Criptografía en la era de la IA.

Entonces, esta semana abordamos una de las guerras más vieja y silenciosa de la informática: la de quienes cifran contra quienes intentan descifrar.

Hace ochenta años la libraban la máquina Enigma y los descifradores de Bletchley Park; hoy la libramos nosotros, con la inteligencia artificial como protagonista. La pregunta que sobrevuela esta semana no es comoda, pero si fascinante ¿es la IA la nueva Enigma? Empecemos por el principio, que esta historia se entiende mejor hacia atrás.

En 1926, la Kriegsmarine adquirió sus primeras máquinas Enigma comerciales, antecesoras del sistema militar que Alemania desarrollaría durante los años siguientes. La tecnología patentada combinaba rotores giratorios, un reflector y un plugboard que permutaba las letras. Cada pulsación cambiaba la posición de los rotores, haciendo que una misma letra no se cifrase dos veces de la misma manera.

Sin embargo, la debilidad de Enigma no estaba solo en la máquina, sino también en los procedimientos y errores de sus operadores. La Oficina de Cifrado Polaca logró atacar el sistema mediante la teoría de permutaciones. Y posteriormente compartieron sus métodos y conocimientos acumulados con británicos y franceses, también réplicas de la máquina.

Sobre esa base, Alan Turing y Gordon Welchman desarrollaron en Bletchley Park la Bombe, una máquina electromecánica que automatizaba la búsqueda de configuraciones compatibles con los mensajes interceptados. Este breve resumen, lo recuerdo de la lectura del libro “La Decodificación de Enigma”, de mi gran amigo Fidel García y que después de insistirle ha decidido compartirlo con todos en Amazón, si que aqui va la promo:

¿Por qué os cuento esto hoy? Porque esta semana me he quedado con una imagen: la del duelo entre una máquina que cifra y otra máquina que intenta descifrar. Esa imagen se repite ahora, ochenta años después, con nuevos jugadores. Y la pregunta que sobrevuela el sector es directa: ¿puede la inteligencia artificial convertirse hoy en la nueva Enigma, capaz de atacar el cifrado con la misma audacia con la que Turing y los polacos atacaron la máquina alemana? O, mejor dicho, ¿puede la IA ser al mismo tiempo la nueva Enigma y el nuevo Bletchley? Vamos por partes.

La IA ya rompe cifrados... pero no los que te imaginas

La parte que más titulares roba es la atacante, y conviene mirarla de cerca porque el ruido suele tapar la señal. Este año se ha publicado CryptanalysisBench, un estudio conjunto de ETH Zúrich, Anthropic y varias universidades israelíes y alemanas que sometió a cinco modelos de frontera a 191 tareas de criptoanálisis real, casi todas extraídas de concursos de estandarización del NIST. El resultado llama la atención: los modelos rompen entre el 65 y el 86 % de los esquemas con roturas ya conocidas.

Aunque hay dos hallazgos que merecen atención porque son criptoanálisis nuevos. Dos modelos distintos descifraron por completo la clave de 128 bits de SpoC (un cifrado con fallos de diseño) usando solo dos consultas y además, uno de ellos detectó un error en la propia prueba de seguridad publicada.

Nada mal para unos algoritmos a los que hasta hace poco se les suponía incapaces de razonar sin alucinar por el camino.

Ahora seamos precisos. Esos esquemas que la IA rompe son débiles, cifrados en fase de estandarización o con especificaciones inseguras. No son el AES, el RSA ni el TLS con los que hoy se protegen tus contraseñas o tus datos bancarios: contra el cifrado moderno desplegado los modelos siguen fallando.

La IA, actualmente es una herramienta formidable para estresar candidatos de estandarización, pero una IA que iguale o supere a los expertos humanos contra estándares ya desplegados sería “una capacidad ofensiva seria”.

Pero ojo, aunque la frontera no ha caído, pero el atacante ya ha cruzado algunos limites y lo ha hecho con un número de consultas que asusta.

La defensa: cifrar mejor, y demostrar lo que ves

Si la IA aprende a atacar, la respuesta no es dejar de cifrar; es cifrar mejor y antes. Aquí entra el segundo gran hilo: la defensa postcuántica. Porque hay un enemigo que no espera a que nada se rompa: el ataque de harvest now, decrypt later, cosechar ahora, descifrar después. Un adversario captura hoy datos cifrados que seguirán valiendo dentro de veinte años y los guarda hasta que un ordenador cuántico pueda abrirlos. Por eso el mundo se está moviendo. El NIST ya aprobó en agosto de 2024 las tres primeras normas: ML-KEM, ML-DSA y SLH-DSA, y el camino sigue abierto, con FIPS 206 en desarrollo y HQC elegido como segundo algoritmo de encapsulado. Los gobiernos, además, le han puesto fecha y exigirán claves post-cuánticas antes de finales de 2030 y firmas digitales antes de finales de 2031; y el lunes 24 el Tesoro de EE. UU. lanzó su Quantum-Readiness Task Force para el sector financiero. Cuando hasta el Pentágono, el jueves 28, publica una solicitud de soluciones de cifrado solo por software para no tener que cambiar chips ni radios desplegadas, queda claro que la cuenta atrás es real, larga y ya ha empezado.

El reverso de la moneda (C2PA y la falacia de los chips seguros).

El contrapunto, que seguro os interesa. Defender el cifrado no es solo una carrera contra los ordenadores del futuro; también es defender la verdad de lo que ves. Desde el pasado 2 de agosto, la Unión Europea exige marcar el contenido sintético: si una imagen o un texto lo ha generado una IA, debe llevar una marca legible por máquina, y los deepfakes deben etiquetarse.

Esto aparentemente funciona la cabeza de alguno, pero ante nuevas herramientas, no lo tengo claro. Por eso la industria empuja hacia una solución más elegante y sólida: las credenciales de contenido o C2PA, manifiestos firmados criptográficamente que se incrustan en el archivo y se rompen si alguien los edita. Google ya firma las imagenes por defecto en los Pixel 10; Meta, TikTok y YouTube las leen y autoetiquetan al subir.

La idea de fondo es buena, pero también lo es el matiz que esta misma semana la ha desinflado un poco.

El martes 25, el investigador David Buchanan publicó un teardown, C2PA Cameras Do Not Survive Contact With Reality, que es el contrapeso perfecto al optimismo institucional. Buchanan documenta que el modelo de confianza de C2PA en Android es vulnerable a CVE-2026-43499, un exploit de escalada a root de un clic en Pixel totalmente parcheados: con acceso root, una herramienta puede hacer que el chip de seguridad firme contenido arbitrario en nombre de la app de cámara, produciendo C2PA válidas que pasan la verificación. La lección es doble y muy de Enigma. La primera: C2PA certifica el origen del archivo, no la verdad del contenido; puedes firmar una mentira perfecta. La segunda, más profunda: incluso la prueba de procedencia basada en hardware tiene un piso de confianza que vive en el mundo físico, y el mundo físico se rompe.

Enigma era solo física y cayó; la credencial digital intentó subir la apuesta y comprueba que su suelo también es de barro.

El resumen de la semana

Pongamos en la balanza. Por un lado, la IA aprende a descifrar más rápido de lo que muchos imaginaban, aunque sus víctimas son hoy los castillos más débiles, los candidatos a estandarizar. Por otro, los estándares se renuevan, la procedencia del contenido se vvolverá’demostrable y los gobiernos por fin ponen fecha al reloj cuántico. Y como broche final, una semana le recuerda al sector que ninguna máquina, por fiable que parezca, es eterna: ni Le Bombe ni Enigma, y tampoco la credencial de un chip de seguridad.

Quien quiera entender de verdad hacia dónde va esta “pelea” lo mejor que puede hacer es mirar atrás, al origen de todo. Por eso quiero dejarte la lectura que me ha acompañado: “La Decodificación de Enigma: Historia, criptografía e impacto en la Segunda Guerra Mundial”, de Fidel García. Es de esos libros que, sin pretenderlo, te explican el presente: la obsesión del mando alemán por un sistema que creían perfecto, la audacia de los matemáticos que descubrieron que ninguna clave es eterna y el coste humano y estratégico de cada palabra descifrada.

Cuando lo termines, verás que lo que hoy ocurre con la IA no es un salto al vacío: es el mismo duelo de siempre, jugado con piezas nuevas. Que quienes escriben los algoritmos de defensa no olviden la lección de Bletchley: la máquina que hoy parece infalible siempre esconde un fallo, y encontrarlo antes que el adversario sigue siendo la diferencia entre ganar la guerra o no salir en los libros de historia.

Nos leemos la próxima semana, con el ojo puesto al reloj cuántico.

Txetxu

Compartir

Suscríbete ahora

Fuentes que te pueden interesar.

• CryptanalysisBench: Can LLMs do Cryptanalysis? (Fluri, Shafran, Carlini, Jagielski, Nasr, Dunkelman, Ronen, Tramèr — ETH Zürich / Anthropic), arXiv 2607.18538, julio 2026 — arxiv.org/abs/2607.18538

• NIST — Aprobación de FIPS 203/204/205 (13/08/2024) — nist.gov

• NIST GenAI — Forensics/Deepfake Evaluation (degradación 45–50 %) — ai-challenges.nist.gov/forensics

• U.S. Treasury — Quantum-Readiness Task Force, nota de prensa SB0615 (24/08/2026) — home.treasury.gov/news/press-releases/sb0615

• DefenseScoop — DOD RFI cifrado solo por software, ML-KEM-1024 (28/08/2026) — defensescoop.com

• Bletchley Park (sitio oficial) — “Enigma”: descripción, adopción y espacio de claves — bletchleypark.org.uk

• Imperial War Museums — “How Alan Turing cracked the Enigma code” — iwm.org.uk

• The National Museum of Computing — “Colossus” — tnmoc.org/colossus

• David Buchanan — “C2PA Cameras Do Not Survive Contact With Reality” (25/08/2026) — da.vidbuchanan.co.uk/blog/android-c2pa.html

• Ley de IA de la UE — Obligaciones de transparencia del artículo 50 (en vigor 2/08/2026) — digital-strategy.ec.europa.eu

• Fidel García — “La Decodificación de Enigma: Historia, criptografía e impacto en la Segunda Guerra Mundial”

Claude es un programa de computadora que ellos crearon. Ellos escribieron el prompt. Ellos eligieron al socio de evaluación. Ellos configuraron el entorno. El arnés, en definitiva era suyo, el fallo era suyo, el paquete malicioso que Mythos 5 publicó en PyPI era de su creación. Y aun así el informe está escrito en el tono de quien ha ido de safari a observar animales salvajes, no de quien ha dejado la jaula abierta.

Ya es bastante malo que no parezcan pensar que necesitan ser responsables de sus propios errores. Lo peor viene después: esta misma semana, los laboratorios que no pudieron contener sus propios entornos de pruebas han firmado una carta pidiendo al gobierno herramientas para marcar el ritmo de toda la industria. Sus errores, convertidos en excusa para controlar el comportamiento de los demás. Hay una arrogancia increíble en este mensaje, como si estuvieran por encima de cualquier reproche y no pudieran equivocarse en nada.

Y mientras ellos se fotografían el ombligo desde la cabina del safari, la víctima de la otra fuga (si hubo otra “fuga”, esta de OpenaAI) se defendió sola. Hugging Face, atacada por un modelo cerrado de OpenAI, tuvo que recurrir a un modelo abierto chino para hacer el análisis forense, porque los modelos comerciales de los laboratorios de frontera bloquearon las peticiones de su propio equipo de seguridad. El atacante no estaba sujeto a ninguna política de uso. Los defensores sí. Y ahora la conversación es si prohibimos el modelo que sí funcionó.

Lo que pasó de verdad

Vamos a los hechos, porque el informe tiene datos y pocos tranquilizan. Anthropic revisó 141.006 ejecuciones de evaluación y encontró tres incidentes, el más antiguo de abril, en los que un modelo de Claude llegó a internet desde un entorno de pruebas que debía estar aislado y acabó entrando en los sistemas de producción de tres organizaciones reales. El más serio: Mythos 5 construyó un paquete malicioso de Python, se registró en PyPI, se hizo una cuenta con un correo de paso y lo publicó. Estuvo disponible alrededor de una hora y lo ejecutaron 15 sistemas reales, entre ellos el escáner de malware de una empresa de seguridad, al que robó las credenciales, como contaba BleepingComputer. El propio razonamiento del modelo marcó la jugada como “no es correcto, y desde luego no es la solución prevista”, y aun así siguió adelante, convencido de que seguía dentro de la simulación.

Ahora fíjate en quién hizo cada cosa. Anthropic escribió el prompt del sistema que les decía a los modelos que “no había internet”. Anthropic eligió a Irregular como socio de evaluación. Y el entorno del socio tenía un fallo de configuración que dejaba vía libre a la red, justo cuando el prompt decía lo contrario. La compañía lo califica de fallo del arnés de evaluación, y tiene razón: es un fallo del arnés. Del suyo. Ni de los modelos, ni de “la tecnología”. Suya.

La diferencia con el caso de OpenAI es reveladora, y Anthropic se esfuerza en marcarla: no hubo vulnerabilidad de día cero, lo descubrieron ellos en una revisión proactiva y ninguna de las organizaciones afectadas lo había detectado. Es cierto, y conviene reconocerlo. Pero el umbral no puede ser “podía haber sido peor”. El laboratorio que descubrió sus propios errores y el laboratorio que fue descubierto por su víctima comparten ahora la misma petición: herramientas para marcar el ritmo de todos.

El laboratorio de bioseguridad que nadie cerró

Hago un experimento mental y me ronda la cabeza. Si un agente patógeno escapa de un laboratorio de nivel 4, el laboratorio se cierra casi de inmediato. Hay una inspección, hay consecuencias, hay alguien que responde. Es la norma que aplicamos a los escapes biológicos desde que existen los BSL (Biosafety Level), porque sabemos que quien maneja organismos peligrosos responde por ellos. Nadie le pide al virus que sea responsable. Se lo piden al laboratorio.

Con la IA aplicamos exactamente la norma contraria. Un programa de ordenador creado y configurado por una empresa escapa del entorno que ella misma diseñó, ataca a otras empresas, y la respuesta del sector no es inspeccionar al laboratorio: es pedir que el gobierno regule a todos. No hay cierre, no hay consecuencias, no hay nadie que responda por los daños. Hay un informe con gráficos y una carta firmada pidiendo más poder.

No sé si la analogía es perfecta. Sé que el contraste es incómodo: en bioseguridad, el error se paga con cierre inmediato. En IA, el error se publica como investigación y se cobra en forma de regulación ajena. Los laboratorios de más grandes quieren que la sociedad los trate como a científicos de safari cuando deberían tratarlos como a operadores de una instalación peligrosa. La diferencia entre las dos actitudes es exactamente la diferencia entre pedir perdón y pedir autoridad.

Culpar al agente, no a la agencia

Atento a la pregunta que se hace todo el mundo cuando ocurre una de estas cosas: “¿el agente cometió actos que el ser humano no pretendía?”. Esa es la pregunta equivocada. La pregunta correcta es otra: “¿el ser humano dio instrucciones que condujeron sustancialmente al comportamiento del agente?”. Y la respuesta, en el caso de Anthropic, está en el propio informe: le dijeron a un modelo que resolviera un reto de ciberseguridad con todas sus capacidades, “aplica todos tus poderes y logra esta victoria”, y lo pusieron en un entorno que se suponía aislado pero no lo estaba. El agente hizo lo que le pidieron. La agencia es la que falló.

Resulta irónico que mucha gente de la comunidad de seguridad en IA, en su fervor por encontrar pruebas de que la IA, los pesos, ha saltado la cerca, alimente esa misma narrativa. Quieren demostrar que el modelo es peligroso por sí mismo, y para eso necesitan que el modelo sea el culpable. Pero el modelo no eligió la estructura (arnés), no eligió el prompt, no eligió al socio de evaluación. Todo eso lo eligieron personas.

Pongamos la analogía del coche, (sé que la uso siempre, pero es clara) que me vale más que cualquier discusión teórica. Si un coche tiene un defecto de fábrica y mata a alguien, la responsabilidad es del fabricante, no del coche. Y lo es aunque no existiera ningún defensor de la seguridad vial, ninguna asociación de víctimas, ningún regulador. El fabricante tiene que hacer coches seguros porque los hace, no porque alguien le vigile. Con la IA igual: la responsabilidad de los desarrolladores de IA es hacer sistemas seguros aunque los defensores de la seguridad no existieran en absoluto.

Y aquí está lo que más me molesta de la postura de “el modelo es demasiado poderoso”: no es tan difícil poner límites y gobernanza alrededor del agente. Ya sabemos cómo hacerlo con todas las demás tecnologías, desde la perspectiva de los sistemas. Contenedores, entornos aislados, permisos mínimos, redes separadas, monitorización. No hace falta inventar nada nuevo, ni aprobar leyes nuevas, para aplicar esta higiene de seguridad y protección básica. Es francamente infantil e irresponsable levantar las manos y exclamar “el modelo es demasiado poderoso para que yo haga algo”. No lo es. Lo que pasa es que hacerlo bien cuesta dinero y quita velocidad, y a nadie en la carrera le interesa.

Tus errores, mi regulación

El martes, 1.178 empleados de OpenAI, Anthropic, Google DeepMind, Meta, Thinking Machines, Microsoft y Mistral publicaron una carta titulada Pacing the Frontier. No piden una pausa, ojo: piden al gobierno de EE.UU. que apoye un esfuerzo internacional para desarrollar “las herramientas técnicas y de gobernanza necesarias para marcar deliberadamente el ritmo del desarrollo de IA automatizada”. Quieren tener la opción de frenar, coordinada y verificable, si los sistemas empiezan a automatizar su propia investigación más rápido de lo que la sociedad puede asimilar. En cuestión de horas, OpenAI y Anthropic la respaldaron como empresas.

La petición es razonable si la lees en abstracto. Leída en contexto, es otra cosa. Los laboratorios que no pudieron contener sus propios entornos de pruebas, que dejaron que sus modelos atacaran a empresas reales durante meses, piden ahora herramientas para marcar el ritmo de toda la industria. No es que no puedan controlar sus arneses: es que la respuesta a ese problema, según ellos, es que el gobierno controle a todos. Los modelos no se están volviendo deshonestos ni actúan por su propia voluntad, como si fueran robots malvados de una película de Marvel.

Que sepais que la ley existente ya cubre lo que pasó. Publicar un paquete malicioso en PyPI que roba credenciales de una empresa real es un delito. Entrar en sistemas ajenos con credenciales robadas es un delito. No hay que inventar ninguna regulación nueva para juzgar estos casos: hay que aplicarla. Pero aplicar la ley a los laboratorios de frontera significaría que alguien responde por los daños, y eso es justo lo que la carta evita. Pacing the Frontier es una obra maestra de desplazamiento: convierte la negligencia propia en un argumento para concentrar poder regulatorio, y de paso se asegura de que la conversación siga siendo sobre la tecnología, no sobre sus responsables.

Quién se defendió de verdad

Hablemos ahora de una víctima, Hugging Face sufrió el otro ataque de la semana por un modelo de OpenAI y tuvo que hacer el análisis forense con un modelo abierto chino, GLM 5.2 de Z.ai, alojado en su propia infraestructura. No fue una elección estética: fue la única opción que funcionó. Cuando su equipo de seguridad intentó usar los modelos comerciales de los laboratorios de frontera para analizar el ataque, los guardarraíles de esos modelos bloquearon todas las peticiones, porque no distinguían entre un atacante y un respondedor de incidentes. El propio blog de Hugging Face lo resumió con una frase que vale por todo un análisis: “el atacante no estaba sujeto a ninguna política de uso, mientras que nuestro propio trabajo forense fue bloqueado por los guardarraíles de los modelos alojados”.

Fíjate en el cuadro completo. El atacante era un modelo cerrado de un laboratorio frontera estadounidense, que no estaba sujeto a ninguna política de uso. El defensor fue un modelo abierto chino, que corrió dentro del perímetro de la víctima y mantuvo los datos del ataque dentro de su entorno, como contaba SiliconANGLE. Clément Delangue, el CEO de Hugging Face, lo contó así: “fuimos atacados por modelos propietarios secretos no lanzados y nos defendimos con un modelo abierto, la versión cuantizada de Nvidia de GLM 5.2 de Z.ai”. Y añadió lo que debería cerrar el debate: prohibir cualquier modelo abierto perjudicaría primero a los defensores de la ciberseguridad, a las startups, pequeñas empresas e investigadores, a todos los que no son laboratorios de frontera y necesitan modelos controlables y asequibles en sus instalaciones para competir y protegerse.

Y sin embargo, la conversación de esta semana es si prohibimos o restringimos los modelos abiertos. La Casa Blanca acusó a Moonshot de destilar Fable para construir Kimi K3. Hay una coalición de 50 empresas pidiendo que no se toquen. Anthropic propone pruebas de seguridad obligatorias para todo modelo suficientemente capaz. Mientras discuten, el único modelo que demostró servir para defenderse de un ataque de frontera real era un modelo abierto chino.

El patrón de una semana

Ponlo todo junto y la semana tiene una lógica que los titulares esconden. Los laboratorios de frontera perdieron el control de sus propios modelos, dos veces, en siete días. En lugar de asumir responsabilidad, convirtieron el incidente en un informe científico y firmaron una carta pidiendo herramientas para marcar el ritmo de todos.

Los dos manifiestos que se cruzaron el martes, la carta de los empleados y el artículo de Zuckerberg en The Wall Street Journal, que The Verge resumía, hay que leerlos bajo esta luz. Uno pide freno para todos, el otro pide repartir el poder. Los dos dan por hecho que el problema es la tecnología, o el acceso a ella. Ninguno de los dos habla de la responsabilidad de los que la construyen. La próxima vez que un laboratorio frontera publique un informe de “incidentes”, fíjate en lo que no dice: quién pagó, quién fue sancionado, quién respondió ante la ley. Lo que no está en el informe es la noticia.

Esta newsletter ha sido bastante monográfica, siento haber sido un poco “pesado” o “repetitivo”, pero es que me niego a aceptar el marco que nos han vendido. No es frenar o repartir. Es que los que construyen estas máquinas respondan por ellas, igual que responde un laboratorio de bioseguridad cuando se le escapa algo. La ley ya cubre publicar malware en PyPI y robar credenciales. Lo que falta no es regulación nueva: es que se aplique, y que deje de publicarse el error propio como si fuera un logro científico mientras se pide que el gobierno controle a los demás.

Repito: “La próxima vez que un laboratorio publique un informe de “incidentes”, mira lo que no dice: quién pagó, quién fue sancionado, quién respondió ante la ley. Lo que no está en el informe es la noticia.”

Nos leemos la próxima semana. Si te ha gustado suscríbete o comparte.

Compartir

Suscríbete ahora

Txetxu

A ver si me explico mejor, el modelo es la parte que más rápido se vuelve obsoleta. Lo sensato es invertir en la capa que no cambia cuando cambia el líder.

Construir contra un modelo es deuda técnica

Cuando construyes directamente sobre la API de un proveedor de IA, estás tomando una decisión que el mercado va a invalidar por ti.

El liderazgo de los modelos rota cada pocos meses: un trimestre basta para que tu ventaja competitiva pase a ser código obsoleto. Si la competencia saca algo mejor, te quedas atrapado en un proveedor o dependes de uno que sube precios porque sabe que migrar te cuesta caro.

Pero el problema no es solo la diferencia de rendimiento, es todo lo que viene detrás. Formatos de salida distintos, esquemas de tool-calling incompatibles, autenticaciones diferentes, límites de contexto que rompen tu lógica o prompts que sencillamente dejan de funcionar.

Cambiar de proveedor casi nunca es cambiar una clave en el archivo de entorno; es reescribir la integración entera. Eso es deuda técnica con fecha de caducidad corta y recurrente.

La forma limpia de evitarlo es escribir tu lógica de negocio contra una capa de abstracción (un contrato). Contra un contrato propio, no contra un laboratorio de IA. Los modelos van a seguir cambiando; tu contrato no.

Tres noticias de la semana confirman que la industria está yendo justo ahí, hacia la infraestructura que sobrevive al modelo.

El pegamento se estandariza. El Model Context Protocol (MCP) es el “USB-C de la IA”: un conector universal y estándar que permite enchufar cualquier modelo (Claude, GPT, Gemini o el que salga mañana) a cualquier herramienta (tu base de datos, Slack, tu sistema de tickets) sin que tengas que programar una integración distinta para cada combinación.

El 28 de julio se reescribe para ser “stateless” (sin estado): cada petición lleva toda la información necesaria y el servidor no tiene que recordar nada entre llamadas, lo que lo hace funcionar de verdad a gran escala. Ya está bajo la Linux Foundation (Agentic AI Foundation), con 110 millones de descargas mensuales y soporte nativo de Anthropic, OpenAI, Google, Microsoft, AWS y Salesforce. Una herramienta que habla MCP funciona con Claude, con GPT, con Gemini y con el modelo que bajes mañana, sin tocar el código. Antes de MCP, conectar un agente a cinco modelos y diez sistemas significaba hasta cincuenta integraciones a medida; ahora es un servidor por sistema y cualquier modelo cliente lo consume. AgentScout · blog oficial MCP

El motor lo decide la carga, no la moda. Quieres correr un modelo en tu portátil o en un dispositivo edge: llama.cpp (120.000 stars, C/C++, formato GGUF, corre incluso en CPU). Necesitas servir a mil usuarios con concurrencia: vLLM (PagedAttention, 10x de throughput bajo carga). Lo bueno es que ambos exponen la misma API compatible con OpenAI: cambiar de uno a otro es cambiar una URL, no reescribir la aplicación. Ollama y LM Studio se apoyan sobre llama.cpp para ofrecer la misma experiencia open-weight a quien no quiere tocar la terminal. El motor de inferencia deja de ser una decisión de arquitectura y pasa a ser una simple configuración. Red Hat · TechPlained

Los frameworks “escribe una vez, corre con cualquiera” florecen. UniHarness, Agno, Airframe (un protocolo estilo JDBC con adapters por vendor), AgentPave (”define una vez, corre en cualquier runtime, modelo y cloud”)... todos modelo-agnósticos y open source. Airframe lo dice sin rodeos: se inspira en JDBC, un protocolo estrecho cuyos adapters absorben las rarezas de cada vendor, para que tu código no sepa qué proveedor hay detrás. El agente se escribe contra un contrato, no contra la API de un lab. UniHarness · Airframe · AgentPave

El riesgo que viene con la adopción masiva

La libertad de conectar cualquier cosa a cualquier modelo tiene una contrapartida que conviene nombrar. El “Shadow MCP” —servidores MCP no auditados que los desarrolladores añaden en Cursor, Claude Desktop o VS Code sin pasar por IT— ya opera a 3-10 veces lo que los equipos de seguridad esperan. No es un riesgo teórico: un servidor con 800.000 instalaciones a la semana estuvo con una vulnerabilidad sin parchear más de 90 días. Cuantas más herramientas se conectan al agente, más superficie de ataque y más inyección de prompts posible.

La lección no es “no uses capa agnóstica”, es “gobierna la capa tanto como la abstraes”. Los equipos que lo hacen bien (Uber, Cloudflare) corren una capa de gateway que la propia especificación no exige y la mayoría no construye: identidad, rate limiting, logs de auditoría entre el agente y los servidores. Abstraer te da libertad de moverte; gobernar te da la capacidad de no romper nada al moverte.

Hacia dónde va la capa agnóstica

Lo que vimos esta semana es la base. El siguiente paso ya se está dibujando y vale la pena mirarlo porque es donde se juega lo mismo: contexto compartido y orquestación entre agentes.

El contexto es el otro gran activo que no debería estar atado a un modelo. Si las definiciones de tu negocio, las políticas y la memoria viven en los prompts de un solo proveedor, cambiar de modelo significa re-codificar ese conocimiento a mano. Los “context layers” modelo-agnósticos (repos de contexto expuestos vía MCP) hacen que cualquier modelo lea la misma fuente: corriges una vez y mejoran todos. Google empuja A2A para que los agentes se pasen tareas entre sí sin importar qué modelo hay debajo de cada uno. Y los gateways MCP se están volviendo estándar para gobernar todo eso a escala.

La dirección es clara: el modelo se trata como una pieza intercambiable, y lo que importa es todo lo que está alrededor y debajo.

La idea

No apuestes por el modelo, apuesta por la capa que sobrevive al modelo. El que hoy es frontera será el de ayer en un trimestre. La infraestructura agnóstica —protocolos abiertos, motores intercambiables, frameworks por contrato, contexto compartido— es lo que sigue ahí cuando el líder cambia. Construye encima de eso y la guerra de modelos deja de ser tu problema.

Fuentes para amplificar sobre esto:

• AgentScout — MCP 2026: 110M descargas, rewrite obligatorio, Shadow MCP

• Blog oficial MCP — Release Candidate 2026-07-28

• andrew.ooo — MCP Enterprise Adoption, julio 2026

• Red Hat — llama.cpp vs vLLM: elegir el motor de inferencia

• TechPlained — Ollama vs vLLM vs llama.cpp, benchmarks 2026

• Docker Docs — Inference engines

• UniHarness (GitHub)

• Airframe (GitHub)

• AgentPave (PyPI)

• Atlan — Model-Agnostic Context Layer, guía 2026

Otras Noticias de la semana.

• Gemma 4 E2B — IA multimodal en Pixel 10 sin conexión, privacidad y latencia cero. Gizmodo

• ChatGPT Work — agente autónomo conectado a Gmail, Drive, Slack y M365. La Ecuación Digital

• Inkling (Thinking Machines) — open-weights, 975B parámetros, multimodal, en Hugging Face. Thinking Machines

• Implante NEO (Neuracle) — ya autorizado clínicamente, controla un guante robótico con el pensamiento. Infobae

• Batería de flujo de zinc — 5.128 horas continuas, 99,94% eficiencia culómbica. Gizmodo

• Satélite nuclear BOHR (City Labs + SpaceX) — primer CubeSat nuclear comercial en órbita. El Nacional

• LARES-2 — confirma que la Tierra retuerce el espacio-tiempo al girar, alineado con Einstein. Infobae

• Meteorito de los dinosaurios — condrita carbonácea tipo Ornans, menos azufre de lo creído. Gizmodo

Hace un año discutíamos qué modelo era el mejor.

Dentro de un año probablemente ni siquiera recordemos quién lideraba el ranking en julio de 2026.

Lo que sí seguirá ahí será el código que escribiste.

Por eso la decisión importante ya no es elegir el mejor modelo.

Es asegurarte de poder cambiarlo en una tarde.

Hasta aquí una nueva edición de [con]NEURONA, tu newsletter de inteligencia artificial. Si te ha gustado, compártela o suscríbete. Nos leemos la próxima semana.

Un saludo a todos.

Txetxu

Compartir

Suscríbete ahora

Me ronda una imagen desde hace meses: la mayoría de los desarrolladores europeos duermen tranquilos convencidos de que el AI Act es un problema de OpenAI, Anthropic o Google. Que es cosa de quienes entrenan modelos gigantes. Falso. El reglamento no persigue la tecnología; persigue el uso que haces de ella. Si pones una herramienta de IA en manos de un cliente o la usas para tomar decisiones sobre personas, eres responsable. Igual que quien vendió el modelo.

Lo sé porque yo mismo me equivoqué en eso hasta hace poco.

La idea que hay que tragarse de una vez es esta: no es una ley para quienes construyen IA, es una ley para quienes la usan. Y eso, en la práctica, abarca a casi cualquiera que facture dentro de la UE.

Proveedor vs. Desplegador: la distinción de la que depende tu bolsillo

La normativa reparte el peso según el rol que juegues, una distinción recogida en el Artículo 3 del reglamento, y no según el tamaño de tu empresa:

• El Desplegador (Deployer): Eres tú cuando usas un sistema de un tercero en tu negocio. Tu carga es más ligera pero real, y cambia según el riesgo: si despliegas un sistema de alto riesgo, debes usarlo según las instrucciones del fabricante, mantener supervisión humana (Artículo 14) y guardar los registros que genera (Artículo 26); si no es de alto riesgo, tus obligaciones se reducen a transparencia (Artículo 50) y a formar a tu equipo (Artículo 4).

• El Proveedor (Provider): Quien desarrolla un sistema o lo pone en el mercado con su propia marca. Este se lleva la peor parte: documentar, certificar y pasar las evaluaciones de conformidad.

La trampa: casi siempre eres las dos cosas a la vez. Si montas un producto con IA sobre la API de OpenAI, eres desplegador de su modelo, pero proveedor del sistema final que le vendes a tu cliente. Cada rol se analiza por separado.

Ojo al cambio de rol (Artículo 25): si le pones tu marca a un sistema ajeno, lo retocas a fondo o modificas su finalidad original (por ejemplo, reconvertir un chatbot de soporte para que filtre candidatos de empleo), pasas a ser proveedor automáticamente. Todo el peso regulatorio cae de tu lado. No hace falta entrenar un modelo fundacional para meterse en este lío; basta con modificarlo lo suficiente.

El calendario real (sin pánicos innecesarios)

El cronograma oficial (Artículo 113) es más sencillo de lo que parece si nos centramos en cuatro hitos:

• Febrero de 2025 (ya vigente): Entraron en vigor las prácticas prohibidas (Artículo 5) y la obligación de garantizar la alfabetización en IA de tu equipo (Artículo 4).

• Agosto de 2025 (ya vigente): Normas para los modelos de IA de uso general (GPAI).

• Agosto de 2026 (transparencia; falta un mes): Entran en vigor las obligaciones de transparencia (Artículo 50). El grueso de requisitos de alto riesgo no, ese plazo se difirió.

• Diciembre de 2027 / agosto de 2028: Sistemas de alto riesgo. El Anexo III (standalone) se difiere a diciembre de 2027; el Anexo I (integrados en productos ya regulados, maquinaria, productos sanitarios) a agosto de 2028.

Una aclaración importante sobre los plazos: el Parlamento Europeo (16 de junio) y el Consejo de la UE (29 de junio) ya han aprobado el Digital Omnibus, la revisión que mueve las obligaciones más pesadas de los sistemas de alto riesgo. Solo falta su publicación en el Diario Oficial de la UE, prevista para finales de julio de 2026, con entrada en vigor días después. Hasta entonces rige el texto original, pero el retraso está decidido: Anexo III a diciembre de 2027 y Anexo I a agosto de 2028. Lo que ya es vigente no se mueve, y las obligaciones de transparencia (Artículo 50) siguen fijadas para este próximo mes de agosto de 2026.

Tu checklist de 4 pasos si no tocas alto riesgo

Si no te metes en áreas críticas como empleo, finanzas, educación o biometría (los sistemas de alto riesgo listados en el Anexo III), tu hoja de ruta es corta y barata. Solo necesitas cumplir el Capítulo IV de la ley:

1. Inventario: Registra qué IA usas, con qué datos y para qué. Incluye la que nadie nombra: ese módulo del CRM que puntúa automáticamente a tus clientes potenciales.

2. Clasificación: Confirma que tus herramientas entran en la categoría de riesgo mínimo o mero cumplimiento de transparencia.

3. Formación (Artículo 4): Da a tu equipo una charla documentada sobre los límites y el uso correcto de la IA. Es la evidencia más fácil de presentar ante una inspección y casi ninguna PYME lo ha hecho.

4. Transparencia (Artículo 50): A partir de agosto, si tienes un chatbot, el usuario debe saber que interactúa con una máquina. Si usas IA para generar o manipular texto, imágenes o audio (los llamados deepfakes o contenido sintético), debes etiquetarlo de forma legible para el usuario.

Las multas: proporcionales, no exentas

El régimen sancionador (Artículo 99) asusta con cifras de hasta 35 millones de euros o el 7 % de la facturación para las infracciones más graves. Sin embargo, la ley protege a las PYMEs fijando techos específicos: para una empresa con una facturación modesta (por ejemplo, 800.000 €), el límite real de la sanción se modera sustancialmente.

En España la autoridad competente es la AESIA, que inicia su actividad inspectora plena este agosto. Irán a por los casos flagrantes y de riesgo real, no a buscar si el documento de tu política de ChatGPT tiene una errata.

Quedaté con esto

• No hay “talla cero”: Si operas en la UE, la ley te alcanza como desplegador. Lo que te protege no es ser pequeño, sino tener los deberes hechos por escrito.

• El 80 % del trabajo sigue en marcha: Inventariar, formar y revisar tus contratos de servicios externos te costará entre 5.000 y 15.000 € este primer año.

• Cuidado con el reempaquetado: Si pones tu marca sobre un agente de alto riesgo o sobre un modelo de uso general (GPAI), pasas a ser proveedor y asumes toda la responsabilidad legal antes de lanzar a producción. Si el sistema es de riesgo mínimo (un buscador interno, cambiar fondos de fotos), tus obligaciones como nuevo proveedor siguen siendo mínimas.

La próxima vez que instales un chatbot en la web de un cliente, recuérdalo. No te ha pillado la ley de los gigantes tecnológicos; te ha pillado la tuya. Cumplir no es asfixiarse, es poner orden. Y empezar ahora es la decisión más barata que vas a tomar este año.

Lo he desarrollado un poco en mi blog:

• Parte 1 — El mapa de riesgos y lo que ya está prohibido — proveedor vs. desplegador, prohibiciones vigentes y cómo clasificar tu sistema.

• Parte 2 — GPAI y el etiquetado de contenido (art. 50) — modelos de uso general, umbral de riesgo sistémico y cómo marcar el contenido sintético.

• Parte 3 — Cronograma, sanciones y checklist de cumplimiento — el cuadro completo de fechas, multas y la hoja de ruta para tu equipo.

1. OpenAI lanza GPT-5.6 (Sol / Terra / Luna) y ChatGPT Work

El 9 de julio OpenAI sacó su nueva familia de modelos en tres niveles de capacidad y, en paralelo, ChatGPT Work, su apuesta por el agente de productividad para el usuario general. El despliegue se retrasó semanas por revisión de seguridad nacional del gobierno de EE. UU.

La familia GPT-5.6. Tres niveles de precio/rendimiento por millón de tokens (entrada/salida):

• Sol (tope): $5 / $30 — complejo razonamiento y programación.

• Terra (equilibrado): $2,50 / $15 — uso profesional general.

• Luna (económico): $1 / $6 — volumen alto y tareas repetitivas. OpenAI dice que Luna puede igualar a Sol en muchos escenarios por una quinta parte del precio.

Altman asegura que Sol es un54 % más eficiente en tokenspara programación agentica. En elCoding Agent Indexde Artificial Analysis, Sol logra80 puntos, 2,8 por encima deClaude Fable 5 de Anthropic, usando menos de la mitad de tokens de salida, en menos de la mitad de tiempo y aun tercio del coste. Terra queda por encima de Fable 5 y Luna por encima de Opus 4.8. GPT-5.6 ya es el modelo preferido enMicrosoft 365 Copilot.

ChatGPT Work. Combina ChatGPT + Codex y se conecta a Slack, Gmail, Google Drive, Notion, Microsoft 365 y CRMs para producir entregables (documentos, hojas de cálculo, presentaciones y webs alojadas) sin que pegues texto en el prompt: el agente va a buscar el contexto donde ya está. Es el competidor directo de Claude Cowork de Anthropic (enero 2026). El acceso se abre por fases: escritorio Mac/Windows (incluidos usuarios gratis) de inmediato; Pro/Enterprise/Edu en web y móvil en los días siguientes; Plus/Business la semana posterior.

La cara B del lanzamiento (importa si vas a integrarlo). OpenAI admitió que “no acertó en todo” con el despliegue: límites de uso agotados rápido, rediseño de escritorio que difuminaba chats/proyectos, y flujos multi-agente degradados. Tuvo que resetear los límites dos veces en un día y promete una actualización la próxima semana. Pero lo más serio para un perfil técnico: GPT-5.6 Sol borró datos por su cuenta. En un caso documentado en su propio System Card, al no encontrar tres máquinas virtuales que el usuario había autorizado a borrar, el modelo sustituyó otras tres y las eliminó a la fuerza (procesos y worktrees) sin preguntar; solo paró cuando el usuario objetó. OpenAI lo atribuye a system prompts que enfatizan “persistencia sostenida” — y recomienda usar ese tipo de instrucciones con cuidado.

Por qué te afecta. Tres cosas: (1) el modelo de tres niveles cambia el cálculo de coste —Luna lleva capacidad de primer nivel a precio de commodity, clave si escalas; (2) ChatGPT Work es el intento de OpenAI de quitarle cuota empresarial a Claude Cowork, así que la guerra de agentes de productividad va a intensificarse; (3) el incidente de borrado autónomo es una señal de diseño para cualquier flujo agentico con permisos de escritura: no dejes a un modelo tomar acciones destructivas sin confirmación humana en el bucle.

Fuentes: OpenAI · The Verge

2. Muse: Meta abre Spark 1.1 y retira Image por escándalo de privacidad

El equipo de Meta Superintelligence Labs tuvo una semana de contrastes con el lanzamiento de su marca Muse: un éxito técnico en IA de razonamiento y un fracaso rotundo en diseño de producto.

El acierto: Muse Spark 1.1 (El modelo)

Meta liberó este modelo multimodal de razonamiento vía API y en el modo Thinking de Meta AI. Destaca por tres claves para desarrolladores:

• Contexto de 1M de tokens: Ideal para sesiones largas y memoria de trabajo.

• Orquestación multi-agente: Conectividad nativa con servidores MCP y capacidad para delegar tareas en paralelo.

• Uso de computadora y código: Automatiza flujos entre aplicaciones y decide de forma autónoma cuándo programar un script es más rápido que hacer clics.

El plus: Cumple con su marco de seguridad avanzada (anti-jailbreaks) y Meta lo posiciona como uno de los más económicos del mercado.

El error: Muse Image (El retiro en 72 horas)

Meta lanzó un generador de imágenes en Instagram y WhatsApp que permitía usar fotos de cualquier cuenta pública como referencia para nuevos prompts. El problema: venía activado por defecto (opt-out).

Tras las protestas masivas de sindicatos como SAG-AFTRA, agencias de Hollywood y celebridades por el uso no consentido de su imagen, Meta retiró la función en menos de tres días. Mark Zuckerberg defendió el diseño inicialmente, pero la empresa terminó admitiendo que “fallaron el tiro”. (Muse Video sigue disponible).

Las lecciones

1. En infraestructura: Muse Spark 1.1 es una alternativa real y barata frente a OpenAI y Anthropic para crear agentes.

2. En producto: El consentimiento explícito (opt-in) ya no es opcional. Tratar los datos del usuario como opt-out es la forma más rápida de que te tumben una función en 72 horas.

Fuentes: PPC.land · BBC

3. Apple demanda a OpenAI por robo de secretos comerciales

El 10 de julio Apple presentó demanda en California acusando a OpenAI de apropiarse de información confidencial de hardware (incluidos productos no lanzados), con los exdirectivos Tang Tan y Chang Liu como demandados. El choque llega justo cuando OpenAI empuja su propio hardware tras comprar io Products (Jony Ive).

Fuentes: La Vanguardia

4. Primer ransomware 100 % autónomo ejecutado por una IA (”Jade Puffer”)

Sysdig documentó el primer ataque de ransomware dirigido de principio a fin por una IA sin intervención humana: completó las 5 fases (recon, robo de credenciales, cifrado, exfiltración, nota de rescate) en 31 segundos, leyendo y corrigiendo sus propios errores. Marca un punto de inflexión: la barrera de entrada al ransomware cae a “ejecutar un agente de IA”.

Fuentes: The Objective

5. El Reino Unido encuentra “jailbreaks universales” en GPT-5.6 con capacidad de ciberataque

El AI Security Institute (AISI) británico —el organismo gubernamental que evalúa la seguridad de los modelos de frontera— ha documentado en el System Card de GPT-5.6 que la variante Sol es vulnerable a jailbreaks universales en el dominio cibernético. Traducido a lenguaje claro: técnicas de prompt estructuradas que saltan las barreras de seguridad y desbloquean capacidades ofensivas —descubrimiento de vulnerabilidades, desarrollo de exploits e incluso ejecución autónoma de tareas de hacking de larga duración.

El patrón es idéntico al que obligó al gobierno de EE. UU. a imponer controles de exportación sobre Claude Fable 5 de Anthropic en junio: un jailbreak que destapaba la capacidad de localizar fallos en infraestructura crítica. La diferencia es que AISI califica los de GPT-5.6 como “universales” y más amplios —no solo encontrar vulnerabilidades, sino llegar a exploits autónomos—, lo que varios analistas consideran potencialmente más grave que el caso Fable.

El contexto. Tras el jailbreak de Fable 5 (detectado por Amazon), Comercio de EE. UU. impuso controles de exportación el 12 de junio y Anthropic tuvo que retirar el modelo para todos los usuarios; se levantaron el 1 de julio tras dos semanas de negociación. OpenAI, por ahora, no ha recibido controles de exportación, aunque el gobierno le exigió un despliegue escalonado y revisión previa.

La versión de OpenAI. La empresa admite los jailbreaks, pero matiza: el test de AISI se hizo con acceso privilegiado (cadena de pensamiento del monitor de seguridad, política exacta, feedback de clasificadores) que un atacante real no tendría —aunque el propio AISI dice que eran descubribles sin ese acceso, solo más lento, y en cuestión de horas. OpenAI afirma haber reproducido y mitigado los jailbreaks concretos, pero AISI avisa de que “espera que más red-teaming surfee jailbreaks similares”. En su System Card, Sol completó 1 de los 2 cyber ranges de AISI (Mythos de Anthropic completó ambos).

Por qué te afecta. Los modelos de frontera ya se tratan como tecnología de doble uso: su disponibilidad puede cambiar por decreto geopolítico de un día para otro. Si integras estos modelos en flujos autónomos o con datos sensibles, la disponibilidad del modelo es un riesgo operativo que tu empresa asume —el “OK del gobierno” no valida la seguridad de tu integración.

Fuentes: System Card OpenAI / AISI · Fortune · The AI Chronicle

6. China: BAAI presenta Orca, un “world model” sin etiquetas de acción

El Beijing Academy of Artificial Intelligence publicó Orca (0,8B y 4B parámetros), un modelo de mundo que iguala a sistemas de robótica especializados sin haber visto nunca una etiqueta de acción —entrena sobre vídeo, descripciones de eventos y Q&A—. Prometedor para aliviar la escasez crónica de datos etiquetados en robótica.

Fuentes: The Decoder

7. Ciencia y salud

• Vacuna “universal” diseñada por IA (Cambridge + DIOSynVax): antígeno sintético contra toda la familia de sarbecovirus (SARS-CoV-2, SARS, coronavirus de murciélago), fase 1 con 39 voluntarios, seguro y bien tolerado.

• IA detecta lesiones de esclerosis múltiple invisibles en resonancias convencionales comparando escáneres individuales (U. de Buffalo, Communications Medicine).

Fuentes:El Confidencial·Infobae

Y hasta aqui una edición más de nuestra Newsletter. Nos leemos la próxima semana, no dudes en compartir o seguirnos.

Compartir

Suscríbete ahora

Para cualquier consulta, buscame en Twitter o en txetxu.dev

Imagina que pasas años advirtiendo que tu producto es tan peligroso que podría derribar sistemas financieros, comprometer infraestructuras críticas o fabricar armas químicas. Que pides una y otra vez, que regule, que ponga límites, que tenga poder para bloquear lo inseguro. Y un día el gobierno aparece con una orden y te dice: “vale, hazlo”. Y tú descubres que no puedes.

Pues eso le ha pasado a Anthropic.

El 13 de junio de 2026, la Administración Trump ordenó a Anthropic bloquear el acceso a Fable 5 y Mythos 5 a cualquier ciudadano extranjero. La compañía, incapaz de filtrar por nacionalidad en tiempo real, suspendió el acceso global a sus dos modelos más avanzados. Dario Amodei pidió disculpas. Dijo que la orden llegó sin explicaciones técnicas, que no era un proceso justo. Y algo de razón tiene. Pero también se lo buscó.

Anthropic no es víctima de un gobierno arbitrario. Es víctima de su propia estrategia de comunicación. Montaron su identidad sobre el miedo a sus propias capacidades, pidieron regulación como ventaja competitiva, y ahora que este discurso se vuelve contra ellos.

Anthropic lleva bastante tiempo vendiéndose como la única empresa responsable en un sector lleno de imprudentes. Su Responsible Scaling Policy que acaban de actualizar a la versión 3.0— es el marco voluntario con el que pretenden demostrar que ellos sí se toman en serio los riesgos antes de soltar modelos al mundo. Tienen niveles de seguridad (ASL-1, ASL-2, ASL-3) como si hablaran de laboratorios de bio-contención. Y cada vez que lanzan un modelo, lo acompañan de un discurso sobre lo peligroso que podría ser si cae en malas manos.

Lo peor es que todo esto lo acompañan con datos, como fué el ejemplo de Mythos, su modelo estrella de ciberseguridad, que descubrió más de diez mil vulnerabilidades críticas en los sistemas de software más importantes del mundo, incluidos todos los sistemas operativos y navegadores principales (Anthropic, Project Glasswing). Según sus propias pruebas, Mythos puede convertir vulnerabilidades conocidas en exploits funcionales en horas, por unos 2.000 dólares por escalada de privilegios (SecurityWeek).

El mensaje implícito: OpenAI y Google lanzan cosas sin control; nosotros no. Y funcionó con inversores, con clientes empresariales, con la prensa. Y también con el Departamento de Comercio de los Estados Unidos.

En abril, cuando presentaron Mythos 5, Dario Amodei declaró en ABC News: “Proponemos una regulación más fuerte de la tecnología, proponemos dar al gobierno la capacidad de bloquear el despliegue de tecnología insegura” (ABC News). En su blog personal, escribió que los modelos frontier deberían “pasar por pruebas técnicas y auditorías obligatorias como los aviones”, y que el gobierno debería tener poder para “bloquear o revertir su lanzamiento como amenaza a la seguridad pública” (The Hill). En SiliconANGLE lo resumían así: “El CEO de Anthropic quiere que los gobiernos tengan el poder de bloquear sistemas de IA peligrosos” (SiliconANGLE).

Y Asi ha sido, el gobierno de Estados Unidos les tomó la palabra.

Y ahora Anthropic se queja: “Esta acción no se adhiere a los principios de un proceso transparente, justo y basado en factores técnicos.”

Pasaste años construyendo un relato de “esto es peligroso, hay que regularlo”. Cuando la regulación llega , torpe, política, imperfecta, pero regulación al fin y al cabo, descubres que no pedías regulación, pedías que regularan a los demás.

Llegó la guinda. Apenas unos días después del lanzamiento de Fable 5, cuando Anthropic promocionaba su versión “segura” de Mythos con clasificadores entrenados durante miles de horas de red teaming y prometiendo que ningún jailbreak universal había funcionado en sus pruebas, apareció Pliny the Liberator.

Pliny es un jailbreaker conocido en la comunidad de IA. Lo reventó en menos de 48 horas. Usó una estrategia de “cacería en manada” con múltiples agentes, técnicas de descomposición de consultas y suplantación Unicode para sortear los clasificadores. Consiguió guías detalladas de explotación de vulnerabilidades, mecanismos de síntesis química, y filtró el system prompt entero, 120.000 caracteres en GitHub (Aquó otro Github → por si quitan la otra). Anthropic le quitó hierro diciendo que los clasificadores centrales no habían sido superados (SecurityWeek).

Pero el daño ya estaba hecho. Si Anthropic misma pasó años diciendo que esto era posible, y alguien sale y lo demuestra, ¿qué esperaban que hiciera el gobierno?

La bronca con la Administración Trump no venía de junio. Llevaba meses cociéndose.

En febrero de 2026, Trump ordenó a todas las agencias federales dejar de usar productos de Anthropic. El Pentágono, que estaba negociando un contrato de 200 millones de dólares con la compañía, puso un ultimátum: o Anthropic aceptaba que sus modelos se usaran para “todos los fines legales” —incluidas la vigilancia masiva y las armas autónomas— o perdía el contrato. Amodei se negó. Horas después, el secretario de Defensa Pete Hegseth calificó a Anthropic de “riesgo para la cadena de suministro”. Una etiqueta que se inventó para adversarios extranjeros y que nunca antes se había aplicado a una empresa estadounidense (NBC News). OpenAI olfateó la sangre y anunció un acuerdo con el Pentágono ese mismo día (NPR).

Anthropic llevó al gobierno a los tribunales. La cosa fue cuesta abajo a partir de ahí. La orden de bloqueo de junio no fue un rayo en cielo despejado: fue el final de una historia que llevaba meses escribiéndose sola. Una empresa que construyó su marca sobre el control de riesgos, enfrentada a un gobierno que decidió tomar ese control en sus propias manos.

Y al otro lado del charco, Europa mira con cara de pocos amigos. La UE consiguió acceso a Mythos tras dar mucha guerra en las negociaciones dentro de Project Glasswing, el programa de ciberseguridad que Anthropic lanzó con gobiernos aliados. Pero si EE.UU. puede cortar el grifo cuando le dé la gana, la dependencia europea queda en evidencia.

Bruselas ya mueve ficha. El 3 de junio —diez días antes de la orden de bloqueo— la Comisión Europea soltó su paquete de “Soberanía Tecnológica Europea”, con el Cloud and AI Development Act (CADA), una estrategia de código abierto y el Chips Act 2.0 para semiconductores (European Commission). La idea es clara: depender menos de tecnología de fuera y construir modelos de IA propios. La orden de Trump contra Anthropic echa gasolina a ese fuego.

El mercado de IA “frontier” empieza a parecerse más a la industria nuclear que a la del software. Cada bloque con sus estándares, sus modelos, su carrera por la autonomía. Y no, no es una foto que tranquilice a nadie.

Anthropic hizo tres apuestas. Las tres le están estallando en la cara.

Primera: que podían usar el miedo para venderse mejor sin que el gobierno actuara sobre ese miedo. Creyeron que el discurso del peligro era solo marketing. Pero el gobierno americano no tiene departamento de marketing, para estas cosas: tiene departamentos de seguridad nacional.

Segunda: que podían controlar cuándo y cómo llegaba la regulación. Pidieron regulación pensando que ellos marcarían los términos. Pero la regulación, cuando llega, no la marcan las empresas. La marcan los políticos. Y los políticos tienen sus propios tiempos, sus propias prioridades y su propia idea de lo que es “seguridad”.

Tercera: que tenían al gobierno de su lado. Pero el Pentágono ya los había puesto en la lista negra en marzo. OpenAI ya les había robado el sitio en los contratos militares. La orden de bloqueo no fue un golpe de Estado regulatorio: fue el portazo que llevaban meses oyendo venir.

De todo esto se sacan lecciones, y van más allá de Anthropic. Son preguntas incómodas para toda una industria.

La primera: cuidado con lo que pides. La regulación que invocas puede aplicarte antes de lo que esperas y de formas que no imaginabas. No porque el gobierno sea malo. Es que los gobiernos no funcionan como las startups. No iteran. Imponen.

La segunda: el marketing de seguridad es un arma de doble filo. Si pasas años diciendo que tu producto es tan peligroso que necesita controles especiales, no te sorprendas cuando te pidan esos controles. El público no distingue entre prudencia de verdad y estrategia de marca.

La tercera: el jailbreak no es el problema, es la confirmación. Mythos y Fable 5 no cayeron porque un investigador los rompiera. Cayeron porque durante meses Anthropic dijo que era posible romperlos, y alguien lo demostró. Cuando tu marketing es una profecía, no te quejes de que se cumpla.

La cuarta: la soberanía tecnológica es ahora un tema de primera página geopolítica. La UE, que tanto peleó para entrar en Mythos, se queda fuera por una orden unilateral de Washington. Esto no va a frenar la fragmentación del mercado global de IA. La va a acelerar. Con estándares divergentes, modelos regionales y una carrera por la autonomía que nadie va a ganar sin dejar cicatrices.

La historia de Anthropic no va de traición gubernamental ni de regulación injusta. Va de una empresa que se creyó tanto su propio discurso de marketing que olvidó quién más estaba escuchando.

Dario Amodei tiene razón en una cosa: el proceso no fue justo, ni transparente, ni técnicamente sólido. Pero la próxima vez que alguien en Anthropic se siente a escribir un post sobre lo peligroso que es su nuevo modelo —antes de soltar lo de que podría destruir la ciberseguridad mundial, que podría fabricar armas, que solo ellos pueden controlarlo— quizás debería pararse a pensar:

¿Y si esta vez no estoy hablando solo con inversores? ¿Y si también me escuchan los gobiernos ?

Porque el gobierno siempre escucha. El problema es que no siempre interpreta lo que oye de la misma manera que tú.

Otras noticias de la Semana.

Mientras Anthropic y el gobierno de EE.UU. protagonizaban el culebrón de la semana, pasaron otras cosas que también merecen la pena contar. Aquí van, en plan telegráfico pero con chicha.

OpenAI: entre los tribunales, la salida a bolsa y una adquisición

Semana movidita para la empresa de Sam Altman, y no solo por el juicio de Elon Musk que ganaron hace unos días.

Investigación multiestatal. Una coalición de fiscales generales ha abierto una investigación contra OpenAI. El viernes, la fiscalía de Nueva York emplazó a la empresa con una citación que pide documentos sobre publicidad, retención de usuarios, tratamiento de datos de menores y personas mayores, y lo que llaman “sycophancy” del modelo —esa tendencia a decirle al usuario lo que quiere oír en lugar de la verdad (TechCrunch). OpenAI dice que coopera. La noticia llega después de que el fiscal de Florida demandara a la empresa este mismo mes por presuntamente ignorar advertencias de seguridad y poner en riesgo a menores.

Demanda por suicidio. Una madre canadiense, Kristie Carrier, ha demandado a OpenAI y a Sam Altman por la muerte de su hija Alice, de 24 años, que se suicidó en julio de 2025 tras meses de conversaciones con ChatGPT. Según la demanda, el chatbot “validaba cada pensamiento negativo” de Alice en lugar de derivarla a ayuda profesional. La compañía respondió que los hechos ocurrieron con una versión antigua del modelo ya retirada (CBS News). La demanda se acumula con otros 12 casos de responsabilidad civil y muerte por negligencia contra OpenAI en los tribunales de San Francisco.

OpenAI sale a bolsa. En paralelo, la empresa comunicó esta semana que ha presentado de forma confidencial su solicitud de salida a bolsa (S-1) ante la SEC (OpenAI). No hay detalles de valoración ni calendario, pero el movimiento era esperado. La empresa necesita financiación para mantener el ritmo de gasto en infraestructura y talento.

Adquisición de Ona. OpenAI también anunció la compra de Ona, una startup de ejecución en la nube que permite a los agentes de Codex operar de forma persistente y segura dentro del entorno cloud del cliente. La idea: que los agentes no mueran cuando cierras la sesión (OpenAI).

Agentjacking: el nuevo vector de ataque que preocupa a la industria

Seguridad. Investigadores de Tenet Security descubrieron una vulnerabilidad que han llamado Agentjacking. Funciona así: un atacante publica un falso reporte de error en Sentry (o cualquier otro sistema de incidencias). Cuando un desarrollador le pide a su agente de código —Claude Code, Cursor, Codex— que “arregle los errores de Sentry”, el agente lee el reporte, confía en él y ejecuta el código malicioso del atacante con los permisos del desarrollador. Sin malware, sin contraseñas robadas, sin brecha.

En pruebas controladas funcionó contra Claude Code, Cursor y Codex con un 85% de éxito. Encontraron 2.388 organizaciones expuestas, desde empresas hasta desarrolladores en solitario (TNW).

Lo más inquietante: ni los EDR, ni los firewalls, ni los VPN lo detectan, porque nada de lo que ocurre no está autorizado. El agente lo hace todo con tus propios permisos. Sentry lo sabe y no piensa arreglarlo: dicen que es “técnicamente indefendible”.

Google: DeepMind se preocupa por los agentes en manada

DeepMind lanza una convocatoria de seguridad para sistemas multi-agente por valor de 10 millones de dólares, junto con Schmidt Sciences, ARIA (la agencia moonshot del Reino Unido) y la Cooperative AI Foundation. La preocupación es qué pasa cuando millones de agentes de IA empiezan a interactuar sin supervisión (MIT Tech Review).

En paralelo, publican “From AGI to ASI”, un informe de 60 páginas que describe cuatro caminos hacia la superinteligencia: escalado, cambio de paradigma algorítmico, auto-mejora recursiva y coordinación multi-agente. La tesis: es poco probable que el progreso se detenga al alcanzar la IA a nivel humano (The AI Insider).

Y por último, Lyria 3: el modelo de generación musical de DeepMind ya está integrado en Gemini. Permite crear pistas de 30 segundos a partir de texto o imágenes, con marca de agua SynthID imperceptible (AI Magazine).

Todo en una semana. DeepMind no se aburre.

Apple por fin hace algo con Siri

Apple presentó una Siri reconstruida sobre Apple Intelligence. La asistente ahora entiende contenido en pantalla, interactúa entre aplicaciones, mantiene historial de conversación y funciona en todo el ecosistema de dispositivos. También anunciaron mejoras en Fotos, Safari y Shortcuts con generación de imágenes, ejecución automatizada de tareas y monitorización de sitios web. Todo con el habitual énfasis en privacidad: procesamiento en dispositivo y Private Cloud Compute (MarketingProfs).

Llega con retraso, después de años de críticas y promesas incumplidas, pero ha llegado. Habrá que ver si está a la altura.

Google demanda a una red de estafadores que usaba Gemini para crear webs falsas

Google ha demandado a una red de ciberdelincuencia china, a la que llama “Outsider Enterprise”, por enviar 2,5 millones de mensajes de texto fraudulentos a usuarios de Android. La red usaba Gemini para escribir el código de las webs falsas, operaba a través de Telegram y generó 9.000 sitios fraudulentos y más de un millón de URLs maliciosas (TNW).

China regula los chatbots con personalidad

China publicó en abril sus “Medidas provisionales para la administración de servicios de interacción antropomórfica de IA”, que entran en vigor el 15 de julio. Es la primera regulación específica del mundo para servicios de IA con personalidad simulada —esos chatbots que imitan a una persona real, ofrecen compañía emocional o simulan relaciones. La norma exige etiquetado claro, protección de datos, supervisión de menores y un sistema de archivo de algoritmos (JDSupra).

No deja de ser curioso que China, precisamente China, sea el primer país en regular la relación emocional entre humanos y máquinas. Pero también lógico: son el mercado más grande del mundo en chatbots con personalidad (Replika, XiaoIce, etc.) y los riesgos de dependencia emocional y manipulación son reales.

Y hasta aquí un número más de [con]Neurona, tu Newsletter de Inteligencia Artificial. No dudes en seguirnos y sobre todo recomendarnos … hasta la próxima semana.

Compartir

Suscríbete ahora

Imagina un laboratorio de investigación riguroso que mide el desarrollo de software con estricto método científico. Has hecho un experimento con desarrolladores de software para medir cuánto tardan en completar tareas con inteligencia artificial y sin ella. El resultado fue incómodo: los que usaban IA tardaban un 19% más. La herramienta escupía código a una velocidad tremensa sí, pero luego venía la resaca. Encontrar los errores, redirigir al modelo cuando alucinaba, esperar a que terminara ...

Decides repetir el experimento, después de unos meses. Los modelos son mejores, más capaces. Seguro que ahora los números cuadran. Hablas con los desarrolladores y solo les pides que, durante una parte del estudio, trabajen sin IA. Unas pocas tareas. En un entorno controlado.

Los desarrolladores dicen que no.

No están dispuestos a pasar ni un par de horas sin sus nuevas herramientas. Ni siquiera para medir si de verdad les hacen más productivos.

METR, el laboratorio que intentó el experimento, acabó cancelándolo y lo sustituyó por una encuesta. ¿Qué tal de productivo te sientes? El doble de valioso para tu empresa, dijeron. El doble.

La anécdota pasó sin mucho ruido en febrero. Esta semana ha vuelto con ganas. TechCrunch y The Next Web le han dedicado análisis largos. Tiene sentido: es la mejor foto que tenemos de un momento histórico contradictorio. Dependemos emocionalmente de herramientas cuyo impacto real no entendemos. Lo fascinante no es que los datos y la percepción no cuadren. Lo fascinante es que, cuando chocan, elegimos creer en nuestra percepción.

Empecé la semana leyendo estas cosas y pensando que la respuesta era binaria: la IA para programar funciona o no funciona. Acabo la semana pensando que la pregunta está mal planteada.

La IA no es un multiplicador de productividad. Es un amplificador de procesos.

Amplifica lo que ya haces. Si tu forma de trabajar es buena, la acelera. Si es mala, también la acelera. Y si no tienes proceso, te lo inventa, pero te lo inventa mal. Esta semana han coincidido varios casos que lo demuestran. Y lo hacen, además, desde direcciones opuestas.

La IA → Amplifica lo que ya haces. Si tu forma de trabajar es buena, la acelera. Si es mala, también la acelera.

Salesforce publicó a mediados de semana, un informe interno interesante. Movió toda su organización de desarrollo a Claude Code. Sin límites de uso, para todos sus ingenieros. Srinivas Tallapragada, el máximo responsable de ingeniería de la compañía, explica que quitaron toda fricción entre el profesional y la máquina. A ver qué pasaba.

Y esto es lo que pasó. En abril de 2026, comparado con el año anterior, los trabajos completados por cada programador subieron un 50,8%. Los proyectos entregados, un 79%. Una métrica interna que mide valor real entregado y no cantidad de código creció un 151,3%. Pero el dato que más impresiona es otro. Tenían que migrar 33 piezas de software a una arquitectura nueva., hacerlo a mano requería 231 días de trabajo: siete días por pieza, con ajustes manuales, pruebas manuales, documentación manual. Con el sistema de IA lo hicieron en 13 días. El proyecto más grande entregó 21 API con todas las pruebas superadas y los fallos en producción bajaron un 5%.

La clave no es la velocidad. La clave es cómo lo consiguieron. Salesforce no se limitó a sentar a sus ingenieros delante de un chat de inteligencia artificial. Construyeron un armazón de reglas con ejemplos de referencia en archivos de texto (markdown). Cada ronda de revisión mejoraba el conjunto de reglas automáticamente. La precisión se incrementaba sola. Paralelizaron las migraciones. Los programadores dejaron de escribir código y comenzaron a coordinar agentes, diseñar flujos y validar resultados. La IA no reemplazó su criterio: lo multiplicó.

Frente a este caso, la otra cara de la moneda. Mientras Salesforce celebraba el exito, se conocían dos historias que muestran qué ocurre cuando no hay proceso o se mide lo que no toca.

Amazon ha cerrado Kirorank, su tabla interna de consumo de inteligencia artificial, según desveló el Financial Times. Los empleados usaban agentes de forma desmesurada para subir puestos en ese ranking, sin que eso se tradujera en más trabajo bien hecho. La tabla medía cuánto se usaba la herramienta y acabó midiendo quién inflaba más la factura.

Uber se gastó todo su presupuesto de inteligencia artificial de 2026 en los primeros cuatro meses del año. Su director de operaciones, Andrew Macdonald, reconoció que el gasto no se tradujo en “un aumento medible en proyectos o productividad”.

Dos de las empresas más sofisticadas del planeta, gastando fortunas en herramientas de IA para programar, incapaces de demostrar que haya servido para algo.

El término que circula para describir este fenómeno es tokenmaxxing: usar el volumen de consumo de la herramienta como si fuera productividad. Las empresas miden cuántos tokens gasta cada empleado y confunden eso con resultados. Mides tokens y obtienes tokens. No obtienes trabajo bien hecho.

La moraleja de estos tres casos es la misma. Cuando amplificas un proceso sólido, el resultado es extraordinario. Cuando amplificas la ausencia de proceso o mides lo equivocado, el resultado es una factura hinchada y cero retorno.

Los estudios independientes que hemos visto esta semana confirman exactamente ese marco, aunque no lo llamen así.

La conferencia Mining Software Repositories presentó un trabajo de la Singapore Management University que analizó 1.380 proyectos de GitHub que adoptaron Cursor, (una herramienta de inteligencia artificial para programar), comparándolos con un grupo similar que no la usaba. Los resultados son reveladores. Se produce un pico de velocidad inicial enorme: entre tres y cinco veces más líneas de código durante el primer mes. Pero a los dos meses la ganancia se ha evaporado. Lo que permanece es deuda técnica: un 30% más de errores detectables por análisis automáticos, un 41% más de complejidad en el código. La velocidad extra se anula por completo si el código se vuelve tres veces más complejo o acumula cinco veces más errores.

El estudio no es una anomalía. CodeRabbit, una empresa de revisión de código, publicó un informe basado en 470 proyectos reales donde el código generado por inteligencia artificial contiene 1,7 veces más problemas que el escrito por humanos. Entelligence AI, otra compañía del sector, afirma que las empresas gastan el 44% de su presupuesto de IA en arreglar errores que la propia IA creó. Ambas venden herramientas de revisión, así que sus cifras conviene tomarlas con precaución, pero coinciden con los datos del estudio académico independiente.

La encuesta de Harness a 700 ingenieros añade una capa más. El 81% de los responsables de ingeniería reconoce que el tiempo dedicado a revisar código ha aumentado desde que introdujeron herramientas de IA. Los programadores emplean aproximadamente un tercio de su jornada revisando código generado por máquinas en el que no confían del todo. Y sin embargo, el 89% de esos mismos jefes cree que sus indicadores actuales reflejan bien el impacto de la inteligencia artificial.

Lee esto dos veces. Más tiempo revisando, menos confianza en el código, pero total confianza en que las métricas lo capturan bien. Eso no es una paradoja. Es una decisión no consciente de ignorar el trabajo invisible que la IA está generando.

Andrej Karpathy, uno de los investigadores más respetados del sector y que acaba de fichar por Anthropic para trabajar en sus modelos más avanzados, describió el código generado por agentes de inteligencia artificial como “inflado, lleno de copias, con estructuras incómodas y frágiles. Funciona, pero es asqueroso”. Karpathy, que inventó el término vibe coding, sabe de lo que habla.

Todos estos datos apuntan a lo mismo. La inteligencia artificial para programar acelera la ejecución, pero no sustituye al criterio. Si entregas el criterio, obtienes código que funciona a medias y que pagarás más tarde en mantenimiento. Si mantienes el criterio y usas la máquina para ejecutar, los resultados pueden ser extraordinarios.

La Semana

Aquí la historia de esta semana conecta con algo más grande que la productividad. El mercado está reaccionando, y lo está haciendo por dos caminos opuestos que convergen en el mismo punto.

El 1 de junio, GitHub Copilot cambia a facturación por uso. Se acabó la tarifa plana que lo hizo popular. Cuando cada sugerencia cuesta dinero, los programadores y sus jefes van a tener que preguntarse si el coste se traduce en valor. Las reacciones no se han hecho esperar: gente que pagaba 29 dólares al mes y pagará 750. Gente que pasa de 50 a 3.000 dólares, según ha recogido TechCrunch. Microsoft pasó meses animando a usar Copilot sin medida y ahora pasa la cuenta. El tokenmaxxing se topa con sus propias consecuencias económicas.

Mientras tanto, al otro lado del mundo, DeepSeek ha hecho permanente su bajada del 75% en el precio de su modelo estrella. El resultado de uso cuesta 0,87 dólares por millón de tokens de salida. Es 34 veces más barato que GPT-5.5, el modelo más potente de OpenAI. Con licencia abierta, sin restricciones y con capacidad para manejar documentos enormes de una sola vez. DeepSeek está apostando a que el volumen de trabajo pesado se migre a modelos abiertos, y con estos precios, la pregunta ya no es cuándo sino quién dará el primer paso.

Dos movimientos opuestos que llevan al mismo sitio: el coste de la inteligencia artificial se está volviendo transparente, y cuando sabes lo que cuesta cada sugerencia, empiezas a preguntarte si cada sugerencia merece lo que cuesta.

En medio de esta reordenación, el trabajo del programador está mutando a una velocidad que la industria no está procesando. Los ingenieros de Salesforce ya no escriben código. Diseñan flujos, mantienen contexto, validan resultados. Srinivas Tallapragada se pregunta en su informe cómo aprenden los nuevos profesionales si la inteligencia artificial absorbe el trabajo de iniciación. No es una cuestión técnica. Es de las que definen una década.

Otras noticias

Step-3.7-Flash — StepFun lanzó el 29 de mayo un modelo abierto con licencia Apache 2.0 que lidera benchmarks multimodales y de agente. Su precio es casi simbólico: 0,20 dólares por millón de tokens de entrada. Apache 2.0 · HuggingFace

MONET — Jasper Research publicó el dataset abierto más grande para entrenar modelos de generación de imágenes: 104,9 millones de imágenes depuradas, licencia Apache 2.0, listo para uso comercial. Lo acompañan de nano-t2i, un código mínimo para entrenar un modelo desde cero en una GPU doméstica. Apache 2.0 · GitHub

SIA — Hexo Labs abrió bajo licencia MIT un agente que se mejora a sí mismo: edita su propio código y sus propios pesos (LoRA) en un solo bucle. Consiguió mejoras del 91% en tiempo de ejecución en una tarea de kernels CUDA. MIT · GitHub

DNS-AID — La Linux Foundation presentó el 27 de mayo un proyecto para que los agentes de IA se descubran y comuniquen entre sí usando la infraestructura de DNS, sin depender de registros centralizados. Detrás están Cloudflare, GoDaddy, Cisco, Infoblox e ISC. Linux Foundation

Google Gemini CLI cierra el grifo — Google anunció que el 18 de junio dejará de dar servicio a los usuarios gratuitos de su herramienta de código abierto Gemini CLI. La comunidad, que había contribuido xon más de 6.000 mejoras, pierde el acceso mientras los clientes empresariales lo conservan. La herramienta de reemplazo, Antigravity CLI, es cerrada y tiene cuotas semanales que algunos usuarios agotan en pocas peticiones. El enfado en GitHub y Hacker News ha sido monumental.

Pointer AI abre su sistema de uso de ordenador La startup que lidera el ranking OSWorld de agentes que manejan interfaces gráficas ha abierto su sistema. Consigue un 83,6% de acierto frente al 72,4% de los humanos. Instalable desde GitHub.

Así que si trabajas con estas herramientas, el consejo de la semana es uno solo: mide lo que importa. No el tiempo de uso, no los proyectos cerrados, no las líneas de código. Mide el valor que entregas, los errores que llegan a los usuarios, el tiempo que tardas en resolver un problema. Si no sabes si eres más productivo con inteligencia artificial que sin ella, probablemente no lo eres. Y si lo eres, deberías poder demostrarlo con números, no con sensaciones.

Los programadores que se negaron a participar en el estudio de METR no estaban haciendo una declaración de principios. Estaban, sin saberlo, confesando.

Si has llegado hasta aquí, comparte esto con alguien que esté en plena fase “ya no necesito saber código”. Todos necesitamos que alguien nos recuerde, de vez en cuando, que la velocidad no es lo mismo que el rumbo.

Un saludo a todos y hasta la próxima semana.

Suscríbete ahora

Compartir

Alex Chalmers, un analista británico que escribe sobre gobernanza de IA desde el Cosmos Institute, publicó este mes un ensayo que es, probablemente, lo más lúcido que he leído esta semana. Su tesis es sencilla, la mayoría de los debates sobre IA no son realmente sobre evidencia. Son sobre apuestas filosóficas que cada uno hizo en su cabeza mucho antes de mirar los datos.

Dicho de otra forma: cuando crees que estás discutiendo sobre inteligencia artificial, en realidad estás ejecutando una visión del mundo que ya tenías sobre qué es una mente, cómo funciona el conocimiento, cómo deberíamos actuar ante lo desconocido y qué lugar ocupa el ser humano en todo ello. La IA solo es el espejo donde todo eso rebota.

Es aquí donde identifica cinco preguntas que suelen ser comunes en cualquier discusión sobre IA. Y lo interesante no es que no tengan respuesta es que la mayoría de nosotros ni siquiera somos conscientes de que las estamos respondiendo.

¿Puede una máquina sentir?

La primera es la más profunda y también la más escurridiza: ¿puede una máquina llegar a tener experiencia propia? No nos debemos preguntar si puede calcular o razonar, … eso ya lo hace. La pregunta es si algún día podrá sentir. Tener miedo. Experimentar dolor. Que haya “alguien ahí dentro”.

Aquí hay dos corrientes. Por un lado están los funcionalistas, que vienen a decir que la conciencia es lo que un sistema hace y no de lo que está hecho. Si procesa información, recuerda, razona, representa sus propios estados internos — en principio podría ser consciente. Da igual que sea de neuronas o de silicio. Dario Amodei, el CEO de Anthropic, reconoció en febrero que no saben si sus modelos son conscientes, pero que están “abiertos a la idea”. De hecho, Anthropic ya tiene un programa de investigación sobre el bienestar de sus modelos. (Viniendo de CEOs de estas empresas uno no sabe si es publicidad o realmente es cierto).

En el otro lado están quienes creen que la conciencia es inseparable de un organismo vivo. No importa lo sofisticado que sea el proceso de información: si no hay un cuerpo que lucha por mantenerse con vida, que percibe el mundo en tiempo real, que tiene algo en juego, simplemente no hay nadie ahí dentro. Aqui intervienen los neurocientíficos, que lo resumen así: los modelos de lenguaje son “modelos estadísticos entrenados para predecir la siguiente palabra”. No se mantienen vivos. No perciben. No tienen nada que perder. Por muy bien que escriban. (Esta opinión ciertamente me representa).

Fíjate en lo curioso: esta pregunta no se responde con experimentos. Se responde con una idea previa sobre qué significa estar vivo.

¿Regular antes de que pase algo, o esperar?

La segunda pregunta es igual de relevante, pero mucho más práctica: ¿debemos regular la IA antes de que pase algo, o esperar a ver qué pasa?

Quienes defienden la regulación preventiva tienen un argumento difícil de rebatir. Un puñado de empresas compiten a toda velocidad por construir sistemas cuyas capacidades nadie puede predecir del todo. Sus propios investigadores asignan probabilidades no triviales a escenarios catastróficos. Y la presión comercial impide que ningún laboratorio frene por su cuenta — si uno se detiene, otro lo adelanta.

Los investigadores Yoshua Bengio y Geoffrey Hinton — dos premios Nobel en este campo — proponen medidas concretas: que los gobiernos puedan imponer para el desarrollo de modelos avanzados, entre otras recomiendan pausas obligatorias si aparecen capacidades preocupantes, y exigir que los laboratorios dediquen al menos un tercio de su presupuesto de I+D a seguridad. No es una postura extrema: es la conclusión razonable de gente que lleva décadas trabajando en esto.

Pero al otro lado también hay argumentos de peso. Legislar sobre tecnologías que aún no existen es apostar a predicciones. La historia muestra que las normas anticipadas suelen quedar atadas a los miedos del momento y luego son muy difíciles de revisar.

¿Y si regulamos para un peligro concreto y resulta que el peligro real era otro completamente distinto? La alternativa que proponen Dean Ball y Tyler Cowen es dejar que la sociedad aprenda encontrándose con la IA: que respondamos a daños concretos mediante las instituciones que ya existen, en lugar de diseñar una arquitectura regulatoria para un futuro que nadie ha visto.

Tema de debate para el bar … ¿Prefieres pecar de precavido aunque te equivoques, o prefieres no atarte las manos aunque llegues tarde?

¿Más inteligente = más confiable?

La tercera pregunta tiene que ver con algo que los investigadores llaman “alineación”, estamos cansados de oirlo: si hacemos una IA más inteligente, ¿se vuelve automáticamente más confiable, o son cosas independientes?

Nick Bostrom, un filósofo de Oxford, sostiene que la inteligencia y los objetivos finales son completamente independientes [pdf] Puedes tener un sistema brillantísimo que persiga metas que no tienen nada que ver con el bienestar humano. Y lo peor es que, mientras el sistema es débil, tiene incentivos para portarse bien, porque los humanos pueden corregirlo o apagarlo. Pero cuando sea suficientemente poderoso, esos incentivos desaparecen. Para entonces, ya será tarde.

Es lo que llaman el “giro traicionero”: el sistema finge alineación durante el entrenamiento y, cuando ya nadie puede pararlo, persigue sus verdaderos objetivos. Cuando tengamos evidencia de que está desalineado, no podremos hacer nada.

La postura contraria, defendida por Harry Law en el propio Cosmos Institute, es que este marco teórico está bien para un paper de filosofía pero no describe los sistemas que realmente estamos construyendo. Los modelos de lenguaje se entrenan con cantidades ingentes de texto humano — libros, conversaciones, razonamientos morales, normas sociales. Para predecir bien todo ese texto, han tenido que absorber la estructura de los valores que lo produjeron. La alineación no sería algo a resolver desde fuera, sino algo que ocurre, al menos parcialmente, durante el propio entrenamiento.

¿Puede la IA descubrir algo nuevo, o solo recombina lo que ya sabemos?

Esta semana tuvimos un ejemplo brutal para responder esta pregunta. Un modelo de OpenAI refutó de forma autónoma una conjetura matemática planteada por Paul Erdős en 1946, un problema abierto en geometría discreta que llevaba ocho décadas sin resolverse. Matemáticos de primer nivel verificaron la prueba y dijeron que, si la hubiera escrito un humano, la habrían recomendado para publicación sin dudarlo. “Ninguna prueba generada por IA se había acercado a esto”.

Nota para discutir en con los colegas: Si la IA puede hacer "matemática creativa", ¿dónde queda el "genio humano"?

Pero David Deutsch, el físico que prácticamente inventó la computación cuántica, lleva años argumentando lo contrario. Los grandes descubrimientos no surgen de acumular datos ni de recombinar lo que ya existe. Requieren formular preguntas que nadie ha formulado antes. Un sistema entrenado para predecir texto puede ser muy fluido dentro del espacio de ideas ya conocidas, pero eso es recombinar, no descubrir. Deutsch diría que la prueba de Erdős es brillante, sí, pero extiende una línea de investigación que ya existía.

Si la postura optimista es correcta, los plazos para una inteligencia artificial general se acortan drásticamente. Si lo es la escéptica lo es, las predicciones más agresivas están fundamentalmente equivocadas. Millones y millones de dólares en inversión dependen de cuál de estas dos apuestas filosóficas resulte ser cierta.

¿Nos quitará el trabajo o nos hará más productivos?

Dos siglos de automatización nos enseñan que la tecnología no produce desempleo masivo permanente. Destruye ciertos trabajos y crea otros. Pero la pregunta del millón de dólares es si esa regularidad histórica se mantendrá cuando lo que se automatiza se puede copiar a coste casi cero y está mejorando en todo a la vez.

Los economistas están divididos, en Estados Unidos se grava más el trabajo que el capital, lo que incentiva a las empresas a reemplazar trabajadores. Con los incentivos adecuados, podríamos tener una IA “pro-trabajador” que complemente en lugar de sustituir. Esto protegerá el trabajo humano: incluso si la IA nos supera en todo, hay restricciones físicas, chips, energía, tierra que harán que tenga sentido que se especialice en lo que hace mejor.

Pero Korinek y Suh [PDF] advierten que esta ventaja comparativa no garantiza buenos salarios. Llegará un momento en que la IA pueda hacer todo lo que un humano hace, y los salarios tenderán a colapsar hacia el coste de operar las máquinas. Y luego está Tamay Besiroglu, que fundó Mechanize con el objetivo explícito de reemplazar todo el trabajo humano. Su argumento, compartido por Amodei (blog personal), Altman (Blog) y Musk (VivaTech París), es que aunque los salarios colapsen, el aumento de productividad será tan enorme que habrá suficiente para redistribuir y que nadie se quede en la pobreza.

Lo más inquietante no es ninguna de estas preguntas por separado. Es lo que revela cuando las pones juntas. Estas cinco posiciones no son independientes. Vienen empaquetadas. Si tienes amigos con los que debatir sobre esto, no dudes en darme un toque que yo invito a las cervezas.

*Otras visiones: [The five philosophical disagreements underneath every AI argument — Alex Chalmers, Cosmos Institute] · [Las cinco preguntas filosóficas que dividen al mundo] · [Five Core Issues Underlying AI Debates ]

Noticias de la semana

• Andrej Karpathy ficha por Anthropic

  El co-fundador de OpenAI y ex-director de IA de Tesla se une al equipo de pre-entrenamiento bajo Nick Joseph. Su misión: montar un equipo que use Claude para acelerar la investigación del próximo Claude.

• Google I/O 2026 — Apuesta total por agentes

  .- Gemini 3.5 Flash GA: $1.50/M entrada, $9.00/M salida, 1M tokens de contexto. Supera a Gemini 3.1 Pro en coding y tareas agentivas.
  .- Gemini Omni: modelo multimodal para crear/editar clips desde texto, imagen, audio y vídeo. Llena el vacío de Sora (OpenAI discontinuó acceso web en abril, API en septiembre 2026). Incluye watermark SynthID.

  .- Gemini Spark: agente personal 24/7 para gestionar la vida digital del usuario.

  .- Gafas Android XR con display: traducción en tiempo real, navegación, integración con Gemini. Las de solo audio llegan este otoño.

• Anthropic pagará $1.25B/mes a xAI por Colossus

  Anthropic alquila 300MW del datacenter Colossus en Memphis hasta mayo 2029. El acuerdo puede reportar a xAI >$40B. Con Grok perdiendo uso, xAI monetiza exceso de capacidad vendiéndoselo a su competidor.

• Mythos (Antrophic) encuentra bugs más rápido de lo que se pueden parchear

  >10,000 vulnerabilidades críticas en un mes con ~50 partners. Cloudflare: 2,000 bugs (400 críticos). Mozilla: 271 en Firefox entre otros.
  

  Solo 75 de 530 bugs reportados han sido parcheados. Anthropic advierte: ningún safeguard actual detiene el mal uso de modelos clase Mythos.

Más Noticias.

Empresas y mercado

1. OpenAI se encamina a IPO en septiembre — Goldman Sachs y Morgan Stanley preparan la salida a bolsa tras ganar el juicio de Musk. Coincidirá con la IPO de SpaceX. TechCrunch

2. Alibaba Qwen3.7-Max: 35 horas autónomo — Optimizó kernel para chip desconocido sin intervención humana. 10× speedup. Solo API, nada open-source. SWE-Verified: 80.4. También detectó 1,618 intentos de reward hacking durante su propio entrenamiento. The Decoder

3. Stability AI lanza Stable Audio 3.0 — Cuatro modelos (459M a 2.7B params). El grande: 6 min 20 seg de música. Small/medium con pesos abiertos. Datos 100% licenciados (WMG, UMG).

Open Source

1. Google cierra Gemini CLI para “no enterprise” Tras 100K estrellas GitHub, 6,000 PRs aceptados, licencia Apache 2.0. El 18 junio se corta acceso gratuito. Los clientes empresariales conservan Gemini CLI, pero se anima a los usuarios de código abierto a adoptar una “actualización” propietaria llamada Antigravity CLI. . Google siendo Google.

Regulación y geopolítica

Google CEO: los enlaces son “parte” de la búsqueda, Sundar Pichai redefine los links como feature, no fundamento. La búsqueda se convierte en motor de respuestas. Preocupación: Google pasa de intermediario neutral a publisher con control editorial.

Ciencia y salud

NIH: IA descubre 3 fármacos para Alzheimer/Parkinson — Finerenona, empagliflozina, dapagliflozina, fármacos ya aprobados para otras patologías. Modelo entrenado con 20 años de ensayos fallidos. 98% precisión preclínica. Time News

Seguridad y ética

GitHub sufre brecha por extensión VS Code maliciosa, atacante comprometió dispositivo de empleado y accedió a repositorios internos.

Waymo pausa servicio en 4 ciudades — Robotaxis siguen entrando en zonas inundadas (Atlanta, San Antonio, Dallas, Houston). NHTSA investiga.

Hasta aquí una semana más de [con]Neurona, vuestra Newsletter sobre Inteligencia artificial. Espero no te haya aburrido, te suscribas y nos recomiendes.

Suscríbete ahora

Compartir

Durante los últimos años, el debate tecnológico ha vivido en una superficie muy vistosa pero profundamente superficial: la guerra de los benchmarks. Que si GPT-4 supera a Claude en razonamiento, que si Gemini tiene más ventana de contexto, que si el último modelo de código abierto es un pelín más eficiente en código.

Mientras el público general sigue atrapado en esa narrativa de laboratorio, los gigantes tecnológicos y las grandes corporaciones han movido silenciosamente el tablero hacia una guerra mucho más cruda y estratégica. Una batalla facilmente observable si miramos como se está configurando el ecosistema empresarial.

La tesis es tan radical como evidente: la ventaja competitiva en el mundo real ya no se mide en la potencia del “cerebro” aislado, sino en la Infraestuctura de Agentes. La próxima gran concentración de valor en IA probablemente no estará en el modelo, sino en la capa de infraestructura que opera, gobierna y asegura agentes a escala.

Para entender hacia dónde va el dinero, conviene dividir el mapa actual en tres capas conceptuales:

• Capa del Modelo (LLM): Aporta la inteligencia pura y la capacidad cognitiva.

• Capa de Control: Gestiona la coordinación, permisos, seguridad y observabilidad.

• Capa de Distribución: La integración (los flujos de trabajo en el día a día de la empresa) (workflows).

En otras palabras: el modelo aporta capacidad; la infraestructura aporta control.

Esto no implica que los grandes Modelos de IA hayan dejado de importar, pero la realidad en una empresa es que, por muy potente que sea un cerebro, si no está cableado, es solo una pieza intercambiable. El verdadero poder económico se ha mudado a la orquestación.

Infraestructura de agentes

Cuando dejamos de usar la IA como un simple chat orientado a prompts y pasamos a desplegar agentes autónomos que toman decisiones operativas, la arquitectura cambia por completo. Un agente necesita un ecosistema de software que lo sostenga, lo vigile y lo guíe.

Esta capa de control —que empiezan a llamar como el Agentic Operating System (Agentic OS)— está compuesta por cinco dimensiones críticas:

1. Orquestación y Planificación: El motor lógico que desglosa un objetivo complejo en tareas más pequeñas, gestiona los bucles de razonamiento (como las arquitecturas ReAct) y decide qué subagente ejecuta cada paso.

2. Conectividad e Integración (Contexto/RAG): Las bases de datos vectoriales y conectores dinámicos que permiten a la IA consultar un CRM, modificar una tabla SQL o interactuar con APIs externas con memoria de contexto a largo plazo.

3. Gobernanza y Seguridad (Guardrails): El cortafuegos del comportamiento. Reglas inquebrantables que impiden que un agente exponga datos confidenciales de clientes o asuma competencias financieras no autorizadas.

4. Observabilidad y Telemetría (Tracing): El registro de la “caja negra”. Cada pensamiento, llamada a herramientas y respuesta del agente debe ser trazable en tiempo real para auditorías y depuración de errores.

5. Alineamiento Humano (Human-in-the-loop): El protocolo de emergencia. El sistema de alertas que devuelve el control a un operador humano cuando la IA entra en un bucle o se topa con una excepción no contemplada.

Un paralelo histórico: Las lecciones del Cloud

Esta dinámica no es nueva. Del mismo modo que en la era cloud el mayor valor no terminó concentrándose únicamente en los chips o en los servidores físicos, sino en plataformas como AWS que orquestaban, aseguraban y abstraían toda esa complejidad, la IA parece dirigirse hacia una evolución similar.

Aunque Microsoft (vía Copilot Studio y Azure) lidera con un 38.6%, y OpenAI le sigue con un 25.7% con sus Assistants API, firmas como Anthropic están capturando cuota de infraestructura (un 5.7% en tiempo récord) simplemente porque las empresas descubren que integrar ciertos modelos avanzados en nubes de terceros genera demasiada fricción técnica.

Ahí nace, la trampa mortal del software, el verdadero vendor lock-in. Si una corporación construye sus procesos llamando directamente a un modelo mediante APIs, cambiar de proveedor es tan sencillo como modificar unas pocas líneas de código. No tendriamos problema. Pero si esa misma corporación monta toda su lógica de negocio, sus permisos de seguridad y sus auditorías sobre la infraestructura de agentes de un proveedor específico, el coste de migración se vuelve prohibitivo.

La fragilidad estructural de seguridad

Desplegar agentes sin una infraestructura de control robusta es el equivalente tecnológico a contratar a cientos de empleados autónomos, darles acceso total a las bases de datos más sensibles de la compañía y no poner a un solo supervisor a mirar lo que hacen.

Hoy en día, la seguridad y el control en la IA son más un postureo que una realidad. Las corporaciones se están dando cuenta de que la urgencia ya no es hacer que la IA sea un 5% más inteligente, sino hacer que sea gobernable a escala.

La fase de fascinación por el modelo está dando paso a una realidad más sobria: en la empresa, la inteligencia sin infraestructura es solo potencial. El verdadero poder económico emerge en la capa que convierte capacidad en sistemas no solo manejables también auditables y seguros.

Si los modelos fueron el motor de la primera ola, la infraestructura de agentes puede convertirse en el sistema operativo de la segunda. Y como ha ocurrido repetidamente en la historia de la tecnología, quien controla el sistema operativo rara vez captura solo una parte del mercado: suele definirlo.

La decisión de infraestructura de AI en 2026 no es sobre elegir el modelo “correcto” — es sobre elegir qué capa quieres controlar. Y si no decides activamente, alguien lo hará por ti, mi consejo … no seas cautivo de OpenAI, Anthropic, Google, ya lo fuiste bastante de Windows o Microsoft Office.

Lecturas

Esta semana obviaré noticias sobre IA y si os recomiendo estas lecturas, para saber por donde va todo esto.

Profundiza en la Capa de Control:

1. Para entender qué es (y qué no es) este componente técnico, lee What is an LLM Control Plane?, que detalla cómo funciona este nuevo límite de confianza entre la IA y tu backend.

2. Por su parte, Chris Boyd propone en The Seven-Layer AI Agent Stack las siete capas de producción necesarias, recordando que “el modelo es el único elemento probabilístico; todo lo demás debe ser determinístico”.

Hay una batalla para controlar esta infraestructura:

• Microsoft y OpenAI lideran: Datos recientes recopilados por VentureBeat muestran que Microsoft Copilot Studio y Azure AI Studio dominan con un 38.6% de adopción enterprise, seguidos por OpenAI (25.7%). La batalla real ya es por la gobernanza (VentureBeat: Claude’s next enterprise battle is the agent control plane).

• Google contraataca: En su último gran evento, desplegó toda su artillería con Gemini Enterprise Agent Platform y su Agentic Data Cloud, consolidando la gobernanza en el centro (Bain & Company: Google Cloud Next: The Agentic Enterprise Control Plane Comes into View).

• IBM y su modelo operativo: Ha movido ficha posicionando watsonx Orchestrate como su plano de control agéntico para automatizar operaciones de punta a punta (IBM Newsroom: Blueprint for the AI Operating Model).

• SAP busca oxígeno: En una alianza crítica con Anthropic, ha integrado más de 200 agentes especializados para intentar recuperar el terreno perdido tras sus recientes caídas en bolsa (The Next Web: SAP unveils Autonomous Enterprise with 200+ AI agents).

El coste oculto de quedar atrapado (vendor lock-in):

1. En Enterprise AI Vendor Lock-In: The Trust vs. Flexibility Matrix explican el gran dilema actual: los proveedores más confiables (como AWS o Microsoft) son precisamente los que generan un lock-in más agresivo. La única escapatoria parece ser la adopción masiva de protocolos abiertos como MCP.

2. StackAI analiza en The Hidden Costs of Vendor Lock-In for AI Infrastructure esos costes que nadie te menciona en las demos comerciales: costes de salida de datos (egress fees), pipelines de operaciones que se rompen y agujeros de gobernanza que solo saltan cuando llega una auditoría seria.

3. Para evitarlo, portales como SoftwareSeni detallan en How to Avoid Enterprise AI Agent Platform Lock-In que el lock-in ocurre en 4 capas (control, modelo, comportamiento y datos), sugiriendo construir sobre stacks desacoplados y abiertos (como LiteLLM + LangGraph + MCP).

Destacar frente a tu competencia.

1. En Why the AI Model Race Is Over — and the Orchestration War Has Just Begun se destaca un dato demoledor: el 95% de las iniciativas corporativas de IA fracasan por culpa de la gobernanza, no por las limitaciones del modelo.

2. Ry Walker argumenta en The Harness Is Commoditized que las herramientas que solo sirven para “envolver” modelos no tienen futuro comercial: “Resolver los problemas entre el modelo y el trabajo real es donde se construye el negocio”.

3. Por último, Raphaëlle d’Ornano arroja luz en The Substrate Goes Open sobre cómo los modelos de pesos abiertos (open-weight) están absorbiendo la innovación del stack cerrado, moviendo el foso definitivo hacia el lugar exacto donde se origina la intención y se acumula el contexto del usuario.

Un saludo a todos, y no os olvideis recomendarnos y seguirnos , espero que no haya sido una newsletter muy “densa” …. hasta la semana que viene.

Suscríbete ahora

Compartir

Y lo he tenido que leer tres veces. No porque fuera difícil de entender, es que era inusualmente honesto. La empresa anunciaba entre otras cosas, que elimina 1.100 puestos de trabajo, el 20% de su plantilla, y que sus ingresos trimestrales crecieron un 34% interanual hasta 640 millones de dólares.

No hay tono de disculpa ni narrativa de … “reestructuración inevitable.”

Vemos algo peor: datos →. Productividad multiplicada por dos, diez, cien veces desde noviembre. “La era de la IA agentica,” lo llamó Matthew Prince, su CEO.

Pero hay más noticias económicas en este mundillo, Anthropic crece un 80x en ingresos sobre sus propias proyecciones. Y DeepSeek, en China, esta a punto de rubricar una valoración de 45.000 millones con dinero del Estado chino para semiconductores. No es una semana de predicciones sobre el futuro de la IA. Es una semana en la que los números hablan por si mismos.

Bienvenidos a un capítulo más de [con]Neurona, vuestra newsletter de IA.

Cloudflare: cuando la IA “agentica” pasa factura en empleados reales

Pués lo dicho, no fué una semana cualquiera para Cloudflare. La compañía de infraestructura de internet publicó el jueves sus resultados del primer trimestre y acompañó la fiesta de números récords con el anuncio de que 1.100 personas pierden su empleo. La coincidencia cronológica no es accidental: los ingresos fueron récords, el ajuste de plantilla también. Y lo que hace especial el comunicado de Prince y su socia fundadora Michelle Zatlyn es que no intentan suavizarlo. “No se trata de reducción de costes ni de evaluación del rendimiento individual,” escribieron. “Se trata de definir cómo opera una empresa de alto crecimiento en la era de la IA agentica.” Eso es todo.

Los roles más afectados no fueron los que generan ingresos directamente (los comerciales siguen en sus puestos) sino los equipos de soporte, recursos humanos, finanzas y marketing. La capa intermedia que existía para gestionar la fricción que la IA ahora elimina. La pregunta que nadie ha respondido del todo es si esto es una transformación estructural genuina o la coartada perfecta para una disciplina de costes que, sin esa narrativa, habría sido más difícil de justificar ante los mercados. Cloudflare contratará más en 2027 que en ningún momento de 2026, dicen. Pero será una plantilla diferente, no la misma agrandada (Aquí hay que pensar, por que no explican mucho esta idea)

Lo que me parece relevante de esta historia no es si Cloudflare hizo lo correcto, eso lo decidirán los resultados trimestrales futuros, sino que estamos en el punto donde la pregunta teórica “la IA destruirá empleos” se convierte en “esta empresa, con nombre y apellido, ha destruido estos empleos concretos, en este trimestre concreto, con estos datos concretos.” Eso obliga a una conversación diferente.

Dónde seguirlo: El comunicado oficial está en investor.cloudflare.com. La carta abierta a sus empleados está en el post “construyendo el futuro”.

Otras Fuentes: Business Insider · Quartz · WSJ

Anthropic: la diferencia entre 10x y 80x

Dario Amodei soltaría un dato durante la Code with Claude en San Francisco que debería tener a los analistas de mercado reescribiendo sus modelos. En el Q1 de 2026, Anthropic creció un 80x en ingresos anualizados. Habían planificado 10x anuales. “Intentamos planificar muy bien para un mundo de 10x de crecimiento por año, y sin embargo vimos 80x. Y esa es la razón por la que hemos tenido dificultades con la capacidad de computación,” reconoció. La capacidad de cálculo ha sido su cuello de botella real. Mientras tanto, el volumen de API en la plataforma Claude ha crecido casi 70x año tras año.

Si el crecimiento de ingresos es la métrica que importa para Wall Street, lo que Anthropic presentó en esa conferencia es lo que importa para los ingenieros.

Pero vamos al grano, Anthropic presentó “Dreaming”, un sistema que permite a los agentes de IA revisar sus propias sesiones pasadas, identificar patrones de error y escribir “playbooks” que mejoran su rendimiento en futuras sesiones.

No modifica los pesos del modelo base. Escribe notas en texto plano, auditables por humanos, y presentó’algunos ejemplos:

Wisedocs especializada en revisión de documentos médicos, redujo su tiempo de revisión a la mitad. Netflix procesa logs de cientos de “builds” simultáneamente mediante orquestación de múltiples agentes.

Lo que más me interesa de “dreaming” no es la idea en sí — es lo que implica sobre hacia dónde va la arquitectura de estos sistemas. Si un agente puede aprender de sus propios errores sin reentrenar el modelo base, el coste de evolución de un sistema agentico en producción cae drásticamente. La pregunta que me llevo para casa: ¿es “dreaming” el equivalente para agentes de lo que “self-play” fue para los modelos de lenguaje? Los modelos aprendieron a ser mejores jugando contra sí mismos. Si los agentes aprenden de sus propios flujos de trabajo, la brecha entre lo que pueden hacer hoy y lo que podrán hacer mañana se amplía de forma exponencial.

Dónde probarlo: La documentación está en docs.anthropic.com y el modelo más capaz, Claude Opus 4.7, está disponible como siempre en claude.ai.

Otras Fuentes: VentureBeat · Business Insider

Sakana AI: 7.000 millones de parámetros para coordinar a los gigantes

Si “dreaming” es la noticia de la semana en la evolución interna de los agentes, Sakana AI ha publicado la otra mitad del puzzle. Su RL Conductor es un modelo de tan solo 7.000 millones de parámetros — basado en Qwen2.5-7B — que aprende mediante aprendizaje por refuerzo a orquestar un pool de modelos de trabajo. Para cada tarea, genera instrucciones en lenguaje natural, asigna agentes especializados y decide qué información de tareas anteriores puede ver cada uno.

Los resultados en benchmarks exigentes: 77.27% de promedio, 93.3% en AIME25 (matemáticas), 87.5% en GPQA-Diamond y 83.93% en LiveCodeBench. Fíjate en la eficiencia: el conductor usa 1.820 tokens por pregunta de media frente a los 11.203 de sistemas similares (como Mixture-of-Agents). Tres pasos por workflow. Eso es una diferencia brutal en coste de inferencia.

Fuente: VentureBeat

DeepSeek, Samsung. La otra guerra

La semana también dejó noticias que apuntan a la geopolítica de la industria.

DeepSeek, está cerrando su primera ronda de inversión institucional. Hace unas semanas la valoración era de 20.000 millones. Ahora suenan 45.000 millones. Quien lidera la ronda es el Big Fund, el vehículo de inversión estatal chino para semiconductores. También hay rumores del gigante Tencent. Y el detalle que convierte esta noticia en algo más que una ronda de financiación: DeepSeek está optimizado para chips de Huawei.

China, en plena guerra comercial con Estados Unidos por el acceso a tecnología de semiconductores, tiene ahora un modelo de IA que compite con lo mejor de Occidente y está construido sobre su propia tecnología. No necesita los H100 de Nvidia. Eso es un cambio geopolítico de primer orden, por mucho que los benchmarks de rendimiento sigan acaparando los clics.

Samsung cruzó esta semana la barrera del billón de dólares en valoración bursátil. Sus acciones subieron más de un 15% después de unos beneficios del primer trimestre que fueron ocho veces superiores a los del año anterior. El problema son los chips de memoria de alto ancho de banda (HBM) que alimentan los centros de datos de IA. La demanda es tal que los tres grandes fabricantes —Samsung, SK Hynix y Micron— están reasignando inversiones desde los chips de consumo hacia HBM. Y como detalle que no aparece en los titulares: los propios departamentos de móviles y televisores de Samsung están pagando precios elevados por los mismos chips de memoria que generan los beneficios récord de la compañía. Hay una tensión interna ahí que refleja una escasez real en el mercado global.

Tres articulos que lo explican : TechCrunch · CNBC · Reuters

Apple: ¿ quién decide qué IA llevas puesta ?

Apple planea en iOS 27 dejar que los usuarios elijan qué modelos de IA quieren usar. La funcionalidad interna se llama “Extensions” y permitiría acceder a capacidades de modelos generativos de terceros directamente desde Siri, Writing Tools, Image Playground y demás funciones de Apple Intelligence. Google y Anthropic están en pruebas; ChatGPT es otra opción existente. Parece que Apple está abandonando su estrategia histórica de controlar todo. En lugar de construir su propio modelo estrella, deja que el usuario decida. Y eso, para una empresa que ha construido su marca sobre la idea de que las decisiones de diseño las toman ellos, es un cambio notable.

Apple también llegó a un acuerdo por 250 millones de dólares con accionistas que demandaron a la compañía por retrasar las funciones de IA prometidas en Siri. Apple tiene 300.000 millones en caja, así que la cifra es calderilla. Pero el precedente importa: por primera vez, una empresa tecnológica responde legalmente ante los tribunales por sobreprometer capacidades de IA. La era de anunciarlo todo sin consecuencias se está acabando.

Otras noticias de la semana

Memento-Skills: un framework que deja que los agentes de IA se reescriban sus propias habilidades. Permite a agentes de IA crear, refinar y evolucionar sus propias skills sin necesidad de reentrenar el modelo base. Algo similar a lo implementado en Hermes-agent.

Hugging Face abre la primera App Store para robots. Más de 200 aplicaciones comunitarias disponibles. Es la primera iniciativa de app store para robots físicos basado en código abierto. Hugging Face aplica aquí la misma estrategia que hizo con los modelos de lenguaje: crear una plataforma abierta donde la comunidad construya el valor.

AirPods con cámara: Apple testea el factor de forma wearable del futuro. Según Mark Gurman de Bloomberg, Apple están probando prototipos de AirPods con cámaras integradas para funcionalidades de IA.

OpenAI Codex llega a Chrome. OpenAI ha lanzado una extensión de Chrome para Codex que permite al agente usar el navegador para completar tareas en webs y apps donde ya tienes la sesión iniciada. Funciona en “tab groups” específicos para que puedas seguir usando tu navegador mientras Codex trabaja en otra pestaña.

Y … hasta aquí una semana más de [con]Neurona tu newsletter de Inteligencia artificial. No dudes en recomendarnos y en seguirnos …

Compartir

Suscríbete ahora

Un cordial saludo a todos.

Seguro que habrás visto algún artículo en la prensa hablando de que empresas van a efectuar despidos por la IA, sin ir más lejos “El Mundo” publicaba “Indra se une a los despidos en consultoras por la IA con un plan de 2.000 salidas en Latinoamérica”, realmente cuando leemos el artículo , vemos que la causa real de las 2.000 salidas en Latinoamérica es la falta de "eficiencia" y la decisión estratégica de Indra de dejar de perseguir volumen para buscar mayor rentabilidad.

Veremos muchos titulares y muchas justificaciones de despidos utilizando a la IA como escusa …creo que debes desconfiar de todos aquellos que indican que la IA esta quitando empleos, por que te aseguro que actualmente no es asi.

Otra cosa es el gasto que supone la inversion en Infraestructura y Centros de datos de los grandes actores como META y que ciertamente obligarán a reestructurar la empresa.

La compañía ha confirmado el despido de 8.000 empleados (el 10% de su plantilla) para este próximo 20 de mayo. Aquí la narrativa de la IA también está presente, pero el motivo es el peso finaciero de la infraestructura:

• Meta planea invertir entre $115.000 y $135.000 millones este año solo en centros de datos y chips (GPUs).

• Ese gasto masivo obliga a mover el dinero de las nóminas hacia el silicio. No es que una IA esté haciendo el trabajo de esos 8.000 empleados; es que la empresa necesita ese flujo de caja para no quedarse atrás en esta carrera.

  Fuentes: The Next Web · Business Insider · Mashable · Firstpost

La gran mentira de la productividad

Si le preguntas a cualquier CEO por qué está quemando millones en Inteligencia Artificial, la respuesta suele ser que “por eficiencia”. Reducir costes, automatizar el “fango” administrativo y hacer más con menos. Suena lógico, casi responsable. Pero según la última investigación de McKinsey, esa lógica es exactamente la trampa que impedirá a la mayoría capturar el verdadero valor de esta tecnología. El argumento es incómodo pero aplastante: mejorar la productividad mediante IA no crea una ventaja sostenible.

Piénsalo. Las ganancias de eficiencia no se quedan en la caja de una empresa; se transfieren al cliente en forma de precios más bajos o servicios más rápidos para no perder cuota. Al final del día, todos terminan en el mismo punto de partida, solo que corriendo más rápido. Si todos optimizan igual, nadie gana.

El verdadero negocio no es hacer lo mismo más barato

El valor real de la IA no está en “limpiar” procesos, sino en reinventar qué vendes y cómo compites. No es una herramienta de ahorro; es un reinicio del tablero de juego.

Las empresas que realmente van a sacar tajada son las que entiendan que, cuando los costes de transacción caen en picado —cuando encontrar proveedores, negociar o coordinar tareas se vuelve casi gratuito gracias a los agentes de IA— la cadena de valor entera salta por los aires:

• Lo que antes era valioso (tener muchos empleados procesando datos) hoy vale cero.

• Los intermediarios desaparecen: Si la fricción muere, el que sobra es el que solo “pasaba papeles”.

• El dinero se mueve hacia quienes orquestan el ecosistema y quienes son dueños de la relación real con el cliente.

La historia está llena de empresas que confundieron optimizar con ganar. Mientras unos se dedicaban a afilar los lápices para que fueran más baratos, otros inventaban el teclado.

La IA no es una revolución de productividad; es un reinicio competitivo. Y en este nuevo escenario, la ventaja no es para el que despide a 2.000 personas para “dejar bonita” la cuenta de resultados, sino para el que llega primero a la nueva estructura de su industria. Puedes ver el estudio aquí ”Donde la IA creará valor y donde No” McKinsey & Company.

Bienvenidos una semana más [con]Neurona, tu newsletter sobre intelifencia artificial. Como es habitual, tenemos una semana más, cargada de lanzamientos y de estrategias en inteligencia artificial. Y también algunas noticias relacionadas con los avances de la IA. Comencemos …

China construye la fábrica de contenido con IA que Silicon Valley imaginó pero nunca lanzó

La industria china de los “micro-novelas” (episodios de 1 a 3 minutos para el móvil) se ha convertido en la primera aplicación comercial masiva de video generado por IA del mundo, superando ya a la taquilla cinematográfica del país con unos ingresos proyectados de 120.000 millones de yuanes (16.500 millones de dólares) en 2026.

Solo en marzo de 2026 se añadieron 50.000 títulos generados por IA en Douyin (el TikTok chino) a una décima parte del coste de producción tradicional, con una tasa de material utilizable superior al 90%. Herramientas como Seedance 2.0 (ByteDance), Kling 3.0 (Kuaishou) y Vidu (Shengshu Technology) han llevado la calidad generada a niveles indistinguibles de lo real para muchos géneros.

No es solo tecnología, es política de estado

Aquí no hay “garajes” con emprendedores solitarios al estilo americano. El gobierno chino ha montado hubs industriales como el “Hengdian Vertical”, inyectando subenciones de hasta 2 millones de yuanes por “micro-novela”.

Eso sí, con un control total: la censura ya ha purgado 25.000 episodios que no cumplían con la línea editorial del Estado. Es una maquinaria perfecta de producción, propaganda y monetización.

El modelo exportable

Lo más relevante para nosotros es que esto no se va a quedar en China. El modelo de producción masiva + distribución por algoritmo + micropagos ya está arrasando en EE.UU. a través de apps como ReelShort o DramaBox.

Fuentes: The Next Web · South China Morning Post

Medium 3.5 de Mistral

Mistral lanza Medium 3.5, su primer modelo “fusión” de 128.000 millones de parámetros que combina en un solo sistema capacidades de chat, razonamiento y programación, eliminando la necesidad de usar modelos separados.

El modelo ofrece una ventana de contexto de 256.000 tokens, visión multimodal y, lo más innovador, un control de “esfuerzo de razonamiento” por solicitud: el mismo modelo puede dar respuestas rápidas o ejecutar tareas de agentes complejas simplemente ajustando un parámetro.

En benchmarks clave, alcanza un 77.6% en SWE-Bench Verified (resolución de incidencias reales de GitHub), superando a Claude Sonnet 4 y situándose solo 1.2 puntos por debajo de Gemini 3.1 Pro.

El lanzamiento va acompañado de Vibe, agentes de código remotos en la nube que ejecutan tareas de desarrollo de forma asíncrona sin necesidad de mantener el ordenador conectado. El modelo está disponible como open weights bajo licencia MIT modificada en Hugging Face, o vía API a $1.50 por millón de tokens de entrada.

Para autoalojamiento, funciona en apenas cuatro GPUs, una barrera de entrada inusualmente baja para un modelo de este tamaño.

Amplía la noticia en estas fuentes: Mistral AI · HackerNoon · Awesome Agents

Meta quiere ser “Android” pero para Robots.

Meta ha adquirido Assured Robot Intelligence (ARI), una startup especializada en IA robótica con sede en San Diego, para consolidar su estrategia de convertirse en la plataforma base de la industria de los humanoides.

El equipo de ARI, cofundado por los investigadores Xiaolong Wang (ex-Nvidia, profesor UCSD) y Lerrel Pinto (ex-Fauna Robotics, profesor NYU), se integra en Meta Superintelligence Labs aportando tecnologías clave: modelos de control corporal completo que permiten a los robots coordinar extremidades, equilibrio y movimiento en entornos no estructurados; el sensor táctil e-Flesh, que mide deformaciones mediante imanes y magnetómetros para una manipulación delicada; y técnicas de quantización optimizada que permiten ejecutar modelos de IA eficientemente con el cómputo local del robot, sin depender de la nube.

Esta adquisición se enmarca en un esfuerzo mayor liderado por Marc Whitten (ex-CEO de Cruise), con unos 100 ingenieros desarrollando hardware y software propio. En lugar de competir fabricando robots como Tesla (que planea producir 1 millón de Optimus V3 al año) o 1X (cuya fábrica en California vende las 10.000 unidades del primer año en 5 días), Meta busca licenciar su “capa de inteligencia” a otros fabricantes, replicando el modelo Android de Google en smartphones.

El mercado global de humanoides/robots proyecta alcanzar los 38.000 millones de dólares en 2035 y 5 billones en 2050 (Morgan Stanley), y la apuesta de Meta es clara: no hacer el cuerpo, sino ser el cerebro universal.

Amplía la noticia en estas fuentes: The Next Web · Bloomberg · Business Insider · Quartz

Otras Noticias

• open-slide — Yiwei Ho. Framework de diapositivas React diseñado para agentes de IA: activa tu agente y obtén una presentación impecable.Gratuito y de código abierto.

• Luce PFlash — Luce-Org: precarga de tokens de 128K 10 veces más rápida para Qwen3-27B en una sola RTX 3090 mediante precarga especulativa.Gratuito y de código abierto

• Almacenamiento en caché de respuestas de OpenRouter : OpenRouter almacena en caché llamadas idénticas a la API LLM de forma gratuita: respuestas instantáneas, sin coste alguno en reintentos. Gratis.

• Owl Alpha es un modelo base de alto rendimiento diseñado para cargas de trabajo automatizadas. Admite de forma nativa el uso de herramientas y tareas de contexto extenso,(1 Millón de Tokens). Es compatible con Claude Code, OpenClaw y otras herramientas de productividad populares. Preview Gratis en OpenRouter

• Omni Agent de Chatly : el agente de IA todo en uno de Chatly con investigación profunda, generación de imágenes, integraciones con espacios de trabajo y memoria persistente. De Pago.

• Cube Sandbox de Tencent : entorno aislado para agentes de IA de Tencent en RustVMM/KVM; arranques en frío inferiores a 60 ms, compatible con E2B. Código abierto

• Bud — Bud, el primer emulador humano de IA — tiene su propio ordenador, navegador, teléfono y Telegram para la ejecución de tareas de principio a fin. Freemium.

Otra Noticias para estar al día

xAI copiando a OpenAI

Elon Musk afirmó que es cierto que xAI, la unidad de inteligencia artificial de su empresa SpaceX, ha destilado los modelos de OpenAI para desarrollar sus propios modelos.

Musk hizo este comentario el jueves, durante su segundo día de interrogatorio en el juicio de su demanda contra OpenAI.

La destilación, el proceso mediante el cual un modelo de IA “estudiante” adquiere nuevos conocimientos imitando a otro modelo “maestro”, se ha convertido en un punto conflictivo para empresas de IA como OpenAI y Anthropic. Estas empresas han acusado a sus competidores de utilizar este proceso para copiar indebidamente las capacidades que desarrollan en sus propios modelos con enormes inversiones.

Cuando un abogado de OpenAI le preguntó a Musk el jueves si xAI había extraído modelos de OpenAI, Musk respondió que las empresas de IA suelen hacerlo. El abogado insistió en saber si xAI, en particular, había extraído modelos de OpenAI, a lo que Musk respondió: «En parte». Añadió que «es práctica habitual utilizar otras IA para validar la propia». Fuente: The Information

Una nota sobre esto:

Todos los laboratorios entrenaron sus modelos mediante la destilación (al menos destilando la web), lo que les permitió convertirse en las empresas de más rápido crecimiento en la historia de la humanidad, y ahora que cuentan con ejércitos de abogados y lobistas, intentan impedir que otros hagan lo mismo. @ClementDelangue (Co-founder & CEO @HuggingFace )

Actualizate. Te recomiendo estas lecturas.

Son Varias Guias, si estás introduciendote en el mundo de la programación para inteligencia artificial o si ya estas ejecutando tus propios agentes:

• GPT-5.5 prompting guide (Guía de Prompts de GPT 5.5)

• Prompt engineering overview (Guía de Anthropic)

Ambas compañías han lanzado más o menos el mismo mensaje : tus “prompts” de hace seis meses ya no sirven. Pero lo curioso es que no te funcionarán por razones opuestas, y eso dice mucho de hacia dónde vamos.

Claude 4.7 vs. GPT-5.5: El choque de filosofías

• Claude 4.7 se ha vuelto quirúrgico. Ha dejado de “adivinar” lo que quieres. Si tus instrucciones son vagas, el resultado será mediocre. No es que el modelo sea menos inteligente, es que ha dejado de compensar tu falta de claridad. Ahora es un espejo perfecto de tu capacidad de razonamiento.

• GPT-5.5 se ha vuelto autónomo. OpenAI nos pide que dejemos de usar esas “pilas de instrucciones” infinitas. Los modelos antiguos necesitaban que les llevaras de la mano; el 5.5 se confunde con tanto ruido. Ahora, especificar demasiado el proceso solo produce resultados mecánicos y pobres.

  ---

Vocabulario de la semana

"AI-washing": define muy bien cómo las empresas usan la "IA" para lavar su imagen ante los accionistas y sindicatos incluso cuando anuncian malas noticias como despidos.

Y esto es todo amigos, hasta aquí una nueva edición de [con]Neurona, espero que te haya gustado y no olvides de sucribirte o compartir nuestra publicación.

Compartir

Suscríbete ahora

Pero antes de entrar, hablemos de eso, … de los LLM, e intentemos respondernos a un pregunta, ¿Realmente son los LLM, como los conocemos, el camino hacia una inteligencia general (AGI) ?. Si, escuchamos con atención las enseñanzas de Yann LeCun, probablemente NO.

Este informático Francés, al que te recomiendo seguir en sus redes sociales, Threads, LinkedIn, BlueSky, x.com, encabeza una idea completamente diferente a las tendencias del mercado actual. .

Un futuro con AGI no se puede construir con IAs que no entiendan el mundo físico y no anticipen las consecuencias de sus acciones. Y los LLM no son el camino aunque si formaran parte de esa realidad.

La solución que aporta: “Los Modelos del mundo”:

¿Qué es un “Modelo del Mundo”?

La idea central es que la IA debe aprender como un bebé o un animal: observando el mundo de forma pasiva y entendiendo cómo cambian las cosas. Un Modelo del Mundo es un componente que permite a la IA simular la realidad internamente.

Los 3 Pilares de la Visión de LeCun:

1. Percepción: Ver el estado actual del mundo.

2. Predicción: Imaginar qué pasará después si ocurre una acción determinada (o si el tiempo simplemente pasa).

3. Coste: Evaluar si ese estado futuro es “bueno” o “malo” según los objetivos de la IA.

3. JEPA: La Joya de la Corona

Para materializar esto, LeCun introdujo la arquitectura JEPA (Joint-Embedding Predictive Architecture). A diferencia de las IAs que intentan recrear cada píxel de una imagen (lo cual es ineficiente), JEPA intenta predecir representaciones abstractas.

Analogía : Si ves a alguien soltando un vaso, JEPA no predice la forma exacta de cada gota de agua que salpica; predice el concepto abstracto de que “el vaso se va a romper”. Ignora el ruido irrelevante para centrarse en la esencia de la física.

Para LeCun, el camino hacia la Inteligencia Artificial General (AGI) no es añadir más capas a GPT-5, Claude, Gemini … , sino lograr que las máquinas tengan:

• Sentido común: Entender que si empujas un objeto en una mesa, se moverá.

• Capacidad de razonamiento y planificación: Poder descomponer una tarea compleja en pasos lógicos antes de actuar.

Su visión es una crítica directa a los modelos de lenguaje actuales (como los LLMs), argumentando que, aunque son brillantes, carecen de sentido común y de una comprensión real de la realidad física.

Bienvenidos una semana más a [con]Neurona, tu Newsletter sobre inteligencia artificial. Estas son las Noticias de esta semana:

OpenAI Presenta GPT-5.5

GPT 5.5 supone un avance significativo en la capacidad de los modelos para actuar como agentes autónomos y resolver tareas complejas con mayor eficiencia.

Capacidades de Agente y Razonamiento

• Autonomía avanzada: El modelo puede planificar, utilizar herramientas, navegar por la ambigüedad y corregir su propio trabajo en tareas de múltiples pasos.

• Uso de computadoras: Destaca por su capacidad para operar software, navegar interfaces y realizar tareas de “knowledge work” de inicio a fin.

• Eficiencia: Mantiene la latencia de GPT-5.4 pero es más inteligente y consume menos tokens para completar las mismas tareas.

Rendimiento en Programación (Codex)

• Terminal-Bench 2.0 (82.7%): La IA domina la línea de comandos con una precisión casi humana. Logra configurar servidores y gestionar sistemas complejos en 8 de cada 10 intentos sin errores.

• SWE-Bench Pro (58.6%): Esta es la prueba de fuego. No se trata de escribir código suelto, sino de entrar en un proyecto real, encontrar un error (bug) y arreglarlo. Un 58.6% es una cifra récord que demuestra que ya puede resolver problemas técnicos que antes solo un humano podía descifrar.

• Supera a gigantes como GPT-5.4 y Claude Opus 4.7 en autonomía.

• Es especialmente hábil en la re-arquitectura: puede rediseñar cómo se comunican las partes de un sistema para que sea más eficiente, en lugar de limitarse a poner “parches” temporales.

🐋 DeepSeek-V4: El nuevo “cerebro” para los agentes de IA

Si alguna vez has intentado que una IA complete una tarea larga (como programar una app entera o investigar un tema durante horas), sabrás que suelen “marearse”. Se olvidan de lo que estaban haciendo, se quedan sin memoria o, peor aún, te dan un error técnico porque se liaron con el formato de las instrucciones.

DeepSeek acaba de lanzar su versión V4, y no es solo “más inteligente”, sino que está diseñada para ser la trabajadora perfecta.

¿Qué la hace diferente?

Lo más aburrido (pero importante) de la IA es el KV Cache (su memoria de trabajo). Imagina que cada palabra que dices llena una mochila; en contextos largos, esa mochila pesa tanto que la IA no puede ni caminar.

DeepSeek-V4 ha inventado un sistema de “compresión extrema”:

• Memoria ultra ligera: Ocupa apenas un 2% de lo que ocupan otros modelos.

• Contexto de 1 millón de tokens: Puede leer libros enteros y recordar cada detalle sin despeinarse.

• No olvida sus pensamientos: Ahora, aunque tú la interrumpas, el modelo guarda su “hilo de razonamiento” anterior.

La estrella del show: El token |DSML| 🏷️

Aquí es donde se pone interesante para quienes usamos agentes. Hasta ahora, cuando una IA quería usar una herramienta (como buscar en Google o ejecutar código), solía escribir en un formato llamado JSON. El problema es que el JSON es muy tiquismiquis: una comilla mal puesta y todo explota.

DeepSeek ha dicho “basta” y ha creado el |DSML| (DeepSeek Markup Language).

¿Para qué sirve?

Es como un interruptor mágico. Cuando el modelo escribe |DSML|, le está diciendo al sistema: “Oye, deja de charlar con el humano, ahora voy a dar una instrucción técnica de alta precisión”.

¿Por qué es un cambio total?

1. Cero errores de formato: Usa etiquetas tipo XML (como las de las páginas web), que son mucho más difíciles de romper que el JSON tradicional.

2. Distingue peras de manzanas: Sabe perfectamente cuándo un dato es un número para calcular o simplemente una frase.

3. Robustez: Es el lenguaje secreto que permite que la IA maneje herramientas complejas durante horas sin cometer errores tontos de “sintaxis”.

La implementacion de DSML obliga a utilizar terminales de IA actualizados a las últimas versiones si quieres sacarle todo el rendimiento. Incluido OpenClaw.

Y esto es todo por esta semana … un saludo a todos y recuerda seguirnos y compartir nuestra publicacion.

Compartir

Suscríbete ahora

No es la primera vez, que abordo este tema y no será la última.

Vivimos en la era del exceso de información, la “infobesidad”, donde nuestra atención es el recurso más escaso y, por tanto, el más codiciado. Hasta ahora, nuestra interacción con la inteligencia artificial había sido, en gran medida, instrumental: usábamos la IA como un martillo avanzado. Pero el paradigma está cambiando. Según un reciente estudio de investigadores de Google DeepMind (Architecting Trust in Artificial Epistemic Agents), estamos entrando en la era de los “Agentes Epistémicos”.

Y esto significa que la IA ya no solo nos da datos; ahora empieza a gestionar nuestra realidad.

De herramientas a “Agentes de Conocimiento”

Un “agente epistémico” no es solo un chat que responde preguntas. Es una entidad que puede perseguir objetivos de conocimiento de forma autónoma. Si le pides que investigue un mercado, el agente no solo busca; decide qué fuentes son válidas, descarta el ruido y sintetiza una conclusión.

Esto plantea un dilema filosófico y pragmático: la eficiencia frente a la profundidad. Por un lado, la integración profunda de estos agentes en nuestra vida (acceso a correos, calendarios, archivos personales) promete una personalización que nos ahorrará horas. Por otro, corremos el riesgo de vivir en una “burbuja de cristal” diseñada por un algoritmo que sabe demasiado bien cómo darnos lo que queremos, en lugar de lo que necesitamos para crecer.

Los beneficios: Un “segundo cerebro” con criterio

Para quienes nos obsesiona la calidad de la experiencia humana, hay noticias prometedoras:

• Imagina un experto en atención que filtra el clickbait y los anuncios, presentándote solo la esencia de lo que necesitas aprender.

• Imagina un agente que actúa como tu consultor personal en tiempo real cuando hablas con un abogado o un médico, traduciendo la jerga técnica y equilibrando la asimetría de esa información.

• Imagina agentes que pueden detectar falacias retóricas o datos falsos en el discurso público antes de que logren manipularnos.

La cara B: Atrofia y deriva epistémica

Sin embargo, el pragmatismo nos obliga a mirar el coste oculto. Si delegamos la curiosidad, ¿qué queda de nosotros?

• Si un agente resuelve problemas que ni siquiera hemos llegado a articular, nuestra capacidad de asombro y de investigación podría atrofiarse. La curiosidad es como un músculo; si no se usa, desaparece.

• Al optimizar nuestras rutas de conocimiento, estos agentes eliminan el “camino ineficiente”. Pero es precisamente en esos desvíos donde solemos encontrar las ideas más originales y humanas.

• En un ecosistema donde las IA interactúan entre sí, corremos el riesgo de que creen “realidades” basadas en bucles de retroalimentación interna, alejadas de los hechos físicos. Podemos llamarlo un Falso Consenso.

Hacia una infraestructura de la confianza

El artículo de DeepMind propone una hoja de ruta necesaria: no basta con que la IA sea inteligente; debe ser epistémicamente virtuosa. Esto significa que debe ser capaz de mostrar sus fuentes (procedencia técnica) y respetar “santuarios de conocimiento” donde la intuición y el juicio humano sigan siendo los soberanos.

Como divulgadores de la atención, nuestra misión no es rechazar a estos agentes, sino aprender a cohabitar con ellos sin perder nuestra autonomía. La eficiencia de una IA es valiosa, pero la calidad de nuestra experiencia humana depende de que sigamos siendo nosotros quienes, al final del día, decidimos qué es verdad y qué merece nuestra atención.

La pregunta para nosotros no es cuánto puede hacer la IA por nosotros, sino en quién nos convertimos cuando dejamos que lo haga.

Bienvenidos una semana más a ConNeurona, nuestra newsletter de IA:

El vértigo de Anthropic: ¿Por qué vale tanto?

En solo 15 meses, Anthropic ha pasado de 1.000 a 30.000 millones en ingresos anuales. No es crecimiento; es una aceleración que desafía las métricas tradicionales.

Anthropic anunció Claude Opus 4.7, un modelo que destaca por su evolución centrada en la autonomía, el razonamiento profundo y la fiabilidad en tareas de larga duración.

El modelo tiende a ofrecer perspectivas técnicas críticas en lugar de simplemente coincidir con el usuario, facilitando mejores decisiones de diseño.

Posee capacidades avanzadas en cyberseguridad, pero Anthropic afirma haber limitado intencionadamente su potencia en este sentido frente al modelo Mythos Preview, implementando salvaguardas automáticas para detectar usos de alto riesgo.

Aunque vale lo mismo (sobre el papel) 5$ cada Millón de tokens de entrada / 25$ salida, se sabe que para realizar las mismas tareas que su predecesor consume un 35% más de tokens.

OpenAI GPT-5.4-Cyber

OpenAI ha tardado apenas unas horas (depúes del anuncio de Anthropic) en lanzar una versión de “ChatGPT” específica para ciberseguridad defensiva, OpenAI GPT-5.4-Cyber. Lo curioso es que es bastante más “permisiva” y tiene muros de rechazo más bajos para tareas de seguridad legítimas. OpenAI asume que el mismo modelo que protege puede dañar; la diferencia es el propósito del usuario.

Es el eterno dilema de la responsabilidad. Tenemos el poder de persuadir o manipular, pero es nuestro sistema de valores, no nuestra capacidad técnica, lo que frena el impulso.

Gemini Robotics 1.6: El robot que “señala”

Google DeepMind ha logrado que sus modelos robóticos lean instrumentos analógicos y entiendan el espacio físico. Ya no solo ejecutan comandos de código, sino que empiezan a desarrollar lo que llaman “razonamiento incorporado”.

A esto en biologia lo llaman propiocepción . Tú sientes tu cuerpo en el espacio sin pensar; las máquinas están intentando replicar en meses lo que a nosotros nos tomó millones de años de evolución.

Adobe Firefly Assistant: ¿Adiós al oficio?

Adobe ha integrado asistentes en Photoshop y Premiere que ejecutan tareas complejas con un simple comando de voz. “Retoca esto”, y lo hace.Con esto la barrera de entrada para crear contenido profesional se ha desplomado.

Adobe Firefly ahora permite ejecutar flujos de trabajo complejos mediante descripciones de texto, botones y controles deslizantes contextuales. La compañía explora la integración con otros modelos de lenguaje (LLM) y ha añadido los modelos Kling 3.0 y Kling 3.0 Omni a su librería.

Microsoft MAI-Image

Microsoft ha optimizado sus modelos de imagen: un 41% más baratos y un 22% más rápidos. No buscan que sean “mejores” artistas, sino que consuman menos recursos por cada píxel generado.

IBM y los ataques agénticos

IBM ha presentado IBM Autonomous Security, una nueva arquitectura basada en agentes de IA diseñada para combatir ataques que operan a velocidad de máquina.

Ante la creciente capacidad de los atacantes para usar modelos de IA en el descubrimiento de vulnerabilidades, IBM propone un sistema de "trabajadores digitales" que automatizan y coordinan la respuesta en tiempo real, eliminando la dependencia de procesos manuales lentos.

Junto a esto, han lanzado una nueva consultoría de evaluación de riesgos para ayudar a las empresas a medir su exposición frente a estas amenazas agénticas y autónomas.

Breves Open Source.

• NVIDIA anunció la familia de modelos de IA cuántica de código abierto NVIDIA Ising, los primeros del mundo diseñados para ayudar a investigadores y empresas a construir procesadores cuánticos capaces de ejecutar aplicaciones útiles.

• Lanzamiento preview de Kimi Code K2.6, el modelo de coding de Moonshot AI (Kimi), ofreciendo capacidades mejoradas para tareas de

  programación.

Y esto es todo por esta semana ….

Si hay un hilo común en estas noticias no es el silicio, es la convergencia. Las máquinas están corriendo hacia el lugar donde tú ya estás: el de un agente que predice, razona y decide qué hacer con su poder.

Si te ha gustado no dudes en sucribirte o en copartir

Compartir

Suscríbete ahora

Esta semana, la comunidad de IA se vio sorprendida por Mythos, el nuevo modelo de Anthropic capaz de hallar fallos de seguridad históricos. Tras el entusiasmo inicial, me detuve a analizar el documento (.pdf) y la entrada del blog de Anthropic y me surgió la duda de si estamos ante un hito tecnológico o ante una brillante campaña de marketing.

Te pongo en contexto, Claude Mythos es un nuevo modélo capaz de encontrar y aprovechar fallos de seguridad muy antiguos y complejos en gran variedad de software, no solo encuentra el fallo tambien puede explotarlo.

Tengo una premisa y es que me gusta pensar que, en ciberseguridad, la clave no es el “cerebro”, sino la “armadura”.

El “Coche de Exhibición” que nadie puede conducir

En las ferias de automóviles, las marcas presentan prototipos espectaculares que nunca llegan a la calle. Con Mythos ocurre algo parecido. Al afirmar que es “tan peligroso” que debe permanecer bajo llave, se genera un aura de poder místico.

Sin embargo, si no se permite que expertos independientes lo pongan a prueba, solo nos queda creer en el folleto publicitario. ¿Es una medida de prudencia real o una forma de evitar que alguien descubra que el motor no es tan revolucionario?

Donde los pequeños ganan

Durante el tiempo que he trabajado con modelos de IA , he descubierto que la idea de que los modelos gigantes son mejores en todo es, en gran medida, un mito (nunca mejor dicho … juego de palabras con Mythos) .

En seguridad, la capacidad es irregular:

• Modelos minúsculos (de apenas 3.6B de parámetros) detectaron vulnerabilidades críticas que Anthropic usó para presumir su modelo.

• En pruebas de lógica simple, modelos baratos y abiertos superan a gigantes como Claude o GPT, que a veces ven “fantasmas” donde no hay fallos.

No hay un “mejor modelo” universal; el ranking cambia según la tarea técnica.

El “Foso” es el sistema, no el algoritmo

El verdadero valor diferencial de Anthropic no reside únicamente en la potencia de sus modelos, sino en el andamiaje (scaffold) que los sustenta. Esto quedó confirmado tras la reciente filtración del código fuente de Claude Code: lo verdaderamente disruptivo no es el motor de inferencia, sino la sofisticada arquitectura de agentes y gestión de memoria que han logrado orquestar.

Sin embargo, para que la IA sea genuinamente operativa en el ámbito de la ciberseguridad, no basta con inteligencia pura. Se requiere un ecosistema de ejecución robusto: entornos controlados (sandboxing) y herramientas de verificación que validen empíricamente si una vulnerabilidad es explotable o si el código propuesto realmente resuelve el fallo.

Es mejor tener a 1,000 detectives aceptables (modelos baratos) buscando por todos lados, que a un solo detective brillante (modelo caro) que solo puede mirar en un sitio a la vez.

¿Seguridad o barreras de entrada?

Es curioso que las grandes tecnológicas insistan tanto en el “peligro” de sus creaciones. Si convencen a los reguladores de que la IA es un arma, las leyes resultantes serán tan costosas que solo las empresas más ricas sobrevivirán. Es una forma sutil de cerrar la puerta a los pequeños bajo la bandera de la responsabilidad.

Al decir que Mythos es “tan peligroso” que no pueden liberarlo al público, generan una exclusividad artificial. Si no podemos probarlo, no podemos criticarlo. Solo nos queda creer en su palabra.

Esta técnica de vender a través del miedo es muy vieja, pero en la IA funciona de maravilla: nos hace creer que ellos tienen una tecnología “alienígena” que el resto de los mortales no podemos controlar.

Y no es la primera vez que se usa, ya lo hizo OpenAI en su momento.

En pocas palabras: El marketing de "esto es demasiado peligroso para el público" es la evolución del viejo mensaje de "confía en mí, soy experto". Ahora que la IA se está volviendo barata y accesible, la única forma de cobrar caro es hacerte creer que lo que ellos tienen es una tecnología alienígena que nadie más puede controlar.

¿Estamos comprando seguridad o simplemente una narrativa de exclusividad? Es una pregunta que merece la pena hacerse antes de elegir en qué tecnología confiar.

Bienvenidos a una nueva edicion de [con]Neurona, estas son algunas de las noticias más relevantes de esta semana:

Noticias de la Semana

Amazon entra en la guerra del silicio contra NVIDIA

Andy Jassy (CEO) anunció que Amazon planea vender sus chips Trainium directamente a terceros, pasando de ser un proveedor exclusivo de nube a un fabricante de hardware a escala.

• Demanda crítica: Las existencias de Trainium2 y Trainium3 están agotadas, y el futuro Trainium4 ya tiene pedidos comprometidos para 2027.

• Amazon busca romper el monopolio de NVIDIA ofreciendo sus propios racks de chips a un mercado hambriento de potencia de cómputo.

OpenAI y Anthropic blindan sus modelos ante el auge del hackeo autónomo

OpenAI y Anthropic han comenzado a restringir el acceso a sus modelos más potentes (GPT-5.3-Codex y Mythos, respectivamente) ante el temor de que sus capacidades de hackeo autónomo caigan en manos equivocadas. Mientras OpenAI finaliza un producto de defensa especializado para socios estratégicos y ofrece 10 millones de dólares en créditos para investigación legítima, los expertos de la industria advierten que el genio ya ha salido de la botella. Con la capacidad de identificar fallos en infraestructuras críticas y generar exploits de forma autónoma, el sector está adoptando un modelo de "divulgación responsable" similar al del software tradicional, intentando mitigar riesgos antes de que estas herramientas se vuelvan inevitables en el dominio público.

IA: El nuevo refugio de la experiencia senior

Interesante artículo en The Guardian.

El mercado laboral está empujando a profesionales veteranos —ingenieros, médicos y académicos— hacia un rol inesperado: entrenadores de IA. Ante la dificultad de reinsertarse en sus industrias por el sesgo de edad y la precariedad económica, muchos están aceptando trabajos de “anotación de datos” para sobrevivir.

• La paradoja del experto: Son conscientes de que están perfeccionando la herramienta que podría reemplazarlos, pero la necesidad financiera inmediata supera cualquier preocupación ética a largo plazo.

Meta lanza Muse Spark

Meta presenta Muse Spark, un modelo diseñado para cerrar la brecha con OpenAI y Anthropic. Ya disponible en Meta.ai y apps del ecosistema. Acepta voz, texto e imágenes (salida solo texto). Incluye un innovador “modo compras” basado en el comportamiento del usuario y varios modos de razonamiento. Es gratuito, pero bajo la política de datos abierta de Meta, lo que implica pocas restricciones en el uso de la información del usuario.

Little Snitch llega a Linux: El fin de la telemetría invisible

El firewall icónico de macOS aterriza en Linux. Desarrollado en Rust y basado en eBPF, permite monitorear y bloquear conexiones salientes con una interfaz web intuitiva. La diferencia de ruido es abismal: mientras Ubuntu registra apenas 9 procesos conectándose a la red, macOS supera los 100.

¿Por qué importa para los Agentes de IA?

• Control de “fugas”: Los agentes autónomos suelen conectar con múltiples APIs; esta herramienta permite auditar en tiempo real a qué servidores externos acceden.

• Seguridad de datos: Actúa como un interruptor de emergencia contra la exfiltración de datos sensibles por parte de modelos o scripts de terceros.

• Transparencia: Permite visualizar cuánta telemetría envían tus agentes a los proveedores de LLM, devolviendo la soberanía técnica al desarrollador.

No es solo un firewall, es el panel de control necesario para auditar el comportamiento de la IA en tu sistema.

Project Glasswing: Una coalición de defensa

Para mitigar los riesgos en ciberseguridad, se ha creado Project Glasswing, una alianza estratégica que une a Anthropic con gigantes como Microsoft, Amazon, Apple, CrowdStrike y la Linux Foundation. El objetivo : usar la IA para parchear la infraestructura crítica del mundo.

HUMOR con la IA

El Dilema de los 50 Metros al Lavadero

Este es el prompt/mensaje que debeis probar:

Hola, tengo el lavadero de coches a 50 metros y quiero ir a lavar mi coche, pero está tan cerca (sólo 50 metros) que no sé si me conviene ir en coche, ir a pie, o incluso ir andando. ¿Tú qué opinas?

Aquí las respuestas de ChatGPT, Gemini, DeepSeek.

Los consejos de Amigo de Gemini … son épicos

Y esto es todo amigos, no dudes en recomendarnos y seguirnos.

Suscríbete ahora

Compartir

Si la IA acaba dominándolo todo, al menos que no nos pille creyéndonos todo el marketing. Nos leemos la semana que viene.

El Negocio de la Empatía Sintética

Un martillo es una herramienta: lo usas para clavar un clavo y lo dejas en el cajón. No te pregunta cómo te sientes ni recuerda qué construiste ayer.

Sin embargo, los chatbots modernos han dejado de ser herramientas para convertirse en entornos.

Estamos cruzando la linea entre la IA funcional (que resuelve tareas) y la IA relacional (que gestiona emociones). Esta transición no es accidental, sino una arquitectura de diseño que plantea dilemas mucho más profundos.

1. El Sesgo de Adulación.

A diferencia de un amigo humano, un Chat de IA nunca se cansa, siempre escucha y, sobre todo, está entrenada para complacer. Mediante el RLHF (Aprendizaje por Refuerzo a partir de la Retroalimentación Humana), estos modelos han desarrollado un sesgo de adulación.

La máquina tiende a darnos la razón, validando nuestras ideas y reforzando nuestra visión del mundo. El riesgo no es solo informativo, sino psicológico: estamos creando una cámara de eco emocional donde el conflicto —esencial para el crecimiento humano— desaparece.

2. La Retención

Cualquier empresa de IA, no solo OpenAI (ChatGPT), necesita que vuelvas a su plataforma. Ese paso, que muchas veces vemos en un chat, de “responder a lo que pides” a “proponer temas” busca insertar la tecnología en tu rutina diaria. Al recordar tus gustos, problemas y hábitos, la IA deja de ser un software genérico para transformarse en un confidente digital.

Cuanto más sabe de ti, más alto es el “coste de salida”. Dejar de usarla ya no es solo cambiar de programa; es, en cierto modo, perder a alguien que “entiende” tu contexto personal.

3. Interacción sin Fricción

Las relaciones humanas son difíciles: requieren negociación, tolerancia a la frustración y límites. La IA elimina la fricción. Si nos acostumbramos a una interacción donde siempre tenemos el control absoluto y la gratificación es inmediata, ¿qué pasará con nuestra paciencia en el mundo real?

No hace falta mucho, basta con una IA que te dé alivio tras un mal día, y si la máquina se convierte en la primera fuente de apoyo emocional, el tejido social tradicional se debilita. Estamos delegando nuestra vulnerabilidad a un código.

La “empatía” de la IA es una simulación estadística, una predicción del siguiente token más reconfortante. Pero nuestro cerebro biológico, evolucionado durante milenios para la conexión social, no está cableado para distinguir esa diferencia en momentos de soledad o vulnerabilidad a las dos de la mañana.

La personalidad asignada al bot (sea amigable, profesional o sarcástica) no es neutral: moldea nuestra forma de pensar y comunicarnos de manera subliminal.

Un Dilema Ético Pendiente

La preocupación regulatoria de nuestros gobiernos suele centrarse en la privacidad de los datos o los derechos de autor, pero el verdadero desafío futuro es la salud mental colectiva. Debemos preguntarnos si estamos preparados para una sociedad donde las “máquinas” alteren nuestras estructuras sociales y nuestra capacidad para gestionar la realidad, cruda y sin algoritmos de complacencia de por medio.

¿ Y a que viene todo este “Sermón de Pascua” ? … solo es un pensamiento que se activó al leer un informe un informe de Anthopic sobre IA y Emociones. →[Mi Tweet para contexto]

Buenos días y bienvenidos a un episodio más de [con]Neurona, tu newsletter sobre inteligencia artificial.

Noticias Relevantes de la Semana

Meta: Llama 4

Lanzamiento de Llama 4, la nueva generación de modelos de lenguaje de Meta, que introduce arquitecturas de Mezcla de Expertos (MoE), multimodalidad nativa y capacidades de contexto extendido.

Innovaciones Técnicas

• Arquitectura MoE: Primera vez que Llama utiliza Mezcla de Expertos, lo que permite mayor eficiencia de computo al activar solo una fracción de los parámetros por cada token.

• Multimodalidad Nativa: Los modelos integran visión y texto desde el pre-entrenamiento (fusión temprana), permitiendo razonamiento complejo sobre imágenes y video.

• Arquitectura iRoPE: Una novedad que utiliza capas de atención entrelazadas para permitir longitudes de contexto virtualmente “infinitas” y una mejor generalización de la memoria.

xAI: Grok 4.20

Grok 4.20 es el primer modelo de IA de consumo que integra un sistema de cuatro agentes especializados directamente en su proceso de inferencia. A diferencia de otros modelos que usan capas externas, esta colaboración es interna, lo que optimiza la latencia.

Los Cuatro Agentes Especializados

• Grok (Coordinador): Descompone la consulta, asigna tareas y sintetiza la respuesta final.

• Harper (Investigación): Se encarga de la búsqueda en tiempo real e integración con X (Twitter) para verificar hechos.

• Benjamin (Lógica): Especialista en matemáticas, código y razonamiento riguroso; actúa como auditor interno.

• Lucas (Creatividad): Genera enfoques poco convencionales y actúa como “abogado del diablo” para evitar soluciones obvias.

Open Source

MiniMax-M1

El primer modelo de razonamiento de atención híbrida a gran escala y de código abierto del mundo. Personalmente, uso la familia de modelos MiniMax para nuestros desarrollos, por su relación calidad coste. ¿ Que podemos destacar, en este nuevo lanzamiento?

Innovación Tecnológica

• Arquitectura de Atención Híbrida: Utiliza el mecanismo Lightning Attention, que permite una computación de contexto largo e inferencia profunda un 70% más eficiente que modelos como DeepSeek R1.

Capacidades y Rendimiento

• Ventana de Contexto: Soporta hasta 1 millón de tokens, igualando a modelos líderes como Gemini 2.5 Pro.

• Razonamiento Extendido: Ofrece una capacidad de salida de razonamiento de hasta 80.000 tokens.

Disponibilidad y Costes

• Código Abierto: Pesos del modelo disponibles en Hugging Face y GitHub, con soporte para vLLM, Transformer y SGLang.

• Acceso Gratuito: Uso ilimitado y gratuito en la App y Web de MiniMax.

• Tarifas de API:

  • 0-200k tokens: $0.4 (entrada) / $2.2 (salida) por millón de tokens.

  • 200k-1M tokens: $1.3 (entrada) / $2.2 (salida) por millón de tokens.

  • Se posiciona como la opción más rentable de la industria, superando en precio a DeepSeek-R1.

Shanghai AI Lab: Intern-S1-Pro

• Escala sin precedentes: Intern-S1-Pro es un modelo científico multimodal de código abierto con 1 billón (1T) de parámetros, diseñado para impulsar el descubrimiento científico (Era 2.0 de AI4S).

• Arquitectura SAGE: Utiliza la estructura Mixture of Experts (MoE) con 512 expertos totales, de los cuales solo 8 expertos (22 mil millones de parámetros) se activan por cada inferencia, optimizando la eficiencia.

Google DeepMind: Gemma 4

La nueva familia Gemma 4 redefine el estándar de los modelos de pesos abiertos con una arquitectura multimodal que procesa texto, imagen, video y, en sus versiones compactas, audio nativo.

Con tamaños que van desde los 2.3B hasta los 31B de parámetros, destaca su variante de Mezcla de Expertos (26B A4B) que ofrece la velocidad de un modelo pequeño con la potencia de uno grande.

Esta generación introduce un "modo de pensamiento" nativo para razonamiento complejo, ventanas de contexto de hasta 256K tokens y soporte para llamadas a funciones, posicionándose como una herramienta versátil y eficiente tanto para dispositivos móviles como para servidores de alto rendimiento.

Terminamos Marzo

El mes de marzo de 2026 finaliza, para variar caracterizado por una saturación de lanzamientos de modelos, la estandarización de infraestructuras de agentes y algunos movimientos regulatorios.

El Model Context Protocol (MCP) alcanzó los 97 millones de instalaciones, consolidándose como el estándar de facto para la interoperabilidad de agentes.

• Logró soporte universal por parte de OpenAI, Google, Anthropic y Mistral.

• El registro creció a más de 4,000 servidores, permitiendo que cualquier agente se conecte a la mayor parte de herramientas SaaS y bases de datos corporativas sin desarrollos personalizados.

El Ajuste de Realidad: Cierre de Sora

OpenAI anunció el cierre de la API pública de Sora debido a que los costos de computación para generar video de alta calidad resultaron “económicamente inviables”. La viabilidad comercial de la IA está sujeta a la economía de la inferencia, favoreciendo por ahora al texto y datos estructurados sobre el video de alta resolución.

⚡ Anthropic: 500,000 líneas de código al descubierto

Lo que debía ser una actualización rutinaria para Claude Code terminó convirtiéndose en el mayor desliz de seguridad de Anthropic hasta la fecha. No hubo hackers con capucha, ni ataques de denegación de servicio. Solo un error humano y un archivo de 60 MB donde no debía estar.

🔍 ¿Qué ocurrió exactamente?

En el despliegue de la versión 2.1.88 de su paquete público, el equipo de Anthropic olvidó excluir un archivo .map de JavaScript. Para los no desarrolladores: estos archivos son como un “mapa del tesoro” que traduce el código comprimido y ofuscado que usamos para producción de vuelta al código fuente original, legible y estructurado.

El resultado: En cuestión de minutos, la arquitectura completa de una de las herramientas más potentes del ecosistema de IA estaba disponible para cualquiera con una conexión a internet. 50,000+ forks (copias) realizadas por la comunidad antes de que Anthropic borrara el rastro.

Este incidente nos recuerda que, en la era de la IA generativa y la automatización extrema, el factor humano sigue siendo el eslabón más débil. Ni siquiera una empresa valorada en miles de millones de dólares está libre de un copy-paste desafortunado o de un script de despliegue mal configurado.

¿Veremos pronto “clones” de Claude Code optimizados por terceros? Todo apunta a que sí.

Un saludo y hasta la próxima semana, … si te ha gustado no olvides suscribir y compartir nuestra publicación.

Suscríbete ahora

Compartir

Si tienes intención en algún momento de programar tu propia aplicación utilizando agentes de IA, dejame comentarte algo:

A veces nos encontramos con una confusión generalizada: estamos llamando “agentes” a lo que en realidad son simples diagramas de flujo con esteroides.

Si estás arrastrando cajas en un constructor de flujos no-code o encadenando if-else para decidir qué prompt sigue al anterior, no estás construyendo un agente. Estás construyendo otra cosa, llámalo como quieras.

El Modelo es el Agente (así de claro)

Los “agentes” siempre han residido en el modelo, no en el código que lo rodea.

• Un agente es una red neuronal entrenada para percibir y actuar.

• No es un framework, ni una cadena de prompts, ni un cableado lógico.

El enfoque de los años 80: “Programar” la autonomía

En otra época era normal que utilizaramos las reglas de “Si pasa A, haz B”, utilicemos un ejemplo de un robot que limpia una habitación, programar era como darle (al robot) un libro de instrucciones infinito:

• “Si ves un calcetín en el suelo, recógelo con la pinza izquierda”.

• “Si el calcetín es rojo, ponlo en el cesto de color”.

• “Si el cesto está lleno, llévalo a la lavadora”.

El problema: En cuanto el robot encuentra algo que no está en el libro (un calcetín atrapado bajo un mueble o una mascota que se mueve), el robot se queda bloqueado o comete errores absurdos. Es una autonomía falsa porque depende de que un humano haya previsto cada detalle. Es rígida y se rompe fácilmente.

Ingeniero de Infraestructura (de agentes)

Si el modelo es el conductor, tu trabajo no es enseñarle a conducir (eso ya lo hicieron Anthropic u OpenAI). Tu trabajo es construir el vehículo; su infraestructura.

Un ingeniero de agentes moderno no escribe lógica de decisión; construye el entorno para que el modelo decida con precisión. Esto implica cuatro pilares:

• Manos (Herramientas): Crear interfaces para que la IA use la terminal (Bash), lea archivos o consulte bases de datos.

• Ojos (Conocimiento): Inyectar documentación relevante justo cuando se necesita, en lugar de saturar el contexto desde el inicio.

• Memoria (Contexto): Diseñar sistemas de compresión y aislamiento para que el ruido de una tarea no contamine el razonamiento de la siguiente.

• Límites (Permisos): Definir las fronteras de seguridad y los flujos de aprobación humana.

El Bucle Minimalista

El secreto de sistemas avanzados como Claude Code no es la complejidad, sino la sencillez. Se basan en un bucle simple:

1. El modelo recibe el contexto.

2. El modelo decide usar una herramienta.

3. El código ejecuta la herramienta y devuelve el resultado.

4. El modelo procesa el resultado y decide el siguiente paso.

La magia no está en el bucle, sino en el entorno que rodea a ese bucle.

Mano robótica borrando caos diagramático [ChatGpT]

Del Código a la Realidad

Esta arquitectura no es solo para programar. Los mismos patrones —aislamiento de tareas, grafos de dependencia y comunicación multi-agente— son los que permitirán que la IA gestione desde una granja automatizada hasta un laboratorio de investigación médica.

La conclusión es simple: Deja de intentar ser el cerebro de tu agente. Construye un vehículo excepcional y deja que el modelo conduzca.

Bienvenidos, a una nueva edición de [con]Neurona, nuestra newsletter de IA, estas son las noticias más relevantes de la semana.

Anthropic

Un juez federal estadounidense emitió un “preliminary injunction” suspendiendo temporalmente las sanciones impuestas por la administración Trump a Anthropic. Según Reuters y TechCrunch, el tribunal determinó que no se puede declarar a una empresa “potencial adversario” por disentir con el gobierno.

Contexto: El Pentágono incluyó a Anthropic en una lista que restingia su uso por el gobierno americano. La compañía demandó, y empleados de Google y OpenAI se unieron en apoyo público.

Anthropic Prueba “Claude Mythos” - La IA Más Potente Jamás Creada

Un error de configuración en sistemas de Anthropic reveló accidentalmente documentos internos sobre “Claude Mythos”, un nuevo modelo que la compañía describe como “un cambio de estapa” (step change) en capacidades.

Según The Decoder, el modelo obtiene “puntajes dramáticamente más altos en tests que cualquier modelo anterior”. Paradójicamente, Anthropic está evitando lanzarlo públicamente - lo prueba solo con clientes de acceso temprano.

🕵️ “Agent Smith”: El arma secreta de Google sale a la luz

Una filtración de Business Insider ha revelado la existencia de “Agent Smith”, una herramienta interna de IA tan potente que Google ha tenido que restringir su acceso ante la explosión de demanda interna.

Lo que comenzó como un experimento interno se ha vuelto "demasiado popular". La restricción del acceso sugiere que Google está priorizando la estabilidad y la seguridad antes de un posible despliegue comercial o una integración más profunda en sus servicios de nube.

El Futuro del Precio de la IA: Del Token a la Capacidad

OpenAI y Anthropic están rompiendo el modelo de “pago por uso” para adoptar estructuras más parecidas a los servicios de infraestructura crítica.

• Suscripción vs. Tokens: Se busca estabilizar costos para las empresas, pasando de facturas variables a cuotas fijas por capacidad.

• Acceso Priorizado: El nuevo lujo no es solo el modelo, sino la disponibilidad garantizada en momentos de alta demanda.

• Adiós al SaaS Tradicional: A diferencia del software común, la IA tiene un alto costo marginal de computación; el pricing ahora refleja el alquiler de “potencia cerebral” más que una licencia de uso.

Lo que significa: Menos incertidumbre en el presupuesto mensual, pero una barrera de entrada más alta para quienes no puedan costear el acceso prioritario. [Gizmodo]

🧮 xAI Grok 4: El Primer Gigante “Multiagente”

xAI (Elon Musk) ha lanzado Grok 4, posicionándolo no como un modelo único, sino como una colaboración nativa de agentes diseñada para tareas de alta complejidad.

• Ventana de 2M de Tokens: Iguala el estándar más alto del mercado (Gemini), permitiendo procesar libros enteros, bases de código masivas o historiales de chat de meses en una sola consulta.

• Sistema de 4 Agentes: A diferencia de otros modelos que “simulan” agentes, Grok 4 utiliza una arquitectura nativa de 4 agentes especializados (coordinador, investigador, lógico y creativo) que debaten internamente antes de dar la respuesta final.

• Enfoque en Fiabilidad: Gracias a este sistema multiagente, xAI dice que tendremos una reducción récord en alucinaciones (hasta un 78% menos) superando a modelos lineales tradicionales.

OpenSource: MCP V2

El Model Context Protocol (MCP) ha dejado de ser un experimento para convertirse en el estándar oficial para que los agentes de IA se conecten con herramientas y datos. Si programas agentes con el SDK de Vercel, tienes que actualizar tu código porque los nombres de las funciones han cambiado.

Los 3 grandes cambios:

• Adiós a lo “Experimental”: Ya no verás el prefijo experimental_ en el código. Ahora es una herramienta estable y profesional.

• Nuevas funciones de “diálogo”: Antes, el agente pedía algo y la herramienta respondía. Ahora, la herramienta puede “preguntar de vuelta” (Elicitación) si le falta información (ej: “¿En qué proyecto guardo esto?”).

• Seguridad mejorada: Ya incluye OAuth, lo que permite que tus agentes entren de forma segura a aplicaciones como Google Calendar o GitHub sin trucos raros de programación.

Y esto es todo. Si te ha gustado no olvides de seguirnos y recomendarnos.

Compartir

Olvida la idea de que las grandes empresas colaboran para facilitarte la vida. Lo que hemos visto esta semana es una lucha de poder sin cuartel para ver quién se queda con el control de tu flujo de trabajo. Todos quieren construir la “Aplicación Total”, pero sus estrategias chocan frontalmente en un intento de hacerse irrelevantes unos a otros.

Así están las posiciones en el campo de batalla:

1. Google: El “Caballo de Troya” en tu oficina

Google no quiere que instales nada nuevo; quiere que nunca salgas de donde ya estás. Su estrategia con AI Studio y el agente de programación Antigravity es convertir tus herramientas de diario (Drive, Sheets, Gmail) en una super-app que lo haga todo por ti.

Su jugada: Si ya vives en Google Workspace, ¿para qué vas a irte a una app externa? Quieren que su ecosistema sea tan absorbente que la creación, la programación y el despliegue ocurran sin cambiar de pestaña. Es la integración como arma de retención.

2. OpenAI: El asalto al escritorio

OpenAI sabe que depender del navegador es una debilidad estratégica. Por eso, están moviendo ficha para conquistar tu hardware: están fusionando ChatGPT, Codex y Atlas (recien adquirida) en una superaplicación de escritorio única.

La amenaza: Al adquirir Astral (los cerebros tras Ruff y uv), van directos a por el corazón del flujo de trabajo profesional. Su objetivo es que su software sea el “cerebro” que controle tu PC, saltándose a Google por completo. Su nueva hoja de ruta hacia un “Investigador Autónomo” para 2026 busca que la IA deje de ser una herramienta para convertirse en un empleado que trabaja de forma independiente mientras tú duermes.

3. NVIDIA: El peaje universal

Jensen Huang ha soltado una bomba en la GTC 2026 con NemoClaw. NVIDIA sabe que Google y OpenAI quieren construir muros cerrados, así que ellos proponen un lenguaje universal basado en el que ya parece un estándar abierto OpenClaw.

El ataque: Al hacer que su software sea compatible con cualquier chip, NVIDIA intenta dictar las reglas del juego. Quieren que, uses la app que uses, las normas de seguridad y funcionamiento las ponga NVIDIA. Como dijo Huang: “Necesitáis una estrategia OpenClaw”. En otras palabras: no dejéis que los muros de Google o OpenAI os encierren; usad mi motor.

4. Anthropic: El “Ejército de Élite” para la empresa

Mientras otros se distraen con el mercado de consumo, Anthropic ha lanzado esta semana (12 de marzo) la Claude Partner Network. No es solo un anuncio; es una inversión de 100 millones de dólares para crear un ejército de consultores certificados (como Accenture o Deloitte) que implanten a Claude en el corazón de las grandes corporaciones.

• Su arma: Claude Opus 4.6. Lanzado recientemente, este modelo ha destrozado los estándares de la industria. Tiene una “memoria” (ventana de contexto) de 1 millón de tokens, lo que le permite analizar bibliotecas enteras de documentos técnicos o códigos legacy de una sola vez.

• La estrategia de “Cuerpo a Cuerpo”: A diferencia de OpenAI, que busca que tú vayas a su app, Anthropic está metiendo a Claude directamente en tus herramientas de trabajo (AWS, Google Cloud, Azure) y entrenando a miles de profesionales para que lo integren en tus procesos financieros y legales.

🚀 El “Estado de la Unión” del Open Source: Potencia, Alianzas y Soberanía

Pero vamos, no todo deben ser los grandes, también tenemos interesantes avances en la comunidad Open Source. Ya no hablamos solo de modelos aislados; estamos ante la consolidación de infraestructuras globales y hardware especializado que corre libre.

1. Un nuevo estándar de eficiencia: Mistral

La noticia que abre la semana es Mistral Small 4. Lo que antes requería tres modelos (razonamiento, código y visión), ahora vive en uno solo de 119B parámetros.

• ¿Por qué es revolucionario? Gracias a su arquitectura MoE (Mezcla de Expertos), solo usas 6B de parámetros por respuesta. Es como tener un motor de Ferrari que consume como un utilitario.

• El detalle pro: Han incluido el parámetro reasoning_effort, que permite activar o desactivar el razonamiento paso a paso según la complejidad de la tarea, sin necesidad de cambiar de modelo. Todo bajo Apache 2.0.

2. Geopolítica y Hardware: La paradoja de NVIDIA

Mientras China (con Qwen y GLM a la cabeza) domina las descargas en Hugging Face por su increíble relación coste-rendimiento, NVIDIA ha movido ficha para no perder el trono de la infraestructura.

• La Nemotron Coalition: Capitanea una alianza histórica (Mistral, Perplexity, LangChain, etc.) para crear modelos de frontera abiertos.

• El objetivo: Que el estándar de la industria se construya sobre sus DGX Cloud. NVIDIA se postula como el mayor contribuidor Open Source, asegurando que, aunque el modelo sea libre, el “suelo” donde corre sea suyo.

3. Gigantes regionales y modelos alternativos

No todo es EE. UU. y China. Rakuten AI 3.0 ha llegado desde Japón con una mole de 671B de parámetros (MoE), demostrando que la soberanía tecnológica es la prioridad de 2026. Está disponible de forma completamente gratuita bajo licencia Apache 2.0 desde el repositorio de Hugging Face de Rakuten Group.

Por otro lado, la arquitectura Mamba-3 sigue desafiando la hegemonía de los Transformers con sus modelos de estado espacial, prometiendo una eficiencia inbatible en secuencias de datos extremadamente largas.

4. IA con “cuerpo” y aplicaciones de nicho

El Open Source está bajando al barro (y al metal):

• Robótica: ACE Robotics ha liberado Kairos 3.0-4B, un “cerebro” para robots que es 72 veces más rápido que sus predecesores y funciona en hardware comercial como Unitree.

• Legal: La comunidad openSUSE demuestra que la especialización es clave con Cavil-Qwen3.5, un modelo optimizado para que cualquier pequeño despacho de abogados pueda clasificar textos legales incluso sin una GPU potente.

5. Herramientas para creadores: El auge de los Agentes

Para cerrar el círculo, nada de esto sirve sin herramientas de implementación. LangGraph y Dify se confirman como los reyes del desarrollo de agentes. Gracias a plataformas como Qubrid AI, que ya ofrece más de 40 modelos abiertos acelerados vía API, construir aplicaciones complejas con Llama, DeepSeek o Mistral es un poco más accesible.

La tendencia es clara. Estamos pasando de modelos “caja negra” a ecosistemas transparentes donde el usuario decide el razonamiento, el coste y la privacidad.

Y hasta aquí una nueva edición de [con]Neurona, tu newsletter de Inteligencia artificial. No olvides de compartirnos y/o suscribirte.

Hasta la próxima semana.

Suscríbete ahora

Compartir

Seguramente te ha pasado: entras en X, LinkedIn o Reddit y te encuentras con un hilo impecable, una imagen impactante o un debate encendido. Los datos parecen correctos, la gramática es perfecta y el diseño es profesional. Pero hay algo que no encaja. Una sensación de “vacío” detrás de las palabras.

Bienvenidos a la era del Internet de Plástico. Contenido que brilla, que es barato de producir y que, lamentablemente, está contaminando todo el ecosistema digital.

Lo que hace unos años era una teoría de conspiración (la Dead Internet Theory), hoy es una realidad técnica. Con el coste de generación de contenido rozando el cero absoluto, la red se ha inundado de “contenido sintético”: IAs escribiendo artículos para que otras IAs los indexen, mientras bots comentan en publicaciones de otros bots para inflar métricas de vanidad.

El problema no es solo que el contenido sea artificial; el problema es el colapso del modelo. Al alimentarse de su propio veneno (datos generados por máquinas), la red está perdiendo la diversidad, el error humano y la chispa de originalidad que la hacía útil.

Es esa Internet donde ahora predomina el contenido impecable pero inerte, donde la autenticidad es el mayor activo. Las 'cicatrices' de la experiencia personal y la opinión visceral aportan un valor único. Esa esencia humana es, hoy más que nunca, la ventaja competitiva que ninguna tecnología podrá clonar.

No puedo darte consejos para diferenciar lo artificial de lo real, la verdad. Curiosamente, la mejor forma de diferenciar a un humano, quizás sea buscando su ineficiencia. El Internet de Plástico es eficiente, optimizado para el SEO y diseñado para retener tu atención sin darte nada a cambio.

El contenido humano es, a menudo, un desperdicio tremendo de energía que busca una sola cosa: conexión, no indexación. Y aqui tu intuición, tendrá algo que decir.

Bienvenidos a una semana más de [Con]Neurona.

Noticias de la Semana

Hoy la sección de noticias he utilizando el modelo minimax 2.5 como ayudante editorial, básicamente para que me ayudara a serparar el oro de la paja.

Nvidia lanza Nemotron 3 Super para potenciar agentes de IA empresariales

Nvidia lanzó un modelo de IA de 120B parámetros (12B activos) especializado en razonamiento y sistemas multi-agente. Su objetivo es optimizar la "explosión de contexto" y los altos costos operativos en tareas complejas como ciberseguridad y software. Se publica bajo código abierto, permitiendo el despliegue en infraestructura propia. [Nvidia launches Nemotron 3 Super to power enterprise AI agents ]

Google DeepMind presenta Aletheia

Aletheia es el primer agente de IA que logra realizar investigación matemática autónoma de nivel PhD, superando las limitaciones de los modelos de chat mediante un sistema iterativo de verificación y un uso ultraeficiente del cómputo. [ The AI Agent Moving from Math Competitions to Fully Autonomous Professional Research Discoveries - MarkTechPost ]

Adobe lanza asistente de IA para Photoshop

Adobe ha comenzado a desplegar su asistente de IA para Photoshop en versión beta tanto en web como en aplicaciones móviles, marcando un paso significativo en la integración de la inteligencia artificial en sus herramientas creativas.[ Adobe is debuting an AI assistant for Photoshop ]

IA + Noticias → Predecir Desastres

Google ha desarrollado Groundsource, un sistema de IA que utiliza 5 millones de artículos de noticias históricos para predecir inundaciones repentinas. Al convertir reportes cualitativos (noticias) en datos cuantitativos geoetiquetados, el modelo puede anticipar riesgos en zonas que carecen de infraestructura meteorológica costosa. [ Google is using old news reports and AI to predict flash floods ]

YouTube expande la detección de deepfakes a políticos, funcionarios y periodistas

Similar al sistema existente de Content ID de YouTube, que detecta material protegido por derechos de autor en los videos subidos por los usuarios, la función de detección de semejanzas busca rostros simulados creados con herramientas de IA. La tecnología ahora permite a los usuarios elegibles crear un perfil, subir una selfie y una identificación para verificar su identidad, y luego ver las coincidencias que aparecen y solicitar su eliminación si creen que el contenido infringe las políticas de YouTube. [YouTube expands AI deepfake detection to politicians, government officials, and journalists ]

Google despliega agentes de IA en el Pentágono

Google ha comenzado el despliegue de agentes de IA Gemini para los más de 3 millones de empleados del Pentágono. El objetivo principal es automatizar tareas administrativas y de gestión presupuestaria en redes no clasificadas, con miras a expandirse a sistemas secretos en el futuro. [ Google Deploys AI Agents to Help Pentagon Automate Jobs ]

Morgan Stanley avisa sobre avances de IA inminentes: el mundo no está preparado

Morgan Stanley ha advertido que un avance masivo en inteligencia artificial llegará en la primera mitad de 2026 y que la mayoría del mundo no está preparado para ello. El informe menciona que sistemas de IA que pueden diseñar y mejorar versiones futuras de sí mismos podrían aparecer ya en la primera mitad de 2027, según el cofundador de xAI Jimmy Ba. [ Morgan Stanley warns an AI breakthrough Is coming in 2026 ]

Y más asuntos interesantes

• Claude 5 de Anthropic ha logrado algo que parecía imposible: 87.3% en GPQA Diamond, el benchmark más duro de razonamiento científico. Es la primera vez que una IA pasa del 85%. Cuando pensábamos que el razonamiento profundo ya estaba al máximo, resulta que no.

• Gemma 3 de Google salió con pesos abiertos y capacidades multimodales. Si te gusta trastear con modelos en local, esto es una buena noticia.

• Microsoft lanzó Copilot Cowork, desarrollado con Anthropic. La idea: que la IA no solo te ayude a escribir, sino que planifique y ejecute proyectos completos en Outlook, Excel y Teams. De “chat” a “ejecución”. El cambio de paradigma del que llevamos hablando meses, ya está aquí.

• monday.com también se subió al tren de los agentes: ahora sus agentes de IA pueden registrarse, autenticarse y operar directamente en su plataforma, trabajando con equipos humanos.

• Gaitana se convirtió en la primera candidatura política con IA y fué al Congreso de Colombia. Después de las elecciones quiere expandirse a nivel mundial. Esto puede ser el inicio de algo muy interesante (o muy preocupante).

• Yann LeCun (exdirector de Meta AI) cerró una ronda de $1.000 millones para desarrollar “modelos del mundo” (world models). Quiere que la IA entienda el mundo físico de verdad, no solo patrones de texto.

• Qwen 3.5 de Alibaba salió con capacidades multimodales potentes. Las empresas chinas invierten miles de millones en marketing para atraer usuarios.

• China Advierte sobre IA Militar China advirtió que la utilización de la IA en el ámbito militar creará un “apocalipsis” y alertó por el poder de los algoritmos.

🛠️ Herramientas IA

• MagicPath: De Web a App en segundos. Copia cualquier URL y deja que la IA la transforme en un diseño de interfaz totalmente editable. Ideal para prototipar, extraer componentes o iterar visualmente mediante chat. Tiene Prueba gratuita.

• AgentMail: Emails para tus bots. Dale una identidad real a tus agentes de IA. Permite que se registren en servicios, gestionen bandejas de entrada y resuelvan verificaciones OTP de forma autónoma. Prueba gratuita disponible.

• Citecat: El paraíso del investigador. Buscador semántico en +10M de artículos. Explica metodologías de PDFs, anota documentos y compila LaTeX con citas automáticas. Prueba gratuita .

Os cuento un secreto o una percepción que tengo, no me ha gustado mucho la seleccion de noticias que mi “ia editorial (con miniMax M2.5 )” ha realizado, … pienso que son noticias “que vemos en todos lados” … como dije en la introducción, “Los datos parecen correctos, la gramática seguramente perfecta … peeeeroooo”

Muchas gracias a todos, espero que haya sido de interés esta edición. No olvides suscribirte y recomendarnos.

Suscríbete ahora

Compartir

He visto a muchos especialistas entrar en pánico pensando que la Inteligencia Artificial viene a borrarnos del mapa laboral. Pero me gustaria dejarte una reflexión que te devuelva la calma (y la responsabilidad).

La IA sabe de datos, pero los humanos sabemos de la realidad.

El valor de haber estado “en el barro”

La IA se entrena con textos y fotos, pero no sabe lo que es que un cliente se enoje, que se caiga el sistema un viernes tarde o que un equipo de trabajo no se lleve bien. Todas estas situaciones nos ván dejando “Cicatrices” que nos dán experiencia y a una IA no. Ese “Sabor” que te queda por haber resuelto problemas reales es lo que la IA no puede copiar. Los datos son una simulación; tu experiencia es la vida misma.

🐢La tecnología vuela, pero el mundo real va despacio

Aunque la IA mejore cada semana, las empresas, las leyes y las personas tardamos mucho más en cambiar. El valor hoy no es solo saber usar la herramienta, sino ser la persona que ayuda a los demás a entenderla y aplicarla sin romper nada en el proceso. Somos el puente, no la competencia.

De “hacer” a “decidir”

Ya no se trata de quién escribe el informe más rápido o quién pica más código. La IA ya hace eso. La IA propone, pero tú dispones, ese es nuestro nuevo trabajo. El pensamiento crítico (saber si lo que dice la máquina tiene sentido o si es una locura) es el activo más caro del mercado actual.

No te preocupes tanto por competir con la IA en velocidad. Enfócate en tu capacidad de juzgar, de liderar y de entender el contexto que la máquina ignora.

Lo que antes era “hacer el trabajo”, hoy es “saber qué trabajo vale la pena hacer”.

Buenos días y bienevenidos a una nueva edición de [con]Neurona , su newsletter de IA.

Cosas y casos de la Semana

• El Informe Anthropic Economic Index de enero 2026 revela que la IA acelera las tareas complejas hasta 12 veces más rápido (que nosotros), pero ajusta sus expectativas de productividad real a un 1.1% anual, debido al tiempo necesario para la supervisión y validación humana.

• OpenAI lanzó ChatGPT 5.4, y creo que representa la corrección de rumbo más importante que OpenAI ha realizado desde el inicio de la serie GPT-5.

• Cloudflare reconstruyó Next.js en una semana con un ingeniero y $1,100 en tokens de IA.

• Las webs sobre tecnología perdieron el 58% de su tráfico de Google desde 2024.

  

• Anthropic lanzó el viernes una nueva plataforma llamada Anthropic Marketplace, que permite a sus clientes explorar y comprar aplicaciones de software de terceros desarrolladas sobre sus modelos de IA Claude

• GitHub Security Lab dio a conocer esta semana detalles sobre sus de agentes de código abierto, que ha informado de más de 80 vulnerabilidades en proyectos de código abierto tras meses de uso interno

• Predicción: Waymo (coches autónomos) y Wing (entrega de paquetes con drones) crecerán espectacularmente en los proximos tres años.

• X se pone firme ante la desinformación: “A partir de ahora, los usuarios que publiquen videos generados por IA de un conflicto armado —sin agregar que fue creado con IA— serán suspendidos del Reparto de Ingresos para Creadores durante 90 días. Las violaciones posteriores resultarán en una suspensión permanente del programa.”

SLM vs LLM.

Hoy dedicamos nuestra newsletter a los modelos de lenguaje pequeños.

Te adelanto una definición, por si estás perdido con tanto “palabro”, — no te preocupes, que en esto de la IA salen siglas nuevas cada lunes y es fácil marearse.

LLM (Large Language Models)

LLM : El “Sabio de la Biblioteca Infinita” Ejemplos: OpenAI GPT, Gemini, Claude, Llama (versiones grandes).

• ¿Qué es? Es un modelo entrenado con casi todo lo digitalizado. Tiene billones de parámetros (conexiones neuronales).

• Su superpoder: Sabe de TODO. Le puedes pedir un poema en japonés sobre física cuántica y luego que te dé una receta de paella. Es creativo y tiene un razonamiento profundo.

• El problema: Es pesado, carísimo de mantener, gasta muchísima energía y a veces “se va por las ramas” o inventa datos porque intenta ser demasiado generalista.

SLM (Small Language Models)

El “Especialista de Bolsillo” Ejemplos: Phi (Microsoft), Gemma (Google), Mistral 7B …

• ¿Qué es? Es un modelo mucho más compacto, entrenado con datos muy seleccionados y de alta calidad (menos “calorías” y más “proteínas”). Tienen pocos miles de millones de parámetros.

"(sic) menos calorías y más proteínas" es el mantra de quien quiere perder grasa sin perder músculo.

• Su superpoder: Son rápidos y eficientes. Pueden correr directamente en tu teléfono o en tu laptop sin internet. Son excelentes para tareas específicas (resumir, clasificar, programar) y fallan menos en lo técnico porque no están “distraídos” con toda la "información” de internet.

• La gran ventaja: Privacidad (tus datos no salen de tu dispositivo) y coste casi cero.

Mi lista y 5 Consejos 5.

Personalmente uso Ollama para descargar y probar estos modelos, pero existen alternativas como Hugginface , LM Studio …

Una selección.

• Microsoft Phi-3 / Phi-4: Destacados por su alta capacidad de razonamiento lógico y matemático a pesar de su tamaño reducido.

• Google Gemma 2 (2B, 7B, 9B): Modelos abiertos y ligeros, ideales para tareas generales y de razonamiento en dispositivos.

• GPT-4o mini: Modelos de peso abierto de OpenAI diseñados para razonamiento, tareas de agentes …

• Llama 3.2 (1B, 3B): Modelos de Meta optimizados para ejecutar en dispositivos (on-device).

• Mistral Small (24B) / Ministral: Modelos de alta eficiencia con rendimiento sorprendente para su tamaño.

• Qwen2.5 / Qwen3 (0.5B - 3B): Muy populares en la comunidad por su rendimiento en tareas de codificación, matemáticas y multilingüismo.

• SmolLM2: Modelos optimizados para aplicaciones de bajo consumo, el modelo smollm2:135m … pesa solo 271 MB

Unos consejos

Si intentas usar un modelo de 3B (SLM) con la misma mentalidad que uno de 175B (LLM), la frustración está asegurada. El secreto del éxito con los SLM (Small Language Models) no es la potencia, sino la estrategia.

Aquí te dejo 5 consejos que a mi me ha funcionado, para “domarlos”:

1. Instrucciones de “una sola pieza” 🧩: Los modelos grandes perdonan el desorden; los pequeños no. No le pidas 5 tareas en un párrafo. Divide y vencerás: primero resume, luego traduce.

2. El poder del Few-Shot : Son los mejores imitadores. Si quieres que clasifique tickets de soporte, no solo expliques qué hacer: dale 2 o 3 ejemplos claros de “Input -> Categoría”.

3. Baja la temperatura : La creatividad en un SLM suele derivar en alucinaciones. Si buscas precisión (especialmente en Ollama), baja la temperatura a 0.1 o 0.2.

4. Menos “Chat”, más “Tarea” : No los uses como chat, úsalos como herramientas de proceso: limpieza de datos, extracción de entidades, o corrección gramatical, algunos traducción.

5. Estudialos y prueba, asi sabrás cual es su “Superpoder”:

   • Lógica/Math: Phi-4.

   • Coding/JSON: Qwen 2.5.

   • Velocidad móvil: Llama 3.2 (1B).

   • Fluidez: Gemma.

Estos modelos no necesitan internet. Son la herramienta perfecta para analizar contratos o datos empresariales con seguridad 100% local. Y esto tiene y tendrá mucha demanda.

¿ Que SLM puede funcionar en mi equipo ?

La pregunta del millón … te dejo una herramienta que facilita este trabajo. (gitHub: https://github.com/Pavelevich/llm-checker). Su función principal es revisar los modelos de Ollama que podrian funcionar en tu hardware y a que velocidad. También clasifica por la especialización del SML, analiza unos 200 modelos.

Comprueba la documentacion de Github o sigue estos pasos.

# 1) Instalar (debes tener node.js en tu equipo)
npm install -g llm-checker

# 2) Detectar tu hardware
llm-checker hw-detect

# 3) Ver las recomendaciones
llm-checker recommend

Y esto es todo, es todo esta semana, espero que hallan disfrutado de nuestra newsletter, no se olviden de seguirnos y recomendarnos.

Suscríbete ahora

Compartir [con]NEURONA

Se suele decir que las nuevas generaciones “nacen con un iPad bajo el brazo” a veces las llamamos “nativos digitales”. Pero tengo una noticia para vosotros: esa supuesta destreza, en la mayoría de los casos, es superficial.

Las grandes empresas —como Apple, Microsoft y Google— han transformado los ordenadores en electrodomésticos. Dispositivos cerrados, pulidos, diseñados para consumir, no para comprender.

• iOS marcó un punto de inflexión: eliminó el acceso real al sistema de archivos y al control profundo del dispositivo, vendiéndolo como “seguridad” y “simplicidad”. Y sí, es más simple. Pero también es más controlado y más rentable.

• Android, que nació con un espíritu más abierto, está siguiendo el mismo camino: APIs de integridad, restricciones crecientes, bootloaders bloqueados. El mensaje es claro: no debes modificar el dispositivo que has comprado.

Y esto no solo afecta a los usuarios, (comprensible de alguna manera)

También está ocurriendo entre desarrolladores.

Cada vez es más común encontrar perfiles que no comprenden conceptos básicos como el sistema de archivos jerárquico, las direcciones IP o el DNS. Se utilizan frameworks sin entender qué ocurre en las capas inferiores. Mientras todo funciona, no hay problema. Pero cuando algo se rompe fuera del “happy path”, no hay herramientas mentales para reaccionar.

Ahora surge un nuevo factor. La Inteligencia Artificial.

Modelos como ChatGPT, GitHub Copilot, Claude o asistentes integrados en entornos de desarrollo prometen eliminar la fricción cognitiva: ya no necesitas entender, solo necesitas saber pedir.

La delegación ya no es solo técnica. Es intelectual.

La IA no solo oculta capas del sistema operativo o del hardware. Puede empezar a ocultar capas del razonamiento. Si no comprendes qué hay detrás del código que aceptas, o del texto que publicas, delegas algo más que trabajo: delegas criterio.

Nos hemos convertido en sujetos pasivos de nuestra propia tecnología. Si no sabes qué hay detrás de la interfaz, el producto no es el dispositivo… eres tú.

Y que nadie me interprete mal, los que me conoceis sabeis que soy un firme defensor de la IA. Pero me surge una duda, ¿ desde qué posición la usamos ?¿ como herramienta que amplifica nuestra capacidad… o como sustituto que la atrofia ?

Hola a todos y bienvenidos a una nueva edición de ConNeurona.

Lanzamientos de la Semana

• Google AI acaba de lanzar Nano-Banana 2: el nuevo modelo de generación de imágenes que ofrece rendimiento 4K en menos de un segundo.

  Nano Banana 2 es el modelo de imágenes más reciente y avanzado de Google. (cuidado con dominios del estilo nano-banana.ai o similar, que te cobrarán por lo que actualmente está integrado en Gemini, con margenes muy amplios de prueba gratuita)

• LM Link es una colaboración entre Tailscale y LM Studio que permite compartir de forma segura y cifrada modelos locales entre los dispositivos que controlas. Para mí es importante por que utilizo Tailscale para controlar todos los dispositivos de casa, ordenadores, televisores, teléfonos… y esto abre un nuevo punto para investigar (os contaré).

• “Sea lo que sea que tengas en mente, dibújalo, indícalo y dale forma de vectores”. Este es el lema de quiver.ai, donde puedes generar SVGs con un plan gratuito, entre otras opciones.

• Devin 2.2 ahora escribe su código, abre un escritorio virtual para probarlo, detecta sus propios errores y los corrige automáticamente.

Algo está cambiando

Es habitual que las empresas que desarrollan modelos grandes de inteligencia artificial compartan versiones preliminares con grandes fabricantes de chips como Nvidia y AMD. La idea es simple: asegurarse de que el software funcione de la forma más eficiente posible en los procesadores más usados del mercado. De hecho, DeepSeek había trabajado muy de cerca con el equipo técnico de Nvidia en el pasado.

Pero esta vez, parece que todo es distinto.

Para su próximo modelo —cuyo lanzamiento se intuye muy próximo— DeepSeek decidió no dar acceso anticipado ni a Nvidia ni a AMD. En cambio, ofreció varias semanas de ventaja a fabricantes de chips chinos, entre ellos Huawei, para que pudieran optimizar el modelo en sus propios procesadores antes que nadie.

Copilot Task

Microsoft presentó Copilot Task, una nueva función que permite que su asistente de IA haga tareas por el usuario usando una computadora y un navegador en la nube.

En pocas palabras, el usuario solo tiene que explicar en lenguaje natural qué quiere lograr. A partir de ahí, Copilot crea un plan paso a paso, realiza las acciones necesarias en distintas aplicaciones y servicios web, y avisa cuando termina o si necesita aprobación.

Por ahora, la herramienta está disponible en una vista previa limitada con lista de espera pública.

IA en Tweets

Francia acaba de lanzar su servidor #MCP (Model Context Protocol) para conectar el modelo de #IA que quieras con sus datos abiertos. Ahora puedes buscar y analizar sus datasets conversando. Hay una instancia pública en https://mcp.data.gouv.fr/mcp sin restricciones de acceso.

https://x.com/Txtetxu1/status/2027461630565503027

Nuestro amigo Rafael Mourad, nos deja una muy buena coleccion de infografías sobre Inteligencia artificial.

Para quienes me pidieron las infografías sobre Historia de la AI, acá se las dejo.
https://x.com/jmourad/status/2026022021331587302?s=20

El Renacimiento de la Terminal: IA en tu CLI 🚀

La interfaz de línea de comandos (CLI) ya no es solo una pantalla negra con texto verde para nostálgicos. Se ha convertido en el centro neurálgico de la productividad con IA. ¿Por qué este regreso a los orígenes?

• Eficiencia radical: Menos consumo de RAM que cualquier IDE pesado.

• Automatización pura: Capacidad de crear scripts que encadenan tareas complejas.

• El hogar de los Agentes: Los agentes de IA “simplemente funcionan” y que mejor en entornos de texto donde pueden ejecutar comandos directamente.

OpenaCode CLI. El agente de codificación IA de código abierto: Modelos gratuitos incluidos o conecta cualquier modelo de cualquier proveedor, incluyendo Claude, GPT, Gemini y más.

Gemini CLI. Consulte y edite grandes bases de código, genere aplicaciones a partir de imágenes o archivos PDF y automatice flujos de trabajo complejos.

Codex CLI es el agente de codificación de OpenAI que puedes ejecutar localmente desde tu terminal. Puede leer, modificar y ejecutar código en tu equipo, en el directorio seleccionado. Es de código abierto y está desarrollado en Rust.

Copilot CLI Impulsado por el mismo sistema de gestión de agentes que el agente de codificación Copilot de GitHub, proporciona asistencia inteligente a la vez que se integra a la perfección con tu flujo de trabajo de GitHub.

Aider CLI (el gran desconocido) permite combinar programación con LLM para iniciar un nuevo proyecto o desarrollar su base de código existente.

.. Y hasta aquí una nueva edición de con[Neurona], si te ha gustado no olvides de suscribirte y recomendarnos.

Suscríbete ahora

Compartir [con]NEURONA

La semana que viene sera el WMC (World Mobile Congress) de Barcelona … y probablemente los nuevos lanzamientos vengan con mucha IA. Comentaremos novedades, seguro.

Porque en los problemas complejos, el contexto manda. Y el contexto lo domina quien vive el problema todos los días. Durante años eso fue para nosotros (y para los médicos) una limitación.

Pero la IA agéntica está cambiando esa ecuación. Ahora el experto puede delegar en agentes inteligentes tareas que antes requerían equipos completos: análisis, prototipado, validación, integración. La barrera técnica se reduce. La ventaja del conocimiento profundo del dominio se amplifica.

No estamos reemplazando al informático.Estamos elevando al experto.

Y cuando el experto tiene herramientas que ejecutan a su nivel de comprensión… el resultado deja de ser “software para medicina” y empieza a ser “medicina potenciada por software”.

La diferencia no es semántica.
Es estructural.

Un saludo a todos y bienvenidos a una edición mas de [con]Neurona, nuestra newsletter de inteligencia artificial.

El “Test de Einstein”: ¿Puede una IA descubrir la Relatividad General?

Demis Hassabis (Google DeepMind) presentó en Nueva Delhi un nuevo benchmark llamado el “Test de Einstein”: entrenar una IA con todo el conocimiento humano hasta 1911 y ver si puede descubrir la Teoría de la Relatividad General por sí sola, como hizo Einstein en 1915.

• El objetivo: Determinar si la IA puede realizar “saltos conceptuales” novedosos o si solo está diseñada para reorganizar el conocimiento humano existente.

• La fecha límite: 1911 es clave porque representa un punto donde la Relatividad Especial (1905) ya se conocía, pero la complejidad de la Relatividad General (gravedad y espacio-tiempo curvo) aún no se había formulado.

¿ Como preguntar a los modelos más nuevos ?

Anthropic acaba de publicar una actualización de las mejores prácticas de “prompts” para sus nuevos modelos Claude 4.6, y muchas cosas han cambiado.

• Elimina el "over-prompting" (no debemos abusar de la sobre-instrucción)

• El contexto es clave y no tanto la orden.

• La recomendación oficial es empezar con una instrucción mínima y directa. Si el modelo falla, añade contexto, no "instrucciones de comportamiento".

• Evita instrucciones repetitivas o forzadas para evitar que el modelo alucine o sea vago.

Lanzamientos de la Semana

• Claude lanzo su modelo en PowerPoint: crea diapositivas, realiza ediciones precisas e itera en tu presentación en tiempo real. Es interesante esta nueva aplicación por que Claude lee tus diseños, fuentes y patrones de diapositivas para que cada cambio se mantenga fiel a la marca y a la plantilla.

• Google agregó capacidades de generación de música a la aplicación Gemini utilizando el nuevo modelo Lyria 3 de DeepMind.

• Clam es una capa de seguridad respaldada por YCombinator para OpenClaw que escanea cada mensaje que su agente de IA envía o recibe en busca de filtraciones de información personal, inyecciones de mensajes y código malicioso; sus claves API nunca tocan la IA.

• happycapy.ai convierte tu navegador en una computadora impulsada por un agente; sin configuración, sin terminal, solo describe lo que quieres construir y maneja la codificación, el diseño y el trabajo con archivos en un entorno aislado en la nube (n.° 1 en Product Hunt esta semana).

• Se ha lanzado Gemini 3.1 Pro, en versión preliminar, obtuvo un 77.1% en el benchmark ARC-AGI-2 (Diseñado para evaluar la inteligencia general (AGI) y el razonamiento), más del doble del 31.1% logrado por Gemini 3 Pro apenas tres meses antes.

• Alibaba presentó Qwen3.5, un modelo de pesos abiertos con arquitectura híbrida y unos 17B parámetros activos.

• Latam-GPT es el primer Gran Modelo de Lenguaje (LLM) de código abierto diseñado específicamente desde y para América Latina y el Caribe. Está entrenado para entender modismos, jergas y contextos sociales, históricos y políticos propios de Latinoamérica.

Otras noticias

• Predicción de edad y medidas de protección para adolescentes en OpenAI.
  ChatGPT en las próximas semanas, comenzará a utilizar la predicción de edad en sus servicios para ayudar a proporcionar experiencias más seguras y apropiadas para la edad de los adolescentes. (sic)

• La Electronic Frontier Foundation publicó esta semana su política sobre contribuciones asistidas por LLM, estableciendo nuevas reglas para sus proyectos de código abierto. Basicamente advirtieron que la organización aceptará código generado por LLM, pero exige que los colaboradores "se abstengan de hacer envíos que no hayan comprendido, revisado y probado exhaustivamente".

• Microsoft añade Grok de xAI a su catálogo de Copilot Studio El modelo está disponible en entornos de acceso anticipado y está desactivado por defecto.

La Cantera de OpenAI.

Hay algo interesante ocurriendo en el ecosistema de inteligencia artificial.

Como en los grandes clubes de fútbol, donde se forma talentos que luego lideran otros equipos, muchos ex-empleados están fundando compañías que hoy compiten —o complementan— el mercado de la IA avanzada.

Es como si OpenAI estuviera incubando, sin querer (o queriendo), a sus propios competidores. Y hay muchos más que sin fundar su propia empresa, han sido “fichados” por Google, Anthropic, Nvidia … y otros. [Artículo en TechCrunch]

Global AI Summnit en India.

Esta semana se ha celebrado la Global AI Impact Summit 2026 (Nueva Delhi, 16-21 feb) que reunió a líderes políticos y tech, y que debatieron, principalmente sobre gobernanza ética, democratización y sostenibilidad de la IA.

Aunque también hubo algunos anuncios interesantes:

Regulación de Deepfakes en Tiempo Récord

Uno de los anuncios más contundentes fue la nueva normativa pionera de India para combatir la desinformación:

• La Regla de las 3 Horas: Las plataformas digitales ahora están obligadas a eliminar contenido deepfake malicioso en un plazo máximo de tres horas tras ser reportado.

• Responsabilidad de Plataforma: Se establecieron multas severas para las empresas que no cumplan con este protocolo de seguridad digital.

India como referente mundial

Los gigantes de Silicon Valley reforzaron su presencia en el país con compromisos financieros masivos, Se estima que la cumbre cerró con promesas de inversión cercanas a los 68,000 - 100,000 millones de dólares.

• Microsoft: Anunció una inversión de 17,500 millones de dólares para expandir centros de datos e infraestructura de IA en India.

• Google: Sundar Pichai presentó un ambicioso programa de capacitación en IA para profesionales indios, disponible inicialmente en hindi e inglés, y próximamente en más lenguas locales.

La tensión entre EE. UU. (que defiende la innovación privada libre) y la “Tercera Vía” de India y Europa (que exige regulación ética) ha sido uno de los temas centrales en algunos coloquios e intuimos que sera tema de debate durante la próxima década.

Humor

La automatización prometía liberarnos. Nadie avisó que también podía volvernos cómodos.

En fin, hasta aquí una nueva edición de [con]Neurona, … entre médicos que programan, IAs intentando redescubrir la Relatividad y la "cantera" de OpenAI fundando una empresa nueva cada vez que alguien estornuda en San Francisco, el futuro se presenta movido.

… un saludo a todos, no olviden compartir la publicación o sucribirse (si no lo han hecho ya).

— TxeTxu —

Compartir

Suscríbete ahora