Google pierde a dos de sus mejores científicos en favor de Anthropic y OpenAI
El talento de IA sigue siendo un recurso escaso que se mueve con salarios astronómicos.
¿Qué pasó el fin de semana? En un minuto:
El talento es el recurso más escaso, circula entre competidores y arrastra consigo el conocimiento propietario. John Jumper, líder de AlphaFold, deja Google DeepMind por Anthropic. La semana pasada Noam Shazeer, uno de los autores del Transformer, salió también de Google rumbo a OpenAI.
Filtraciones sitúan nuevos modelos de Anthropic y OpenAI para esta semana; lo llamativo es que dos laboratorios están marcando un ritmo que el resto no iguala, incluido Google que parece rezagado en esta carrera.
El sector apuesta por entrenar robots con vídeo humano, abundante y barato, para esquivar el cuello de botella de los datos físicos.
Los modelos de pesos abiertos se acercan a los laboratorios cerrados: el debate sobre IA soberana gana peso entre directivos a la vez que surge la duda de cómo rentabilizar el coste de entrenamiento de estos modelos.
Sakana AI presenta Fugu, un sistema que reparte cada tarea al modelo que mejor la resuelve detrás de una única API e iguala el rendimiento de modelos frontera.
OpenAI añade Record & Replay a Codex: graba un flujo una vez y lo convierte en una skill reutilizable y editable.
Educación: un estudio a gran escala en China apunta a que usar la IA para hacer los deberes baja las notas, mientras la tutoría con IA como apoyo mejora resultados. La clave está en si retira o no el esfuerzo mental.
La producción eléctrica estadounidense cayó un 1,7% mientras el precio subió un 5,9% interanual, una señal de techo en la red, no de demanda floja. El debate sobre los centros de datos salta del plano técnico al político.
Gracias por leer 1 Minuto de IA. Si te ha gustado esta edición, no te olvides de dar al ♡ y de compartirla por redes sociales o por email con otras personas a las que creas que les pueda interesar.
Y si tienes más de un minuto…
1. El talento de IA rota entre laboratorios rivales
Los movimientos de personal entre los grandes laboratorios de IA se han acelerado en las últimas semanas, con Anthropic, OpenAI y Google DeepMind intercambiando perfiles de primer nivel. El caso más visible es la salida de John Jumper de Google DeepMind hacia Anthropic. Jumper lideró AlphaFold, el sistema que predice la estructura tridimensional de las proteínas, y su marcha lleva a Anthropic uno de los perfiles científicos más prestigiosos del campo. La semana pasada Noam Shazeer dejó DeepMind para incorporarse a OpenAI como responsable de investigación en arquitectura. OpenAI ha reforzado además otras áreas: fichó a Dean Ball para dirigir un nuevo equipo, Strategic Futures, y a Ha Thai, antiguo directivo de Meta, para liderar la comunicación de su división de dispositivos.
El asunto importa porque el talento investigador puntero es el recurso más escaso del sector, y su circulación afecta a la capacidad de cada laboratorio para sostener su ventaja técnica. La rotación también complica la protección del conocimiento propietario cuando el mismo grupo de expertos salta de una empresa a otra, algo bueno en general para la industria. No todos los fichajes cuajan, Barret Zoph, responsable de ventas de IA empresarial en OpenAI, ha vuelto a marcharse cinco meses después de reincorporarse en enero. Zoph había salido de OpenAI en 2024 para cofundar Thinking Machines Lab, la empresa de Mira Murati.
Para 𝕏 @pmddomingos (Pedro Domingos), la fusión entre DeepMind y la división de IA de Google fue un arma de doble filo: ayudó a la compañía a recuperar terreno, pero dejó descontentos a muchos investigadores que ahora estarían marchándose.
Con tono irónico, 𝕏 @Suhail (Suhail) anticipa que tanta movilidad entre laboratorios acabará reciclando los secretos comerciales, un apunte directo sobre la dificultad de proteger el conocimiento propietario.
𝕏 @demishassabis (Demis Hassabis) despidió a Jumper agradeciéndole nueve años de colaboración y el trabajo en AlphaFold, sin aludir a la competencia por el talento.
𝕏 @victorianoi (Victoriano Izquierdo) lamenta la salida desde otro ángulo: ve en Hassabis al líder más sensato entre los responsables de empresas de modelos frontera.
2. Anthropic y OpenAI apuntan a lanzamientos inminentes
Varios indicios apuntan a que Anthropic y OpenAI preparan modelos para los próximos días. En Anthropic habría aparecido un identificador, 'Claude Sonnet 5', en la plataforma de un socio, lo que ha disparado la especulación sobre una actualización de la familia Claude. Circula además otro rumor: una versión presuntamente más capaz de un modelo interno llamado 'Mythos' habría terminado su entrenamiento, sin que se sepa si llegará al mercado o quedará como base para una generación posterior. En OpenAI se habla de posibles GPT-5.6 y GPT-5.6-Pro en plazos igual de cortos. Nada está confirmado oficialmente, pero lo relevante es la cadencia: refuerza la tesis de que los dos van imponiendo un ritmo de publicación que el resto del sector no sigue.
Esto tensiona la posición competitiva de Google en IA. La tesis que circula entre analistas es que la compañía no ofrece ahora mismo un modelo de frontera capaz de las tareas más exigentes que sí tienen OpenAI o Anthropic. Google dispone de un Flash muy competente, optimizado para velocidad y coste, pero no cubre el trabajo de frontera por sí solo sin una capa de orquestación equivalente. El contraste se ve en producto: Google mantiene algunas de las aplicaciones de IA más reconocidas, con NotebookLM como caso citado, pero esas herramientas necesitan modelos más capaces e integraciones mejores para rendir.
𝕏 @WesRoth (Wes Roth) admite la fragilidad del indicio sobre 'Mythos': no hay confirmación de Anthropic ni certeza sobre si saldrá como Mythos 5.1, Mythos 6 o se quedará puertas adentro como cimiento de otra generación.
Para 𝕏 @emollick (Ethan Mollick), la aceleración solo se aprecia en Anthropic y OpenAI: si la IA contribuye aunque sea mínimamente a su propio desarrollo, esos dos amplían distancia mientras laboratorios que el año pasado parecían acercarse se quedan atrás.
𝕏 @levie (Aaron Levie) lee esta tanda de lanzamientos como antesala regulatoria: prevé marcos públicos que decidan qué modelos pueden publicarse según superen cierto umbral de capacidad, en lugar de reglas uniformes para toda la IA.
Desde 𝕏 @GeminiApp (Google Gemini) responden con producto antes que con gama alta: muestran un agente que extrae el vuelo de Gmail y arma un plan de sueño contra el jet lag en el calendario, la apuesta por integrar IA en tareas cotidianas con la variante Flash.
3. La robótica aprendiendo del vídeo humano
El control de robots humanoides avanza por una vía concreta: aprender del movimiento humano en lugar de programar cada gesto. Investigadores han presentado Humanoid-GPT, un sistema de control de cuerpo completo en tiempo real, probado sobre el Unitree G1, un humanoide de 29 articulaciones. Lo relevante es que reproduce movimientos que no figuraban en sus datos de entrenamiento, una señal de generalización motora. En paralelo se acumulan trabajos que atacan el mismo problema: la escasez de datos físicos. El marco “Do as I Do” propone convertir vídeos cotidianos de personas en cientos de demostraciones para manos robóticas diestras, y otros equipos exploran cómo transferir movimiento capturado de humanos a humanoides mediante técnicas de retargeting.
La idea común es aprovechar las demostraciones humanas, abundantes y baratas, para entrenar en simulación comportamientos que sería caro recoger con robots reales. El campo vive un momento de experimentación abierta, con muchos enfoques compitiendo a la vez y sin estándar dominante. El obstáculo técnico de fondo persiste: el movimiento humano grabado es ruidoso, los simuladores son un reflejo imperfecto del mundo, y las políticas aprendidas no se trasladan limpiamente al funcionamiento de un robot en el escenario real.
Más información:
📎 Humanoid-GPT
📎 Do as I Do
📎 DynaRetarget
4. Los modelos de pesos abiertos rozan la frontera
El debate sobre los modelos de pesos abiertos (open weights) ha ganado tracción entre directivos del sector, que ven reducirse rápido la distancia frente a los cerrados. La tesis es concreta: algunos modelos abiertos ya logran resultados de estado del arte (SOTA) en tareas específicas y se aproximan al rendimiento de los grandes laboratorios en programación y otros dominios. Si esa brecha se mantiene marginal, la adopción empresarial empieza a moverse.
El argumento tiene tres ventajas que lo hacen muy atractivo. La primera es la IA soberana: con los pesos disponibles, una empresa o un país puede ejecutar y controlar el modelo sin depender de un proveedor externo y con un control más preciso de dónde van sus datos. La segunda es el ajuste fino y el post-entrenamiento, que permiten adaptar un modelo abierto a necesidades propias sin renegociar acceso ni condiciones con terceros. Y la tercera es el coste, si los modelos abiertos se pueden ejecutar en la infraestructura de una empresa, el ahorro puede ser considerable. Y más cuando el estado del arte se mueve hacia la ingeniería de loops con un consumo de tokens cada vez mayor.
Esta convergencia de los modelos abiertos con los propietarios reabre una vieja duda: cómo se rentabiliza entrenar un modelo de frontera y luego liberar sus pesos. La diferencia con el código abierto clásico está en el coste. Escribir software libre exige tiempo, pero no centros de datos masivos. Entrenar un modelo puntero cuesta cientos de millones, y una vez liberado, cualquier tercero puede alojarlo, ajustarlo u ofrecer consultoría tan barato como su creador, sin ventas complementarias que recuperen la inversión. Al final, el fabricante de hardware que vende el cómputo necesario para usar esos modelos es el que más valor captura en este escenario.
Lo que más llama la atención a 𝕏 @levie (Aaron Levie) es la velocidad: ve modelos abiertos logrando resultados SOTA en tareas concretas y rozando la frontera en programación, con una brecha que considera cada vez más marginal.
Para 𝕏 @tunguz (Bojan Tunguz) la consecuencia es operativa, no ideológica: los modelos de código abierto tienen que ocupar ya un lugar central en cualquier estrategia de IA, sin que eso obligue a descartar el resto de opciones.
𝕏 @Dan_Jeffries1 (Daniel Jeffries) rebaja la euforia con una lectura de largo plazo: describe la pugna entre lo abierto y lo cerrado como un conflicto permanente, sin vencedor definitivo a la vista.
𝕏 @emollick (Ethan Mollick) duda de que exista negocio rentable en entrenar modelos frontera abiertos y le sorprende que nadie haya respondido aún con claridad a esa objeción.
5. Sakana lanza Fugu, orquestación multiagente con una sola API
Sakana AI ha presentado Sakana Fugu, un sistema de orquestación multiagente empaquetado como un único modelo accesible vía API. La idea: Fugu es en sí mismo un LLM entrenado para invocar otros modelos de un pool de agentes, incluidas instancias de sí mismo de forma recursiva, y asignar cada tarea al que mejor rinde. El usuario habla con un solo endpoint; el reparto, la verificación y la síntesis ocurren por dentro. Hay dos variantes, Fugu y Fugu Ultra. Según el anuncio de la compañía, Fugu Ultra se sitúa a la altura de modelos frontera como Fable 5 de Anthropic y Mythos Preview en pruebas de ingeniería, ciencia y razonamiento.
El planteamiento se aleja de la carrera por modelos cada vez más grandes y apuesta por coordinar capacidades especializadas, en línea con el historial de Sakana en combinación y evolución de modelos. La empresa añade una ventaja operativa: rendimiento de frontera sin atarse a un único proveedor y sin la exposición a controles de exportación que afecta a otros modelos. El producto se distribuye por API y por suscripción, con un nivel mencionado de 200 dólares mensuales. No hay todavía resultados externos que confirmen el rendimiento frente a usar cada modelo de referencia por separado.
Para 𝕏 @hardmaru (Hardmaru), cofundador de Sakana, Fugu encaja con su tesis de que la inteligencia, humana o artificial, es esencialmente colectiva: los sistemas más potentes funcionarán como una red que combina aportaciones, no como un modelo aislado.
𝕏 @levie (Aaron Levie) ve el enrutamiento dinámico de Fugu como otra vía para avanzar en arquitecturas de IA: una sola API que deriva el trabajo al modelo que mejor lo resuelve, sin obligar al usuario a elegir.
𝕏 @ChrissGPT (Chris) acota dónde aporta valor: para un prompt limpio probablemente usaría Fable 5, Mythos o GPT-5.5 directamente, pero cuanto más se enreda la tarea con delegación, verificación y síntesis, más sentido cobra la orquestación.
𝕏 @gaasych (Gaasych) subraya el ángulo competitivo japonés: en vez de competir por el tamaño de un único modelo, Sakana coordina a los líderes del mercado y se coloca al nivel mundial por otra ruta.
𝕏 @ai_for_success (Ashutoshshrivastava) celebra el enfoque como una apertura del acceso a capacidad de frontera, frente a lo que describe como alarmismo y barreras de entrada en torno a los modelos más potentes.
Más información:
📎 Sakana Fugu: One Model to Command Them All
6. Codex incorpora Record & Replay para automatizar tareas
OpenAI ha lanzado Record & Replay para Codex, su agente de programación. La función graba un flujo de trabajo recurrente, como tramitar una nota de gastos, y lo convierte en una skill reutilizable y editable. El usuario decide cuándo empieza y termina la grabación mientras completa la tarea; después, Codex analiza las acciones y genera la automatización. La lógica de fondo es el paso del código asistido a agentes que orquestan tareas completas demostrándolas una sola vez. La grabación de Record & Replay solo opera sobre flujos en Mac y, por ahora, no está disponible en la UE, Reino Unido ni Suiza.
Para 𝕏 @WesRoth (Wes Roth), la clave está en el control que mantiene el usuario: define cuándo empieza y acaba la grabación, y Codex se limita a estudiar las acciones para producir una skill editable, no una caja negra.
7. Debate IA y educación
Un estudio a gran escala realizado en China aporta evidencia de que la IA puede perjudicar el aprendizaje cuando reduce el esfuerzo mental del alumno. El patrón es concreto: si el tiempo dedicado a los deberes baja por delegar tareas en la IA, las notas también caen. Otros trabajos coinciden en lo contrario para la tutoría con IA como apoyo a las clases, que sí mejora resultados. La diferencia está en el uso. Un chatbot genérico está diseñado para resolver, no para guiar: da la respuesta directa y se salta el proceso que consolida el conocimiento. Los alumnos recurren a esa vía incluso sin intención de copiar, simplemente porque es la opción cómoda.
El debate va más allá del aula. En el artículo reciente 'Choosing to Stay Human', se conecta con un fenómeno paralelo: redes, comentarios y un número creciente de artículos académicos generados con IA que empiezan a parecerse entre sí, un síntoma de homogeneización del razonamiento. Para quien diseña producto educativo, separar 'dar la respuesta' de 'acompañar el aprendizaje' define el valor de la herramienta. Nature ha señalado en paralelo indicios de 'deskilling', pérdida de competencias por delegación, en medicina, informática y otros campos.
El corte que traza 𝕏 @emollick (Ethan Mollick) es nítido: la tutoría con IA en apoyo de las clases ayuda, pero usarla para 'hacer' los deberes empuja las notas a la baja porque retira el esfuerzo que fija el aprendizaje.
Desde el lado del negocio, 𝕏 @MisterLeeHODL (Mister Lee) detecta una señal entre el ruido: empresas que iban por delante en IA agéntica están recortando presupuestos de tokens al subir los costes sin que el valor acompañe.
𝕏 @MikeLongTerm (Mike) matiza el optimismo desde la utilidad práctica: hasta hace poco los modelos agénticos no rendían lo suficiente para ser útiles, un recordatorio de que el efecto sobre el aprendizaje depende de qué herramienta concreta se usa.
Más información:
📎 The Generative AI Learning Penalty: Evidence from Chinese Secondary Education
📎 Is AI ruining our skills?
8. La energía tensiona la expansión de datacenters
El consumo eléctrico de los centros de datos se ha vuelto el flanco más sensible de la expansión de la IA, y la discusión ya es política, no solo técnica. Datos citados por SemiAnalysis describen una posible restricción de oferta en la red de EE. UU.: la producción de las eléctricas cayó un 1,7% mientras el componente eléctrico del IPC subió un 5,9% interanual. Menos producción con precios al alza apunta a un límite en generación y transmisión, no a demanda débil. Con cargas tan intensivas como la IA, eso presiona precios y crea cuellos de botella para conectar nueva capacidad.
En paralelo, crece el rechazo vecinal y regulatorio. Un artículo del Washington Free Beacon sostiene que una red de organizaciones sin ánimo de lucro estaría amplificando la oposición a estas instalaciones, y enmarca el conflicto local en la competencia tecnológica con China. La concentración geográfica agrava el problema: el condado de Loudoun, en Virginia, alberga por sí solo cerca de uno de cada veinte centros de datos de todo el país, lo que tensiona redes locales muy concretas antes que el sistema nacional.
El diagnóstico de 𝕏 @SemiAnalysis_ (Semianalysis) es que el problema está en la oferta, no en el consumo: con la producción eléctrica cayendo y el precio subiendo, la red habría tocado un techo de capacidad antes que aflojar la demanda.
Con un escueto 'Concerning', 𝕏 @pmarca (Marc Andreessen) da credibilidad a la tesis de que la oposición a los datacenters podría estar orquestada desde fuera, situando el rechazo local en clave de rivalidad geopolítica con China.