercana a los agentes de voz que a la transcripción tradicional.
𝕏 @ammaar (Ammaar Reshi) ha acompañado el lanzamiento con una aplicación de dictado hecha a golpe de prompt y comparada abiertamente con Wispr Flow, un gesto que deja claro cuánto margen queda para las startups que viven de esa capa.
Desde 𝕏 @OfficialLoganK (Logan Kilpatrick) se insiste en la distribución más que en el modelo: AI Studio, la API, Gemini Enterprise y el resto de productos de la casa, con el precio por minuto como argumento principal en las respuestas a desarrolladores.
Más información:
📎 Intelligent transcription with Gemini 3.5 Transcribe
16. Bill Gates propone tasar tokens y frenar la IA
Bill Gates ha publicado un ensayo de unas 6.000 palabras sobre el impacto de la inteligencia artificial, acompañado de una entrevista con The New York Times. El texto reconoce que el ritmo de los avances recientes ha superado sus propias previsiones y advierte de un riesgo de desempleo masivo. La frase que más ha circulado sostiene que, incluso en el mejor de los escenarios, la transición a esta nueva era será uno de los periodos más turbulentos de la historia.
Lo relevante para el sector no es el diagnóstico, que ya es común, sino las medidas concretas que plantea: una tasa sobre los tokens, equivalente funcional a un impuesto a los robots; la reserva de determinados empleos exclusivamente para humanos, una figura que describe como una especie de reserva natural laboral; y ralentizar la investigación. Son propuestas que afectan directamente al modelo de negocio de quien vende inferencia por volumen, es decir, a los laboratorios y a los proveedores de nube que hoy compiten bajando el precio por millón de tokens.
La lectura de 𝕏 @rohanpaul_ai (Rohan Paul) se queda en el aviso central del ensayo, el desempleo masivo, y subraya la extensión del texto como señal de que Gates no está lanzando una frase suelta sino un argumento largo.
Desde Microsoft, 𝕏 @mustafasuleyman (Mustafa Suleyman) califica de importantes y audaces la tasa sobre los tokens y los empleos reservados a humanos, y pide abrir el debate en lugar de descartarlas.
El rechazo más frontal viene de 𝕏 @pmddomingos (Pedro Domingos), que enumera con ironía las tres propuestas (frenar la investigación, gravar los robots, blindar puestos) para sugerir que no hay mala idea sobre IA que Gates no abrace.
𝕏 @AndrewCurran_ (Andrew Curran) apunta que la cobertura periodística ha dejado fuera lo más jugoso del ensayo y recuerda que Gates dedica buena parte del texto a advertir sobre los peligros, no a las políticas.
Más información:
📎 gatesnotes.com: A turbulent AI era and critical choices to make
17. Altman dice que OpenAI tendrá AGI interna este año
En una entrevista de portada con TIME titulada Inside OpenAI’s Reboot, Sam Altman sostiene que OpenAI no está «todavía del todo» ahí, pero que a finales de 2026 dispondrá de un sistema interno que él llamaría AGI. Mark Chen, director de investigación, sitúa a la compañía en el 80% del recorrido.
El detonante es Astra, la próxima familia de modelos punteros de OpenAI, mostrada en MB0, el edificio que la empresa ha abierto para sus equipos de investigación y cómputo. En una demostración ante ejecutivos de clientes clave, 16 agentes repartieron un problema matemático de nivel investigación en subproblemas, coordinaron el trabajo y ensamblaron una demostración; en otra, el modelo manejó software de escritorio a una velocidad que los propios empleados describieron como sobrehumana.
Altman habla de «agentes persistentes», colegas virtuales que trabajan durante periodos largos, y anticipa que sea el primer modelo capaz de inventar cosas nuevas. Conviene fijar el listón: el propio charter de OpenAI define AGI como sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo económicamente valioso, un criterio que ningún sistema interno ha demostrado en público. Altman admite además errores del último año en producto, preentrenamiento e investigación, y reconoce que Anthropic les adelantó.
La difusión del reportaje por parte de 𝕏 @AndrewCurran_ (Andrew Curran) ha sido lo que ha sacado la entrevista del circuito de medios generalistas, y su respuesta a quien dudaba del plazo («de una manera u otra, sí») resume bien el escepticismo cauto con el que se está leyendo el anuncio.
El entusiasmo de 𝕏 @kimmonismus (Chubby) con el titular («lo hemos conseguido, amigos») convive con su propio matiz posterior: de Astra no se sabe todavía nada verificable, así que cualquier valoración se apoya en una demostración cerrada.
La lectura más útil la aporta 𝕏 @imjustnewatai (Imjustnewatai) al identificar la métrica implícita de esta carrera: horas de investigación seguras, es decir, cuánto tiempo puede trabajar un sistema sin supervisión antes de que haya que intervenir.
Ante quien le recuerda predicciones anteriores, 𝕏 @sama (Sam Altman) defiende que acertó en las curvas de capacidad y que el retraso está en la economía y la sociedad, que tardan más en absorberlas de lo que él calculaba.
Más información:
📎 Inside OpenAI’s Reboot
18. Cien organizaciones piden reforzar la ciberdefensa con IA
Más de un centenar de organizaciones han firmado una carta abierta, publicada en el blog de OpenAI, que reclama un esfuerzo global y urgente para reforzar la ciberdefensa ante la mejora acelerada de las capacidades de los modelos. Entre los firmantes están OpenAI, Anthropic, Google, Amazon Web Services, Microsoft, Oracle y Hugging Face, junto a empresas de ciberseguridad, banca e infraestructuras críticas.
El argumento central es temporal: existe una ventana limitada para preparar defensas antes de que los ataques asistidos por IA se generalicen y ganen sofisticación, algo que los firmantes sitúan en cuestión de meses, no de años. La petición más concreta va dirigida a los gobiernos: financiación directa de la ciberdefensa y acceso de los servicios esenciales, hospitales o suministro de agua entre ellos, a modelos y herramientas defensivas capaces.
El interés del movimiento está menos en el diagnóstico, ya conocido, que en la alineación: competidores directos en el mercado de modelos frontera firman una misma agenda y trasladan al sector público la responsabilidad presupuestaria. También encaja con el patrón de estos últimos meses, en el que los laboratorios usan advertencias coordinadas para marcar el terreno regulatorio antes de que lo hagan los reguladores. La coalición es, por composición, mayoritariamente estadounidense.
El tono más apremiante lo pone 𝕏 @sama (Sam Altman), que habla de un momento crítico con poco margen de acción e invita explícitamente a trabajar con competidores y socios, porque solo una respuesta colectiva funcionará.
La objeción más útil llega de 𝕏 @kimmonismus (Chubby): aplaude que las empresas estadounidenses se coordinen, pero duda del valor de una coalición si China decide ignorarla.
Al desglosar la carta, 𝕏 @AndrewCurran_ (Andrew Curran) subraya que la exigencia clave es presupuestaria: gobiernos pagando la defensa y garantizando acceso a IA defensiva capaz para los servicios esenciales.
Para 𝕏 @WesRoth (Wes Roth) el documento se lee como una advertencia seria más que como un gesto de relaciones públicas, por el horizonte de meses que asignan a la expansión de los ataques con IA.
El énfasis de 𝕏 @rohanpaul_ai (Rohan Paul) está en los destinatarios concretos de esa ayuda pública, hospitales y sistemas de agua incluidos, que hoy no tienen ni presupuesto ni personal para defenderse.
Más información:
📎 openai.com: Collective cyberdefense