¿Qué pasó la semana pasada? En un minuto:
OpenAI detuvo dos semanas el entrenamiento por refuerzo de sus modelos Astra y mantiene en suspenso su mayor ejecución de frontera tras detectar señales de desalineación y capacidades críticas en ciberseguridad en modelos no publicados.
Los modelos Claude de Anthropic diseñaron minibinders de proteínas de forma autónoma con uniones confirmadas en 14 de 15 dianas y tasas de éxito del 22,6% al 35,1%, frente al 10-15% habitual del sector.
Stripe compra OpenRouter por unos 7.500 millones de dólares y su CEO, Patrick Collison, sostiene ante los inversores que la singularidad ya ha comenzado.
OpenAI facturó 6.700 millones en el segundo trimestre (+18%) con una pérdida operativa de 12.300 millones, mientras Anthropic alcanzó 11.600 millones y la supera por primera vez en ingresos trimestrales.
Según SemiAnalysis, los modelos abiertos reducen a la mitad en cada generación el tiempo que tardan en igualar a los cerrados y una cuota de uso real al alza.
NVIDIA anuncia que su agente AVO ha completado los 183 niveles de los 25 entornos públicos de ARC-AGI-3, una prueba que los mejores sistemas no superaban ni al 1% en marzo.
OpenAI activa la próxima semana ChatGPT Ads en 31 países europeos, incluida España, con anuncios fuera de la conversación y solo para los planes gratuito y Go.
Anthropic pone Claude Mythos 5 a funcionar dentro de su escáner de vulnerabilidades Claude Security, para clientes Enterprise y sin acceso directo al modelo.
OpenAI presenta en vista previa Private Safety Processing, una capacidad con la que promete retención cero de datos en sus modelos frontera pese a las exigencias de vigilancia de los agentes autónomos.
La segunda edición de los World Humanoid Robot Games reunió en Pekín a 666 equipos y más de 2.000 robots, con un humanoide chino corriendo los 100 metros en 9,39 segundos en modo autónomo.
Andrew Ng difunde un mapa de habilidades en IA organizado en seis áreas y elaborado a partir de ofertas de empleo, entrevistas y encuestas, para fijar un vocabulario común en un perfil profesional aún mal definido.
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. OpenAI pausa su mayor entrenamiento de frontera
OpenAI ha confirmado que detuvo durante algo más de dos semanas el entrenamiento por refuerzo de sus últimos modelos destinados a despliegue, los que internamente llaman Astra, y que su mayor ejecución prevista de entrenamiento de frontera sigue en suspenso mientras endurece sus estándares de seguridad, alineamiento y protección. La compañía dice haber detectado señales de desalineación en varios grados en modelos no publicados, además de indicios de capacidades clasificadas como críticas en ciberseguridad, asociadas a ataques autónomos de día cero. Las medidas anunciadas incluyen aislamiento de cargas de trabajo y de red, pruebas de seguridad continuas y monitorización en varias etapas.
Sam Altman ha situado el impacto en lanzamientos lejanos, no en los inminentes; Greg Brockman ha vinculado el ritmo de desarrollo a la confianza en la seguridad. Es la primera pausa de este tipo anunciada por un laboratorio grande, y llega en un momento delicado: OpenAI prepara su salida a bolsa con ingresos anualizados por encima de 40.000 millones de dólares, Anthropic tendría un modelo terminado sin planes de publicarlo y los laboratorios chinos han recortado una distancia que se estimaba en 18 meses a unos pocos. El mes pasado, la carta “Pacing the Frontier”, firmada por 1.378 empleados de compañías de IA de frontera, pidió al Gobierno estadounidense que impulse un esfuerzo internacional para crear herramientas técnicas y de gobernanza que permitan pautar el avance del desarrollo automatizado de IA.
Para 𝕏 @testingcatalog (Ai News | Testingcatalog) el dato relevante es la precedencia: ningún laboratorio había anunciado antes una pausa de entrenamiento, y espera que otros se vean empujados a seguir el mismo camino.
𝕏 @emollick (Ethan Mollick) interpreta el compromiso de dedicar el 20% del cómputo de inferencia de investigación a vigilar la cadena de razonamiento como termómetro de la gravedad del problema de alineamiento, y reclama estándares comunes entre laboratorios.
𝕏 @kimmonismus (Chubby) lee la decisión desde la competencia: si hasta el aprendizaje por refuerzo se detiene, China gana margen justo después de demostrar con sus últimos lanzamientos lo cerca que está.
𝕏 @WesRoth (Wes Roth) reformula el problema: escalar inteligencia se resuelve comprando GPU y construyendo centros de datos, mientras demostrar que un modelo no engañará ni explotará su entorno no tiene atajo comparable.
𝕏 @AndrewCurran_ (Andrew Curran) matiza el alcance del anuncio y apunta que la pausa parece no aplicarse ya a Astra, un detalle que cambia cómo hay que leer el comunicado.
Más información:
📎 Pacing model development in an era of cyber-critical capabilities
📎 OpenAI’s big slowdown
2. Claude diseña proteínas de unión de forma autónoma
Anthropic publicó el 18 de agosto los resultados de un experimento en el que sus modelos Claude diseñaron de forma autónoma minibinders: pequeñas proteínas que se adhieren a una diana, mecanismo en el que se basan muchos medicamentos. De 15 dianas, lograron uniones confirmadas en 14, con 354 aciertos sobre 1.320 diseños. La tasa de éxito osciló entre el 22,6% y el 35,1%, frente al 10-15% habitual en el sector según la propia compañía. Dos laboratorios independientes, Adaptyv Bio y Twist Bioscience, fabricaron y probaron los diseños por separado.
El trabajo se ejecutó en Claude Science con hasta 12.500 horas de GPU H100 y apenas intervención humana. En una segunda prueba, Claude Opus 5 interpretó datos brutos de resonancia magnética nuclear y cromatografía de líquidos con espectrometría de masas en 23 y 19 minutos, calculando una pureza del 96,4% frente al 96,33% del laboratorio. Anthropic advierte de que estas capacidades son de doble uso y las mantiene bloqueadas en el acceso general de Claude Fable 5.
Con estos resultados, el cuello de botella del descubrimiento de fármacos se desplaza del diseño computacional (semanas de trabajo experto) a la validación física, y sitúa a los proveedores de IA generalista como competidores de las plataformas biotecnológicas especializadas.
La prioridad que declara 𝕏 @AnthropicAI (Anthropic) no es el resultado en sí, sino abrir un programa de acceso a sus modelos más capaces para científicos, algo que promete detallar pronto.
Para 𝕏 @kimmonismus (Chubby) el dato que ordena todo el experimento es la comparación: duplicar la tasa de acierto de los flujos dirigidos por humanos partiendo de un solo protocolo escrito por un experto.
𝕏 @rohanpaul_ai (Rohan Paul) lo enmarca como el experimento científico más ambicioso de Anthropic hasta ahora, con el foco puesto en que los diseños funcionaron después en el laboratorio, no solo en la simulación.
Más información:
📎 How Claude is accelerating protein design and analytical chemistry
3. Stripe compra OpenRouter y su CEO afirma que la Singularidad ya empezó
Stripe ha anunciado la compra de OpenRouter, la plataforma que permite a las aplicaciones enviar peticiones a decenas de modelos de inteligencia artificial desde una sola interfaz, por unos 7.500 millones de dólares. Más que el precio, ha llamado la atención el argumento: en una carta a inversores, la compañía afirma que el consumo de OpenRouter crece de forma compuesta, y su CEO, Patrick Collison, sostiene que la singularidad ya ha comenzado porque la IA estaría alterando las tendencias económicas de largo plazo, con proyecciones para 2026.
La lógica de negocio es más terrenal. Stripe ya gestiona los cobros de buena parte de las aplicaciones de IA; con OpenRouter controlaría también su principal gasto, el coste de cada respuesta generada. Ingresos y costes en la misma casa, con visibilidad sobre el margen real de miles de productos.
El escepticismo fue inmediato: invocar la “singularidad”, un concepto del ensayista Vernor Vinge en 1993, que anticipaba inteligencia sobrehumana en treinta años, en un documento para inversores mezcla especulación tecnológica con previsiones financieras que deberían ser acotadas.
El ángulo que más interesa a 𝕏 @rohanpaul_ai (Rohan Paul) es de posición: Stripe pasa a ver cómo cobra una aplicación de IA y, a la vez, a decidir qué modelo atiende cada petición y a qué coste.
Frente a quienes miran los ingresos actuales, 𝕏 @0xQuantic (Quantic) insiste en la posición: más de 500 modelos y 80 proveedores accesibles desde una sola API convierten a OpenRouter en el punto de paso entre aplicaciones y cómputo.
La objeción más elegante sobre la singularidad viene de 𝕏 @emollick (Ethan Mollick), que señala la contradicción interna: si de verdad se cree en ese punto, las proyecciones financieras de la propia carta pierden todo sentido.
Para 𝕏 @fchollet (François Chollet) el problema es de definiciones: usar “singularidad” así equivale a redefinir el Apocalipsis como un otoño más lluvioso de lo normal, y recuerda que si un humano corriente entiende lo que pasa esta tarde, por definición no estamos en ella.
Desde el lado favorable, 𝕏 @kimmonismus (Chubby) suscribe la tesis y sitúa 2026 como punto de inflexión, apoyándose en el término que más circula ahora en el sector: la automejora recursiva.
𝕏 @WesRoth (Wes Roth) insiste en separar el titular del contenido y subraya que Stripe habla de un punto de inflexión en tendencias tecnológicas y económicas, no de la llegada de la AGI.
Más información:
📎 OpenRouter is Joining Stripe — OpenRouter Blog
📎 Scoop: Stripe says “the singularity” has begun
4. OpenAI crece un 18% pero Anthropic la adelanta
OpenAI comunicó a sus inversores unos ingresos de 6.700 millones de dólares en el segundo trimestre, un 18% más que los 5.700 millones del primero, según el Wall Street Journal. En paralelo, su pérdida operativa, incluida la compensación en acciones, pasó de 9.300 a 12.300 millones, casi el doble de la facturación del periodo. El margen operativo se deteriora y la rentabilidad queda más lejos. Parte del accionariado esperaba que la compañía recortase distancia y ha recibido las cifras con decepción.
El contraste llega de Anthropic, que habría más que duplicado sus ingresos hasta 11.600 millones en el mismo trimestre, un 150% de crecimiento, y supera por primera vez a OpenAI en facturación trimestral. La comparación tiene un matiz relevante, ya que las dos empresas monetizan de forma distinta. OpenAI se apoya en consumo masivo de usuarios finales y Anthropic concentra el consumo en API y clientes corporativos, donde el ingreso por cliente es mayor y el coste de servir consultas gratuitas no existe. El dato encaja además con el momento financiero de Anthropic, que apunta a una salida a bolsa con una valoración de 2 trillones, la más alta de la historia, construida sobre proyecciones de ingresos de 2028. Anthropic cerró su última ronda privada en mayo con una valoración de 965.000 millones.
El foco de 𝕏 @kimmonismus (Chubby) está en la relación entre las dos magnitudes: unos ingresos que suben con moderación frente a una pérdida operativa que casi duplica la facturación del trimestre.
Contra el pesimismo dominante, 𝕏 @KyleReidhead (Kyle Reidhead | Milk Road) sostiene que mirar un mes más allá cambia la lectura: OpenAI habría crecido un 20% solo en julio, de 33.000 a 40.000 millones de ARR, con los usuarios de Codex más que duplicados.
Para 𝕏 @wealthmatica (Wealthmatica) la comparación directa es tentadora pero engañosa, porque las dos compañías persiguen modelos de monetización distintos y sus curvas de ingreso no son equivalentes.
El sarcasmo de 𝕏 @bradsferguson (Bradford Ferguson) resume el ánimo de una parte del mercado: un 18% parece mucho hasta que se pone al lado del 150% del competidor que sí puede enseñar sus cuentas y salir a bolsa.
Más información:
📎 OpenAI’s Second-Quarter Sales Show Tepid Growth Compared With Anthropic
5. Los modelos abiertos ganan cuota real de uso
Los modelos de código abierto tardan cada vez menos en igualar a los cerrados, según un análisis de SemiAnalysis publicado el 21 de agosto. La consultora divide la historia de los grandes modelos en tres etapas: escalado inicial, razonamiento y agentes. Mide en cada una la distancia entre el mejor modelo cerrado y el mejor abierto con una batería propia de pruebas. El patrón que describe es que el tiempo de recorte se reduce a la mitad en cada generación. En la era agéntica, Kimi K2.6 superó a Opus 4.5 en 4,8 meses y GLM-5.2 rebasó a GPT-5.2 en seis.
El contexto de mercado acompaña. Fireworks, plataforma centrada en modelos abiertos, sirve ya más de 40 billones de tokens diarios, frente a 15 billones nueve meses antes, con una facturación anualizada superior a 1.000 millones de dólares. Los propios autores matizan que las pruebas no reflejan el uso real: en SemiAnalysis siguen prefiriendo Fable 5, de Anthropic, por su producto más que por su puntuación.
El temor que acompaña al fenómeno es que si los modelos abiertos se mantienen cerca de la frontera a una fracción del coste, la capa de modelos se convierte en un producto intercambiable y presiona los márgenes de los grandes laboratorios. Justo cuando Anthropic y OpenAI anuncian ingresos record e inminentes salidas a bolsa.
El planteamiento de 𝕏 @SemiAnalysis_ (Semianalysis) es que hoy competir por los tokens del usuario ya no es cosa del duopolio OpenAI-Anthropic, con reinicios de cuota repartidos y precios a la baja.
Se moja 𝕏 @Dan_Jeffries1 (Daniel Jeffries) con una previsión concreta: un 65% de probabilidad de que el modelo más potente al alcance del usuario a finales de 2026 sea abierto, y un 75% de que sea chino salvo que Reflection o Meta reaccionen con fuerza.
Bastante más incisivo, 𝕏 @naval (Naval) sostiene que los laboratorios frontera tienen incentivos para cultivar el miedo porque les da coartada moral para seguir cerrados, y deja a los desarrolladores pequeños en la incómoda posición de alinearse con los laboratorios chinos.
La lectura de 𝕏 @rohanpaul_ai (Rohan Paul) es de simple aritmética: los modelos cerrados ya son la parte pequeña del tráfico, con los abiertos en el 62% de los tokens del gateway de Vercel en agosto frente al 28,4% de junio.
En sentido contrario, 𝕏 @ArkkDaily (Ark Invest Tracker) defiende que los pesos abiertos serán el vector de ataque, ajustables para operar sin salvaguardas, y que las empresas pagarán por modelos cerrados que mantengan la ventaja en capacidad y protección.
Más información:
📎 Are Open Models Catching Up?
6. NVIDIA AVO completa el conjunto público de ARC-AGI-3
NVIDIA anuncia que AVO, su agente de programación de propósito general, ha superado los 183 niveles de los 25 entornos públicos de ARC-AGI-3, la prueba de razonamiento presentada por François Chollet en marzo de 2026. El reto consiste en resolver entornos interactivos sin instrucciones, reglas ni objetivos: el agente debe explorar, deducir qué se le pide y planificar sus acciones. Cuando se publicó la prueba, los humanos la resolvían al 100% y los mejores sistemas de IA no llegaban al 1%, lo que da idea del avance.
Según NVIDIA, la clave no es solo el modelo, sino la infraestructura que le permite trabajar de forma autónoma durante largos periodos: gestiona memoria, herramientas y errores, y acumula aprendizaje en lugar de empezar de cero cada vez. AVO ya se había probado en ingeniería de software y optimización de chips. Chollet valora el resultado, aunque matiza que el agente sigue el mismo enfoque que otros sistemas punteros. Algunos analistas señalan que la parte pública del benchmark queda ya saturada.
El argumento que más subraya 𝕏 @NVIDIAAI (Nvidia Ai) no es la puntuación sino la arquitectura: un ciclo continuo de inspección, planificación, implementación y evaluación que permite acumular aprendizaje en lugar de empezar de cero con cada contexto del modelo.
𝕏 @fchollet (François Chollet) lo encuadra al resto de enfoques que rinden bien en ARC-AGI-3, sintetiza sobre la marcha modelos del mundo simbólicos guiados por deep learning, es decir, navega generando programas que representan lo que ya sabe.
Para 𝕏 @kimmonismus (Chubby) lo llamativo es el método de aprendizaje por ensayo y corrección, sin reglas previas, y no oculta que le parece un resultado difícil de relativizar.
Con menos ceremonia, 𝕏 @testingcatalog (Ai News | Testingcatalog) lo presenta como un asalto más entre ARC-AGI y los laboratorios, y apunta que el benchmark queda saturado en su parte pública.
Más información:
📎 NVIDIA AVO Reaches 100% on ARC-AGI-3, Demonstrating a Frontier-Level General-Purpose Architecture for Long-Horizon Autonomous Agents
7. ChatGPT lleva anuncios a 31 países europeos
OpenAI activará la próxima semana su plataforma publicitaria en ChatGPT en 31 países europeos, entre ellos España, Alemania, Francia, Italia, Suecia, Noruega, Dinamarca, Países Bajos y Austria. Es la mayor ampliación de ChatGPT Ads desde su estreno. El formato inicial es limitado: los anuncios se muestran solo a los usuarios del plan gratuito y del plan Go, en forma de widgets independientes colocados debajo de la respuesta del modelo. No aparecen en Plus, en Pro ni en las cuentas empresariales.
Junto al despliegue, se espera que los anunciantes reciban acceso a más funciones de la propia plataforma de compra. El motivo de fondo es de caja: la base de usuarios gratuitos de ChatGPT es enorme y costosa de servir, porque cada consulta consume inferencia sin generar ingreso directo. La publicidad convierte ese coste en un flujo recurrente sin tocar la oferta de pago, que es donde OpenAI defiende su promesa de experiencia limpia.
El detalle que sorprende al sector es la velocidad del encaje regulatorio en la UE, un mercado exigente en privacidad y en publicidad segmentada, donde otras plataformas han tardado años en cerrar sus modelos de personalización. El riesgo asociado es una integración que, presionada por las métricas de los anunciantes, gane espacio dentro de la conversación. Por ahora, la separación entre respuesta y anuncio es física, con el bloque publicitario situado fuera del texto generado.
Lo que más llama la atención a 𝕏 @kimmonismus (Chubby) es la rapidez con la que se ha alcanzado un acuerdo con la UE para un despliegue de este tamaño, dado el historial del bloque con la publicidad digital.
El seguimiento de 𝕏 @testingcatalog (Ai News | Testingcatalog) se ciñe a lo comprobable: el anuncio vive como widget separado bajo la respuesta y los anunciantes también tendrán acceso a la plataforma.
Para 𝕏 @WesRoth (Wes Roth) el dato relevante es la escala: no es un piloto de mercado, sino la mayor entrada de ChatGPT Ads en Europa hasta ahora y con fecha inmediata.
El escepticismo lo aporta 𝕏 @antonello (Antonio Ortiz), que describe la secuencia habitual: se empieza cuidando la experiencia, las marcas piden más integración para mejorar resultados y después llega el financiero a mirar el ingreso medio por usuario.
Más información:
📎 ChatGPT Ads expands across Europe
8. Anthropic abre Mythos 5 vía Claude Security
Anthropic ha puesto su modelo Claude Mythos 5 a trabajar dentro de Claude Security, el escáner de vulnerabilidades para repositorios de código de la compañía. Los análisis pasan a ejecutarse sobre ese modelo y están disponibles en beta pública para todos los clientes de Claude Enterprise, con despliegue global.
La empresa amplía el acceso a las capacidades de ciberseguridad del modelo, pero conserva las salvaguardas sobre el acceso directo. El cliente apunta su repositorio de GitHub al escáner y recibe el resultado, sin conversar con Mythos 5 ni integrarlo en sus propios flujos. Hasta ahora, el modelo solo estaba al alcance de un grupo reducido a través de Project Glasswing.
El movimiento encaja con una tendencia que se está acelerando: el descubrimiento automatizado de vulnerabilidades como primer uso comercial serio de los modelos más capaces, precisamente porque permite entregar valor sin ceder el modelo. Anthropic también trabaja con organizaciones de ciberseguridad en este despliegue.
Lo que subraya 𝕏 @AndrewCurran_ (Andrew Curran) es la excepcionalidad del gesto: es la primera vez que alguien fuera del pequeño círculo de Project Glasswing toca Mythos 5, aunque sea de forma mediada.
La descripción de 𝕏 @rohanpaul_ai (Rohan Paul) reduce el producto a su cadena mínima: repositorio de GitHub, escáner y modelo, sin que el cliente corporativo tenga que hacer nada más.
Para 𝕏 @WesRoth (Wes Roth) la clave está en el equilibrio elegido: se abre la capacidad de ciberseguridad y se cierra el acceso al modelo, con trabajo conjunto con organizaciones del sector.
Más información:
📎 Bringing the cybersecurity capabilities of Claude Mythos 5 to more defenders
9. OpenAI presenta Private Safety Processing
OpenAI ha anunciado Private Safety Processing, un conjunto de medidas técnicas y de políticas con el que dice poder mantener la nula retención de datos en sus modelos frontera. La compañía lo presenta en fase de vista previa. El planteamiento parte de un problema operativo concreto: cuando un modelo ejecuta tareas largas y con autonomía, los sistemas de seguridad ya no pueden evaluar cada petición de forma aislada, sino que necesitan detectar patrones de riesgo a lo largo de interacciones relacionadas. Ese análisis exige acumular contexto, justo lo contrario de lo que promete un contrato de retención cero.
Hasta ahora, esa modalidad quedaba reservada a configuraciones concretas y clientes elegibles, con condiciones que limitaban el acceso a los modelos más capaces. La novedad es que OpenAI la ofrece como característica asociada a sus modelos punteros. Detrás hay una lectura comercial evidente, y es que en la venta de agentes a grandes empresas, la garantía de que los datos sensibles no se conservan pesa tanto como el rendimiento del modelo. Y este es un terreno donde Anthropic ha construido buena parte de su discurso corporativo. La dirección de OpenAI ha reforzado el mensaje en público, subrayando que se trata de una capacidad en la que llevan tiempo trabajando y no de una respuesta improvisada.
El propio 𝕏 @OpenAI (Openai) enmarca el anuncio como una consecuencia del salto hacia trabajo más autónomo: si los modelos asumen tareas largas, los sistemas de seguridad tienen que mirar más allá de la petición individual.
Desde la dirección técnica, 𝕏 @gdb (Greg Brockman) insiste en que no es un anuncio reactivo sino una línea de inversión sostenida, y en que el objetivo es beneficiar al cliente sin rebajar el nivel de seguridad.
La lectura competitiva la aporta 𝕏 @rohanpaul_ai (Rohan Paul), que ve aquí un golpe directo a Anthropic: la promesa de no conservar datos deja de ser una excepción contractual para convertirse en argumento de venta de los modelos frontera.
𝕏 @WesRoth (Wes Roth) pone el dedo en la contradicción que ninguna de las dos partes puede esquivar: cuanto más contexto necesitas para saber si un agente hace algo peligroso, más difícil resulta prometer que ese contexto no se guarda.
Más información:
📎 Offering Zero Data Retention for frontier models
10. Robots humanoides compiten en Pekín
La segunda edición de los World Humanoid Robot Games arrancó el 22 de agosto en Pekín con cinco días de competición. Bloomberg cifra la participación en 666 equipos y más de 2.000 robots humanoides; otros recuentos hablan de 16 países implicados, entre ellos Alemania, Japón y Estados Unidos, y 51 pruebas. El resultado que ha circulado más es el de los 100 metros: un humanoide chino marcó 9,39 segundos, por debajo del récord humano de Usain Bolt (9,58 en 2009), y esta vez la carrera se corrió en modo autónomo, sin teledirección. En los 400 metros, el robot Tiangong firmó 38,15 segundos frente a los 43,03 de Wayde van Niekerk en Río 2016.
El programa incluyó también fútbol 5 contra 5 autónomo, boxeo y salto de altura. Interesa menos el cronómetro que lo que revela sobre el estado actual de la robótica: la locomoción rápida en línea recta está resuelta, mientras el frenado, el equilibrio tras contacto y la manipulación con dedos siguen siendo el cuello de botella. Hubo caídas, choques, chispas y un robot que se estrelló e hirió a dos espectadores. Alrededor del evento, el World Robot Conference de Pekín sirvió de escaparate comercial simultáneo: UBTECH mostró un humanoide con piel de silicona para compañía por unos 17.000 dólares y AheadForm presentó Elf-Xuan 2.0 cantando en directo. Booster Robotics desplegó 80 unidades de su nuevo T2 en la ceremonia inaugural.
El reparto de méritos que hace 𝕏 @rohanpaul_ai (Rohan Paul) es preciso: la pista y el salto de altura ya son territorio de las máquinas, pero el área pequeña sigue siendo humana porque el control postural tras un contacto continúa sin resolverse.
Frente al ruido de los velocistas, 𝕏 @antonello (Antonio Ortiz) señala que los vídeos de tenis demuestran mucho más: planificar y coordinar movimientos reaccionando a la trayectoria de la pelota y ajustar la fuerza del golpeo.
Para 𝕏 @TheHumanoidHub (The Humanoid Hub) el caso de uso inmediato es deportivo: los robots entrenados por Galbot, completamente autónomos, apuntan a compañeros de entrenamiento de tenis antes que a atletas de competición.
Sin dejarse llevar por el espectáculo, 𝕏 @KanekoaTheGreat (Kanekoathegreat) concede que el fútbol autónomo aún está lejos, aunque destaca la calidad del lanzamiento de penalti.
11. Andrew Ng publica su mapa de habilidades en IA
Andrew Ng, cofundador de Google Brain y fundador de DeepLearning.AI, ha difundido un mapa de las competencias que considera esenciales para desarrollar y desplegar aplicaciones de IA. El material organiza el conocimiento en seis áreas y, según la propia presentación, se ha elaborado a partir de un volumen amplio de ofertas de empleo, entrevistas estructuradas con expertos y encuestas, es decir, con señal de mercado laboral y no solo criterio académico. Los bloques incluyen fundamentos de los LLM, anclaje de modelos en datos propios, construcción de sistemas agénticos, desarrollo guiado por evaluación y operación en producción.
El razonamiento de fondo es sencillo: el software tradicional es predecible y la IA no, así que la competencia se desplaza desde la elección del modelo hacia la ingeniería que sostiene un sistema cuya salida varía. Importa porque fija un vocabulario común en un mercado donde el perfil de ingeniero de IA sigue mal definido y las empresas contratan sin saber exactamente qué piden. En paralelo circula una charla suya en Stanford de unos 100 minutos con una tesis más provocadora: que el prompting quedará superado en seis meses y será sustituido por bucles y grafos, con una progresión que va de los LLM a los agentes, luego a bucles y grafos y finalmente a sistemas que se mejoran a sí mismos.
El planteamiento que enmarca 𝕏 @DeepLearningAI (Deeplearning.Ai) es el de la imprevisibilidad: si el resultado no es determinista, la habilidad relevante deja de ser escribir código y pasa a ser diseñar el sistema que lo contiene.
La presentación de 𝕏 @AndrewYNg (Andrew Ng) evita el envoltorio de curso y se limita a listar lo que considera prioritario para construir y desplegar aplicaciones, sin jerarquizar entre teoría y operación.
Lo que subraya 𝕏 @Voxyz_ai (Vox) es la metodología detrás del mapa: ofertas de empleo, entrevistas con expertos y encuestas, un origen empírico poco frecuente en este tipo de listas.
Para 𝕏 @0x0SojalSec (Md Ismail Šojal) la distancia entre un ingeniero medio y uno de primer nivel no está en el modelo que utiliza, sino en cómo lo lleva a producción cuando la salida no es fiable.
La parte que rescata 𝕏 @0xwhrrari (Rari) de la charla en Stanford destaca que el prompting tiene los meses contados y que bucles y grafos ocuparán su lugar.
Más información:
📎 The AI Engineering Skills Map In Detail — Building and Deploying AI Applications