IA Diaria Hoy

Kakul Srivastava, consejera delegada de Splice, la plataforma de muestras de sonido que utilizan innumerables productores musicales, ha dicho que los correos y documentos escritos con IA empobrecen las conversaciones de trabajo. Lo afirmó en un cuestionario que, según recogen varios medios, se publicó esta semana, y su argumento es sencillo: cuando no puedes saber si hay una persona detrás de las palabras, la conversación que se genera alrededor cambia, y a peor. No es una noticia de producto ni de cifras, sino una opinión de alguien con experiencia en el cruce entre tecnología y creatividad, y como tal conviene leerla.

La cita central

Según el texto citado por la cobertura, Srivastava distingue dos situaciones. Cuando un documento se siente escrito por una persona, el debate que provoca es de una clase. Cuando podría haberlo escrito cualquiera, o cualquier cosa, la conversación es otra: «una conversación distinta y peor». Añade que «no se puede volver atrás» de eso, y compara la situación con la de la música: lo mismo ocurre, sostiene, con las canciones.

Por qué lo dice, según ella

Splice es una empresa «remote-first», es decir, sin oficinas como centro de trabajo, así que, como explica Srivastava, no existe el pasillo donde se charla. Lo que existe es alguien que piensa algo, lo escribe y un grupo que lo discute. Por eso se muestra cuidadosa con los documentos escritos por IA: en un equipo distribuido, el texto escrito es el lugar donde ocurre el pensamiento compartido, y si deja de ser reconocible como pensamiento de alguien, el intercambio pierde valor.

Quién es la voz

Srivastava dirige Splice desde hace más de cinco años y antes ocupó puestos directivos en Flickr, Yahoo, GitHub y Adobe, un recorrido que la ha situado en la intersección entre Silicon Valley y los creadores. En Splice ha ampliado la presencia de la plataforma, por ejemplo con la compra de Spitfire Audio, y ha supervisado su incursión en la IA generativa. Las muestras de la plataforma han aparecido en grandes éxitos pop, lo que da una idea de su peso en la industria musical.

Una postura coherente con su trayectoria

No es la primera vez que expresa algo parecido. El año pasado, en un episodio del podcast Decoder, se mostró muy crítica con el tipo de IA «pulsa un botón y obtén una canción» que ha hecho polémicas a compañías como Suno. Splice ha apostado, en cambio, por productos de IA que mantienen al ser humano en el centro del proceso creativo, como herramientas generativas para personalizar muestras hechas por personas, y ha anunciado colaboraciones con grandes discográficas para crear herramientas de IA pensadas para artistas. La coherencia entre su discurso interno y su estrategia de producto es lo que da peso a la declaración.

El matiz: una opinión, no una evidencia

Conviene separar lo que es una convicción de lo que es un hallazgo. La afirmación de que los textos con IA empeoran las conversaciones es una intuición razonable y compartida por otros directivos, pero no se apoya aquí en un estudio concreto. Hay evidencias de que los lectores a veces rechazan textos que perciben como automatizados, aunque el efecto depende del contexto y de si se avisa del uso de IA. Además, algunos medios de bajo rigor que repiten la noticia han añadido recomendaciones y detalles que no proceden de la entrevista, por lo que aquí nos limitamos a lo que recogen las fuentes originales.

Qué implica en la práctica

• Para equipos remotos: plantea una pregunta útil: en qué documentos importa que se note la voz de una persona, por ejemplo propuestas, decisiones o feedback, y en cuáles basta con eficiencia.
• Para empresas creativas: refuerza la línea de quienes quieren IA como herramienta de apoyo, no como sustituto del criterio creativo.
• Para cualquiera que escriba con IA: una práctica sencilla es revisar y reescribir lo generado hasta que refleje lo que realmente piensas, y ser transparente cuando el texto se ha redactado con ayuda.

Nuestra lectura

El comentario de Srivastava interesa menos por su dramatismo que por su lógica de fondo: la comunicación escrita funciona porque suponemos que hay una intención humana detrás. Si esa suposición se debilita, cambia la confianza con la que respondemos. No significa que no deba usarse la IA para redactar, sino que quizá haya que decidir explícitamente dónde se usa y dónde no, un debate que muchas organizaciones todavía no han abordado.

Fuentes: Jingletree, Ecosistema Startup y NewsBytes.

Un equipo de investigadores de la Universidad de Maryland ha presentado LEGO-Anything, un sistema en el que un agente de programación convierte una sola fotografía en una escena tridimensional representada como código editable de Blender. La idea es que la reconstrucción no sea un archivo 3D cerrado, sino un programa que se puede inspeccionar, modificar y consultar. El trabajo, publicado en arXiv a finales de septiembre, incluye también un banco de pruebas, y sus resultados dejan un mensaje doble: los agentes entregan escenas utilizables casi siempre, pero fallan bastante al reproducir la geometría real.

El planteamiento: de la imagen al código

Los autores llaman a su enfoque «Image-to-Code». Un agente de programación escribe y ejecuta código de Blender, el programa de modelado 3D de código abierto, mira la escena que ha generado y la imagen que produce, y revisa el programa en un bucle iterativo. Según el artículo, una escena reconstruida a partir de una sola imagen es más útil cuando se representa como un programa explícito cuya ejecución produce la escena, y no como un renderizado o un modelo fijo. Para un artista o un desarrollador, la ventaja es evidente: puede cambiar un objeto, ajustar una medida o reutilizar el resultado sin empezar de cero.

El banco de pruebas: LEGO-Bench

Para medir qué tan bien lo hacen los agentes, el equipo creó LEGO-Bench, un conjunto de 208 imágenes procedentes de 104 escenas de interior y de exterior, con una verdad de referencia obtenida de simuladores. En lugar de colapsar todo en una sola nota, puntúa por separado tres cosas: la validez del artefacto entregado (si hay una escena utilizable), la geometría de las superficies visibles y la apariencia del resultado renderizado.

Lo que muestran los resultados

El mejor de los agentes evaluados fue GPT-6-astra, con una puntuación del 53,4 % en interiores y del 39,6 % en exteriores. Según el análisis de The Decoder, las seis configuraciones de GPT probadas entregaron una escena funcional casi siempre, pero tuvieron dificultades con la geometría. Los propios autores lo resumen con prudencia: las escenas construidas como programas son una representación «prometedora pero todavía no suficientemente precisa» de las imágenes naturales, y siguen existiendo diferencias sustanciales entre entregar un artefacto válido y recuperar fielmente la geometría y la apariencia.

Una mejora sin reentrenar

El trabajo incluye un complemento, LEGO-Plugin, que no requiere reentrenar los modelos. Probado sobre seis de ellos en un subconjunto de 42 casos de oficina, mejoró a todos, con ganancias relativas de hasta el 62,7 % en la puntuación global. Es un dato relevante porque sugiere que el techo actual no es fijo y que parte del problema se puede atacar con mejores herramientas alrededor del modelo, no solo con modelos más grandes.

El problema de la autoevaluación

El titular del análisis de The Decoder resume la preocupación más llamativa: estos agentes construyen escenas 3D a partir de fotos, pero no saben si han acertado. Es decir, entregan el resultado con seguridad aparente sin una forma fiable de comprobar cuánto se parece al original. Conviene no exagerar esa conclusión: es una lectura de los resultados de un banco de pruebas concreto y relativamente pequeño, no una medida universal de la capacidad de autoevaluación de los modelos.

Para qué podría servir

La reconstrucción de escenas 3D a partir de imágenes tiene aplicaciones en videojuegos, arquitectura, cine, realidad aumentada y robótica, y que el resultado sea editable lo hace especialmente interesante para flujos de trabajo creativos. Pero con precisiones del 40 al 53 %, el sistema está lejos de ser una herramienta lista para producción; es, más bien, una demostración de una vía prometedora y una vara de medir para mejorarla.

Qué implica en la práctica

• Para creadores y desarrolladores: abre la posibilidad de obtener un punto de partida editable a partir de una foto, aunque exigirá revisión humana de la geometría.
• Para investigadores: LEGO-Bench ofrece una forma de medir por separado validez, geometría y apariencia, algo útil para comparar agentes.
• Para leer estos resultados: los porcentajes dependen de un banco de pruebas concreto, y la mejora del plugin se mide en un subconjunto de 42 casos.

Nuestra lectura

Lo más valioso del trabajo es su idea de fondo: tratar la reconstrucción 3D como programación, con un bucle de escribir, ejecutar, mirar y corregir. Eso hace que el resultado sea transparente y editable, justo lo que se echa de menos en muchas herramientas de IA generativa. Las cifras muestran que aún queda camino, y que la distancia entre una escena que funciona y una escena que se parece a la realidad es el verdadero reto.

Fuentes: arXiv (LEGO-Anything), The Decoder y AI Weekly.

Una demanda colectiva presentada en tribunales estatales de Maine alega que agentes del Departamento de Seguridad Nacional (DHS) elaboraron fichas sobre personas que observaban o protestaban contra operaciones del servicio de inmigración ICE y las almacenaron en un sistema diseñado y gestionado por Palantir. La versión censurada de los documentos se hizo pública el viernes 2 de octubre tras la información de la revista Wired. Se trata de alegaciones de los demandantes, no de hechos probados por un tribunal, y tanto DHS como Palantir las rechazan o matizan.

Qué sostiene la demanda

Según la información publicada, el caso se presentó como una demanda colectiva propuesta por observadores de las operaciones de ICE, quedó bajo sello en septiembre y se liberó en versión censurada el viernes. Los hechos serían de enero de 2026, durante una operación de inmigración en Maine. Los demandantes afirman que los agentes registraron datos de personas que no eran sospechosas, sino ciudadanos que ejercían el derecho a observar y documentar: fotografías, matrículas de vehículos, direcciones y números de teléfono. Uno de los ejemplos citados es el de una mujer que fotografió una detención desde una acera pública en Portland y cuyos datos familiares, según los documentos, aparecieron días después en una base de datos federal.

El sistema: Investigative Case Management

La base de datos mencionada es el Investigative Case Management (ICM), el sistema de gestión de casos de Investigaciones de Seguridad Nacional (HSI) que, según los informes, está construido sobre el software Gotham de Palantir. Un análisis sobre el caso señala que el sistema comparte automáticamente registros de sujetos con el sistema de control de viajeros de la Patrulla Fronteriza (CBP), lo que, de confirmarse, podría permitir vigilar a personas que realizaban una observación protegida constitucionalmente. Conviene precisar un matiz: el borrador original hablaba de «IA», pero lo que describen las fuentes es un sistema de gestión de casos y análisis de datos, no se ha acreditado un uso concreto de inteligencia artificial en este episodio.

Otras alegaciones

La demanda también sostiene que agentes de DHS pasaron en coche junto a las viviendas de observadores y manifestantes para intimidarlos, y que un agente identificado en el escrito como «Agent J.C.» creó perfiles en ICM sobre seis de ellos. JoAnna Suriani, abogada de Protect Democracy que representa a los demandantes, resumió la tesis: el Gobierno trata a quienes ejercen sus derechos de la Primera Enmienda y buscan pedirle cuentas como si fueran sospechosos criminales, y eso es lo que piden que el tribunal detenga.

Las respuestas de DHS y Palantir

Un portavoz de DHS calificó la demanda de carente de mérito y negó haber creado un sistema que etiquete a los manifestantes como «terroristas domésticos». Palantir, por su parte, ha rechazado en otros contextos la idea de que actúe como un organismo de vigilancia: afirma que solo proporciona software, que no recoge ni almacena datos por su cuenta y que son los clientes gubernamentales quienes deciden qué se introduce en el sistema; un portavoz ha calificado de «infundadas» las acusaciones de manifestantes sobre sus contratos. Organizaciones de defensa de las libertades civiles sostienen, en cambio, que sus herramientas están presentes en casi todas las fases de la cadena de aplicación de ICE.

Un debate más amplio

El caso se suma a una controversia previa sobre el papel de Palantir en la inmigración. La Electronic Frontier Foundation publicó en enero un análisis sobre otra herramienta, llamada ELITE, que según informaciones de 404 Media muestra un mapa de posibles objetivos con un nivel de confianza sobre su domicilio. En las últimas semanas, además, enfermeras han protestado en varias ciudades contra los contratos de Palantir con sistemas sanitarios, un movimiento que enlazaba esas preocupaciones con las del uso de sus herramientas en inmigración, como contamos en nuestro artículo sobre los turnos de enfermería. Fuentes especializadas advierten también de que el debate jurídico y ético sobre si estos usos constituyen vigilancia masiva o documentación operativa dirigida sigue abierto.

Qué implica en la práctica

• Para el proceso judicial: el tribunal deberá decidir si las alegaciones se sostienen; hasta entonces, son afirmaciones de una parte.
• Para el debate sobre vigilancia: plantea la cuestión de qué límites debe tener el almacenamiento de datos de quienes observan la actuación de las fuerzas de seguridad, una actividad protegida en muchos sistemas legales.
• Para las empresas tecnológicas: reabre la discusión sobre su responsabilidad cuando suministran software que sus clientes gubernamentales usan de formas que otros consideran abusivas.

Nuestra lectura

Lo prudente es distinguir tres planos: lo que alega una demanda, lo que niegan las partes y lo que, en su momento, decida un tribunal. La información disponible apunta a un sistema de gestión de datos con alcance considerable y a una disputa abierta sobre quién define qué entra en él; no apunta, por ahora, a una prueba concluyente de los hechos alegados. Precisamente por eso conviene seguir el proceso, porque la respuesta a qué datos se pueden recoger sobre quienes observan a las autoridades es una cuestión de derechos que va más allá de una sola empresa.

Fuentes: Gizmodo (a partir de Wired), Geek Slop y Atlabyte.

Prime Intellect, una empresa conocida por herramientas abiertas de entrenamiento de modelos, ha abierto al público su plataforma de servicio de modelos, Prime Inference. La lanzó el 2 de octubre con una credencial poco habitual: antes de ofrecerla a terceros, la compañía asegura que ya procesaba casi un billón de tokens al día para su propio uso interno. Las cifras de rendimiento y fiabilidad son declaraciones de la empresa, y los precios por modelo no estaban plenamente publicados en la documentación en el momento del lanzamiento, así que conviene leer los datos como una propuesta, no como una verificación independiente.

Qué es Prime Inference

Es una plataforma para ejecutar modelos abiertos de frontera, es decir, modelos cuyos pesos son públicos, con dos modalidades: puntos de acceso «serverless» compartidos, que se pagan por uso, y capacidad reservada en GPU propias de la empresa distribuidas en varios centros de datos, pensada para tareas de larga duración. Es compatible con la API de OpenAI, de modo que cualquier SDK de OpenAI puede apuntarse a su dirección con cambios mínimos. El primer modelo desplegado públicamente es GLM-5.3.

Una plataforma probada en casa

Según la empresa, el sistema se había usado internamente para generación de trayectorias de aprendizaje por refuerzo, datos sintéticos, evaluaciones y agentes de programación de larga duración, antes de abrirse a clientes. Un análisis lo resume así: la mayoría de los proveedores de inferencia descubren los fallos en producción con sus clientes, mientras que este se habría endurecido primero con la carga más exigente posible, la de su propio bucle de entrenamiento. Es un argumento razonable, aunque no sustituye a una evaluación externa.

Qué hay por dentro

La compañía ha publicado una descripción técnica de la pila. Funciona hoy sobre hardware NVIDIA Blackwell, con Vera Rubin anunciado como próximo paso, y combina componentes de código abierto como Dynamo, vLLM, Mooncake y FlashInfer. Entre las técnicas destacadas figuran la separación del procesamiento del prompt y la generación de la respuesta en grupos distintos de GPU, y la compresión de la memoria de atención (la caché KV) a un formato de cuatro bits. Según los datos citados por la prensa especializada, esto permite atender hasta 66 sesiones por grupo de procesamiento de prompts con unos 101 tokens por segundo por usuario en la configuración de referencia.

El foco: fiabilidad para agentes

La propuesta de valor está en la fiabilidad más que en el precio. Prime Intellect asegura una tasa de errores de llamada a herramientas prácticamente nula y un 100 % de disponibilidad desde el lanzamiento, y dice que su punto de acceso de GLM-5.3 está entre los más rápidos de OpenRouter. Esto importa porque los agentes que ejecutan tareas largas fallan si una sola llamada a una herramienta sale mal. Para reducirlo, integra un sistema que restringe en tiempo real los tokens generados para que respeten un formato predefinido. Todas estas métricas, hay que insistir, proceden de la propia compañía y tienen apenas unos días de historial público.

El bucle entre servir y entrenar

Prime Intellect describe Prime Inference como la capa de servicio de su pila abierta de entrenamiento, que ya incluye herramientas de post-entrenamiento y entornos de ejecución. La idea es cerrar el círculo: los modelos desplegados generan trazas de uso real que pueden alimentar de nuevo el entrenamiento, algo que los proveedores de modelos cerrados hacen con sus propios datos y que aquí se ofrece sobre modelos abiertos.

Contexto: la batalla se desplaza a la infraestructura

El lanzamiento encaja en una tendencia visible esta semana: la competencia en IA se desplaza de los modelos a la infraestructura que los hace funcionar. Para los equipos que construyen sobre modelos abiertos, un servicio rápido, fiable y compatible con OpenAI reduce el coste de la independencia: no hay que elegir entre la comodidad de una API cerrada y la libertad de un modelo abierto. La pregunta que queda abierta, como señalan los analistas, es la economía a escala.

Qué implica en la práctica

• Para desarrolladores: una alternativa para ejecutar modelos abiertos sin montar su propia infraestructura, con la misma API que ya conocen.
• Para quien evalúe el servicio: conviene esperar a conocer los precios por modelo y a ver cifras de terceros sobre fiabilidad antes de comprometer cargas críticas.
• Para el ecosistema abierto: más proveedores serios de servicio de modelos abiertos refuerzan la competencia frente a las APIs cerradas.

Nuestra lectura

Lo más interesante de Prime Inference no es una cifra concreta, sino la estrategia: convertir en producto una infraestructura que la empresa necesitaba para entrenar sus propios modelos. Si la fiabilidad que anuncia se confirma con clientes reales y el precio es competitivo, será un actor relevante en un mercado donde la ventaja se juega en la ingeniería de servicio, no solo en los pesos del modelo.

Fuentes: MarkTechPost, Superpower Daily y Tech AI Magazine.

Microsoft AI ha lanzado tres modelos de voz en tiempo real, y el principal, MAI-Transcribe-2-Streaming, asegura haber alcanzado el primer puesto en un ranking independiente de precisión de transcripción en directo. El anuncio, del 1 de octubre, completa la oferta de voz de la compañía con dos modelos de síntesis de voz. Conviene, eso sí, separar lo que dice Microsoft de lo que ya ha verificado un tercero, porque una revisión independiente del 2 de octubre matizaba parte de esa afirmación.

Los tres modelos

MAI-Transcribe-2-Streaming es el primer modelo de transcripción en streaming de Microsoft: transcribe las palabras a medida que llegan, no al terminar un archivo de audio. Según la compañía, ofrece transcripciones de baja latencia en 60 idiomas con detección automática y continua del idioma. Junto a él se lanzaron MAI-Voice-2.1, descrito como su modelo de texto a voz de mayor fidelidad hasta ahora, y MAI-Voice-2.1-Flash, pensado para la velocidad. Los tres están disponibles a través de Microsoft Foundry. El modelo de transcripción es la versión en tiempo real de MAI-Transcribe-2, que la compañía había lanzado en septiembre para audio ya grabado.

Las cifras que presenta Microsoft

En el ranking de Artificial Analysis para transcripción en streaming (AA-WER Streaming), Microsoft sitúa su modelo en el primer puesto de 38 tanto en precisión de la transcripción final como de la primera transcripción parcial. El dato central: una tasa de error de palabras del 2,5 % a 0,13 segundos del final del habla, y el mismo 2,5 % en la transcripción parcial a 0,12 segundos. Entre los competidores citados están Grok Voice Transcribe 2.0 (2,7 % y 0,49 s) y Muse Voice Transcribe de Meta (3,1 % y 0,16 s). Mustafa Suleyman, responsable de Microsoft AI, lo calificó de «el modelo de transcripción en tiempo real más preciso del mundo». En pruebas internas de dictado y subtitulado, la compañía afirma que el texto aparece aproximadamente el doble de rápido que con su competidor más cercano.

Cómo se mide la precisión

La tasa de error de palabras (WER) mide qué porcentaje de palabras se transcribe mal. El índice usado cubre unas ocho horas de audio procedentes de tres conjuntos de datos: conversaciones con agentes (50 %), intervenciones parlamentarias europeas (25 %) y llamadas de resultados empresariales (25 %). Es una referencia reconocida, pero cualquier ranking refleja unos datos concretos, y el rendimiento real depende del idioma, el ruido y el acento.

El matiz que no conviene omitir

Una revisión independiente publicada el 2 de octubre indicó que, a esa fecha, el modelo todavía no aparecía en la tabla pública de streaming de Artificial Analysis, donde Grok Voice Transcribe 2.0 conservaba la primera posición, y que la clasificación era, por tanto, autodeclarada. Otros medios sí recogieron después el primer puesto con los mismos números. Lo prudente es tratar el «#1» como una afirmación de la compañía respaldada por datos del evaluador, pendiente de consolidarse en la clasificación pública.

Precio y disponibilidad

Según la cobertura, Microsoft cobra 0,54 dólares por hora de audio, unos 9 dólares por 1.000 minutos, como precio introductorio hasta finales de 2026, y el modelo está en vista previa pública con interfaz de tiempo real por WebSocket y SDK de Azure Speech. No es un precio bajo frente a algunas alternativas, y hay análisis que lo describen como un liderazgo en precisión a precio premium.

Por qué importa a Microsoft

Para los desarrolladores de agentes de voz en Azure, hasta ahora hacía falta recurrir a un proveedor externo para al menos una pieza del circuito de audio. Con estos tres modelos, Microsoft cubre el ciclo completo de escuchar, razonar y hablar dentro de su propio catálogo, y reduce su dependencia de socios. Combina una transcripción rápida con una síntesis de voz de baja latencia para que el agente tenga más tiempo para razonar o llamar a herramientas.

Qué implica en la práctica

• Para desarrolladores de agentes de voz: una opción integrada en Azure para transcripción en tiempo real, aunque conviene probarla con su propio audio antes de decidir.
• Para subtitulado y dictado: la baja latencia es la propuesta central; la utilidad real dependerá de los idiomas y condiciones de cada caso.
• Para comparar proveedores: los rankings cambian cada semana, así que conviene mirar la tabla actual y no solo el comunicado del lanzamiento.

Nuestra lectura

Que una gran tecnológica compita ahora en transcripción con modelos propios, y no solo con los de sus socios, confirma que la voz se ha convertido en un terreno estratégico de la IA. El número, 2,5 %, es impresionante, pero es una instantánea de un ranking que se mueve rápido. La conclusión más sensata es esperar a que la clasificación pública y las pruebas independientes confirmen la ventaja antes de tratarla como definitiva.

Fuentes: Unite.AI, MarkTechPost y Tech Times.

IBM ha anunciado que su plataforma de desarrollo de software con IA, IBM Bob, ya puede desplegarse en infraestructura propia de los clientes: servidores locales, nubes privadas, nubes soberanas e incluso entornos totalmente aislados de internet. El anuncio, fechado el 1 de octubre de 2026, apunta a un segmento concreto: organizaciones cuyo código y datos son demasiado sensibles o están demasiado regulados como para enviarlos a un servicio de IA alojado por un tercero.

Qué es IBM Bob

Según la propia compañía, Bob es su plataforma «agéntica» de desarrollo de software: va más allá de generar código para aplicar la IA al trabajo de entrega y modernización del software. En la práctica, ayuda a los desarrolladores a entender aplicaciones existentes, planificar cambios, llevar a cabo el trabajo de desarrollo y validar los resultados. Su foco principal es la modernización de aplicaciones heredadas, un trabajo habitual en grandes empresas con sistemas antiguos.

Qué cambia con el despliegue autoalojado

Hasta ahora, muchas herramientas de IA para programar están pensadas sobre todo para entornos nativos de la nube. IBM reconoce que la modernización empresarial suele implicar aplicaciones y datos repartidos entre sistemas locales, nubes privadas y otros entornos controlados. Con la nueva opción, las organizaciones pueden usar la IA para programar y modernizar «sin mover código, datos ni flujos de trabajo fuera de su infraestructura controlada». La filosofía, resumida en un lema de la propia IBM, es llevar la IA a los datos en lugar de llevar los datos a la IA.

Para quién está pensado

El anuncio se dirige a organizaciones con requisitos estrictos de residencia de datos, políticas de seguridad, gobernanza de la IA y flujos de trabajo de desarrollo, como las de los sectores financiero, sanitario y público. Un ejemplo que recoge la cobertura es el de una entidad financiera que podría usar inferencia local para aplicaciones bancarias centrales, mientras deriva tareas menos restringidas a modelos externos aprobados. Neel Sundaresan, director general de IA y automatización de IBM, lo resumió así: las organizaciones necesitan una IA que opere dentro de entornos que controlan, sobre todo cuando trabajan con código sensible y datos regulados.

Paquetes opcionales para sistemas heredados

La oferta incluye paquetes premium opcionales para la modernización de Java y para las plataformas IBM i e IBM Z, los sistemas centrales sobre los que siguen funcionando muchas aplicaciones críticas, sujetos a requisitos de licencia y de despliegue. Es un detalle revelador: IBM apuesta por un terreno, el de las aplicaciones antiguas de grandes organizaciones, donde tiene una base instalada que otros competidores no tienen.

Qué no se ha detallado

Conviene ser prudente, porque se trata de un anuncio de la propia empresa. La información publicada no incluye precios, ni cifras de clientes que ya lo usen, ni resultados medidos de productividad. Tampoco aclara de forma pública qué modelos concretos pueden ejecutarse en los entornos aislados, más allá de indicar que la plataforma funciona con distintos modelos e infraestructuras. Un análisis financiero del anuncio sugiere que lo relevante será observar en los próximos trimestres si IBM informa de adopción real en proyectos locales o de nube soberana.

El contexto: soberanía de la IA

El anuncio se enmarca en una tendencia más amplia: la soberanía de datos y de IA. Gobiernos y empresas reguladas quieren aprovechar los agentes de programación sin depender de servicios externos, y los proveedores compiten por ofrecer variantes que se ejecuten bajo control del cliente. IBM, con una larga trayectoria en entornos empresariales y clíásicos de alta seguridad, juega aquí con ventaja de posición.

Qué implica en la práctica

• Para empresas reguladas: abre la posibilidad de usar agentes de programación sin enviar código propietario a la nube de un tercero.
• Para equipos con sistemas heredados: los paquetes para Java, IBM i e IBM Z apuntan directamente a la modernización de aplicaciones antiguas.
• Para evaluar la oferta: conviene pedir cifras reales de rendimiento, requisitos de infraestructura y condiciones de licencia, que el anuncio no detalla.

Nuestra lectura

La novedad no está en una capacidad nueva de la IA, sino en dónde se puede ejecutar. Para buena parte de la banca, la sanidad y la administración pública, la barrera para adoptar agentes de programación no era tecnológica sino de cumplimiento, y IBM intenta convertir esa barrera en su ventaja. Si funciona en la práctica es algo que solo se sabrá cuando haya clientes y cifras, que por ahora el anuncio no ofrece.

Fuentes: IBM Newsroom, SiliconANGLE y Time News.

DeepSeek ha sacado su marco de agentes de IA de la terminal y lo ha llevado al escritorio. La startup china ha lanzado aplicaciones de escritorio oficiales para su Harness v0.2, un agente de código abierto bajo licencia MIT pensado para tareas de trabajo cotidiano y de programación. Las fuentes consultadas sitúan el lanzamiento entre finales de septiembre y comienzos de octubre, sin coincidir en la fecha exacta, y tampoco coinciden en todos los detalles técnicos, así que este artículo se limita a lo que sí está respaldado por varias de ellas.

De qué se trata

DeepSeek Harness es el marco de agentes de la compañía: un software que permite a un modelo de lenguaje ejecutar tareas con herramientas, como leer y editar archivos, escribir código o procesar datos. Su versión preliminar para desarrolladores salió el 13 de agosto de 2026, y la aplicación de escritorio pulida llegó aproximadamente mes y medio después. Según la cobertura, está disponible para macOS y Windows, con soporte en Linux mediante compilaciones de la comunidad o un paquete de npm.

Qué incorpora la versión 0.2

Entre las novedades se citan la gestión de plugins dentro de la propia aplicación, con los que se amplían las capacidades del agente; mejores vistas previas de archivos y de cambios en el código para poder revisarlos; y la posibilidad de programar tareas de automatización. La aplicación se conecta por defecto a DeepSeek-V4.1-Flash, uno de los modelos de la compañía, aunque también permite integrar modelos de otros proveedores mediante interfaces compatibles con OpenAI, lo que la hace menos dependiente de un único fabricante.

Una comunidad ya muy grande

El indicador más llamativo es la tracción del proyecto: a principios de octubre, el repositorio de Harness acumulaba unas 242.000 estrellas y unas 29.000 bifurcaciones en GitHub. Son cifras de popularidad entre desarrolladores, no de uso real, pero indican un interés considerable por una herramienta que apenas lleva unas semanas disponible.

Una precaución: apps de terceros

Alrededor de Harness ya han aparecido herramientas independientes. Un ejemplo es DSH Desktop, un proyecto no oficial de licencia MIT que envuelve el agente de código abierto en una aplicación de doble clic para Mac y Windows, con configuraciones predefinidas y un modo para crear plugins a partir de una petición en lenguaje natural. Sus propios autores reconocen carencias, como aislamiento en entornos restringidos, calidad de equipos multiagente, memoria a largo plazo y automatización del navegador. Conviene distinguir entre la aplicación oficial de DeepSeek y estas alternativas, y descargar siempre desde las fuentes oficiales.

Por qué importa

La jugada responde a una tendencia clara: los agentes de IA salen de la línea de comandos para llegar a un público más amplio, con interfaz gráfica, revisión de cambios y tareas programadas. Que sea código abierto y funcione con modelos de terceros lo coloca como alternativa a las herramientas cerradas de otras compañías, y reaviva la competencia entre laboratorios chinos y estadounidenses en el terreno de las herramientas para desarrolladores, no solo en el de los modelos.

Qué implica en la práctica

• Para desarrolladores: una opción gratuita y abierta para delegar tareas de código y archivos a un agente, con revisión de cambios antes de aceptarlos.
• Para empresas: la licencia MIT y la compatibilidad con otros modelos facilitan integrarla, aunque conviene evaluar la seguridad de ejecutar un agente con acceso a archivos locales.
• Para cualquier usuario: un agente con acceso a tu ordenador es potente pero exige cautela: revisa qué permisos le das y qué plugins instalas.

Nuestra lectura

El lanzamiento no es un salto en capacidad de los modelos, sino en accesibilidad: llevar un agente de código abierto a una aplicación de escritorio reduce la barrera de entrada y amplía a quién puede probarlo. Lo que determinará su impacto es lo de siempre en este tipo de herramientas: la fiabilidad del agente en tareas reales, la seguridad de lo que se le permite hacer y si el ecosistema de plugins crece sin convertirse en una vía para código malicioso.

Fuentes: Crypto Briefing, Tech AI Magazine y ChatGate (sobre DSH Desktop).

Capcom ha detallado cómo piensa usar la inteligencia artificial para fabricar videojuegos más rápido, y ha repetido a la vez una promesa que la distingue de otras compañías: no incluir contenido generado por IA en sus juegos. Lo explicó el 2 de octubre, durante su conferencia técnica Capcom Open Conference RE:2026, donde se presentó una actualización de su motor gráfico propio, el RE Engine, bajo un proyecto llamado REX.

Qué es REX y quién lo presentó

El programador Satoshi Ishida dirigió una ponencia sobre el RE Engine y la puesta en marcha de REX, un proyecto de mejora del motor con el que, según se explicó, la compañía quiere integrar con éxito la tecnología de IA en juegos como Street Fighter 6. Según la cobertura, la idea es que REX ayude a humanos e IA a entenderse, creando juegos juntos mediante lo que describió como el lenguaje de programación más común del mundo. El motivo de fondo es la escala: los juegos modernos y sus recursos son mucho más grandes, lo que ha alargado los tiempos de desarrollo.

La metáfora: la IA como escudo y las personas como lanza

Capcom dejó clara su posición con una frase: la IA no es un sustituto de las personas. La compañía describió la IA como el «escudo» y a los humanos como la «lanza». El escudo se encargaría del trabajo laborioso y repetitivo, como comprobar enormes cantidades de patrones y de texto, para liberar tiempo y energía mental de los desarrolladores y que se concentren en la creatividad, la sensación de juego y la emoción, que Capcom considera el valor central de un videojuego.

Qué tareas concretas quiere automatizar

Capcom también quiere que la IA ayude a detectar problemas pronto. Tras enviar un desarrollador código nuevo, la IA podría predecir posibles fallos, investigarlos automáticamente y proponer arreglos antes de que se conviertan en problemas mayores. Se trata, por tanto, de flujos de trabajo de desarrollo, no de contenido que vea el jugador.

La promesa que se repite: sin contenido generado por IA

Al mismo tiempo, la compañía reiteró que no usará recursos creados con IA generativa en sus juegos. No es una postura nueva: en marzo de 2026, en el resumen de una sesión con inversores, Capcom ya había dicho que no incorporaría materiales generados por IA a sus contenidos, pero que sí pensaba utilizar esta tecnología de forma activa para mejorar la eficiencia y la productividad del desarrollo, evaluando aplicaciones en gráficos, sonido y programación. Algunos medios han señalado que, en la práctica, esta nueva presentación no añade nada radicalmente nuevo a lo ya dicho.

La línea que sigue siendo difusa

Un análisis de PC Gamer de marzo advertía de algo que sigue vigente: Capcom no ha especificado dónde traza la frontera entre mejorar la eficiencia y incorporar recursos generados por IA. ¿Qué ocurre, por ejemplo, si sus artistas usan imágenes generadas como concepto inicial que luego se retoca hasta el recurso final? Esa zona gris explica que parte de la comunidad desconfíe y que algunos especulen con que la compañía acabará usando IA generativa sin decirlo, una sospecha que Capcom no ha confirmado y que no pasa de ser una conjetura.

Por qué importa más allá de Capcom

Capcom ilustra una fórmula que se está volviendo habitual en la industria: prometer a los jugadores que nada generado por IA llegará al producto final y, al mismo tiempo, integrar la IA en las operaciones internas para reducir costes y ciclos de desarrollo. La promesa tiene una lógica de relaciones públicas evidente, porque el contenido generado por IA ha generado un rechazo notable entre jugadores y desarrolladores, pero también responde a una necesidad real de producción.

Qué implica en la práctica

• Para los jugadores: la compañía asegura que los juegos de series como Resident Evil, Street Fighter o Monster Hunter no incluirán recursos generados por IA, aunque la definición exacta de «generado» sigue sin precisarse.
• Para los desarrolladores: la IA se plantea como asistente de pruebas, detección de errores y tareas repetitivas, no como sustituto de artistas.
• Para la industria: es otro ejemplo del reparto entre IA «interna» aceptada e IA «visible» rechazada, una frontera que cada estudio dibuja a su manera.

Nuestra lectura

El mensaje de Capcom es coherente y, a la vez, deliberadamente prudente: usar la IA donde nadie la ve y mantener una promesa clara donde el público la miraría con lupa. Su credibilidad dependerá de los hechos, es decir, de que los juegos que lleguen al mercado respondan a esa promesa y de que la compañía sea transparente sobre qué es exactamente «trabajo de apoyo» y qué es «recurso». Hasta que concrete esa frontera, la discusión seguirá abierta.

Fuentes: EventHubs, Sportskeeda y PC Gamer.

El físico de Harvard Matthew Schwartz asegura haber producido 36 manuscritos científicos en tres meses trabajando con Claude, el modelo de IA de Anthropic. Lo contó el 1 de octubre en un ensayo invitado publicado en el blog de investigación de la propia empresa, titulado «Claude-shaped science». Las cifras son llamativas, pero conviene leerlas con dos precauciones que el propio contexto impone: el texto está alojado en la web de Anthropic y su autor trabaja como investigador visitante en la compañía, y los manuscritos no han pasado, por ahora, una revisión por pares conocida.

Qué cuenta exactamente

Según Schwartz, en tres meses se generaron 36 manuscritos en 18 campos, con 19 coautores humanos, a partir de unos 400 problemas candidatos. Para ello usó Claude Fable 5, lanzado este verano, junto con una herramienta propia llamada BootLoops, un conjunto de utilidades para cálculos exactos en ciencia cuantitativa que está disponible en abierto en GitHub. Anthropic aclara que BootLoops no es un proyecto de la empresa sino de Schwartz.

Los ejemplos concretos

El físico describe resultados en áreas muy distintas. En física de partículas, Claude reprodujo en unos 20 minutos los resultados de uno de sus artículos, algo que a él le había llevado semanas, y después calculó 30 integrales complejas, de las cuales 15 nunca se habían calculado antes mediante un método semi-numérico, y otras 15 reprodujeron resultados ya conocidos. En economía, el modelo revisó los archivos de replicación de 4.452 artículos de cinco revistas y portó el código de software de pago a software abierto. En lingüística, junto a tres especialistas, construyó AccStack, una base de datos del acento de las palabras en 6.072 lenguas, con el pasaje decisivo citado en casi todas las entradas y una bibliografía de 160.000 trabajos de fonología. En genómica, se analizaron 5.700 millones de pares de mutaciones del proyecto 1000 Genomas, y en ecología, un resultado sobre la isla de Barro Colorado indica que las especies rotan 4,5 veces más rápido de lo que predice la teoría neutral.

El enfoque: problemas «con forma de Claude»

El título del ensayo alude a una idea central: elegir problemas cuya estructura encaje con las fortalezas del modelo. Schwartz sostiene que Claude tiene un conocimiento casi ilimitado en todos los dominios, excelentes habilidades de programación y un dominio de vanguardia de matemáticas y estadística, pero admite que por ahora no puede ayudarle con preguntas conceptuales profundas. Un análisis del texto recoge su propia advertencia: los modelos «sirven mucho para la ciencia, pero no son científicos».

La organización del trabajo

Ejecutar tantos proyectos a la vez exige coordinación. Según el ensayo, las sesiones de Claude Code se ejecutan en terminales dentro de máquinas virtuales en la nube, conectadas a distintos repositorios según las preferencias de cada colaborador. La cifra de 36 se refiere a manuscritos, un término que el propio texto usa deliberadamente, y algunos comentaristas ya señalan que no es lo mismo un manuscrito que un artículo publicado.

Lo que falta por verificar

El post no indica cuántos de los 36 manuscritos han superado una revisión por pares, y sus cifras proceden del propio autor. Es el tipo de afirmación que se valida con el tiempo: cuántos de esos trabajos resisten el escrutinio externo, cuántos se publican y cuántos resultados nuevos, como las integrales calculadas por primera vez, son confirmados de forma independiente. Anthropic, además, tiene un interés evidente en mostrar capacidades científicas de su modelo, lo que no invalida los resultados pero justifica la cautela.

Qué implica en la práctica

• Para la investigación: sugiere que las tareas de cálculo, reproducción y revisión masiva pueden acelerarse enormemente con agentes de IA, y que el cuello de botella se desplaza hacia elegir bien los problemas y verificar los resultados.
• Para la formación de científicos: el propio Schwartz se pregunta cómo preparar a la siguiente generación cuando habilidades antes esenciales pueden delegarse en la IA.
• Para leer estos anuncios: conviene distinguir entre un resultado verificado, un manuscrito en preparación y una demostración de capacidades publicada por la empresa que fabrica el modelo.

Nuestra lectura

El valor de este caso no está solo en el número, sino en la pregunta que abre: si un investigador con un modelo puede cubrir en tres meses lo que antes exigía años, el trabajo científico cambia de naturaleza. Pero la respuesta definitiva depende de algo que todavía no existe: una revisión externa de esos 36 manuscritos. Hasta entonces, es una demostración prometedora, con el autor y la empresa en el mismo lado de la mesa.

Fuentes: Anthropic (ensayo original), ThePrint y We Are Coded.

La imagen de una superinteligencia única que se mejora a sí misma hasta volverse inalcanzable ocupa buena parte del debate público sobre la IA. Un ensayo del DeepMind Institute, vinculado a Google, sostiene que es probablemente la visión equivocada. Sus autores, Benjamin Bratton, Blaise Agüera y Arcas y James Manyika, proponen en su lugar lo que llaman «inteligencia simbiótica artificial»: una inteligencia general que surgiría de un sistema social de personas y agentes de IA que cooperan, no de un modelo aislado y todopoderoso.

De qué trata el ensayo

El texto, titulado «Artificial symbiotic intelligence: Agents, AGI and the orchestration of many minds», argumenta que el problema central de la IA general dejaría de ser cómo construir una inteligencia aislada y pasaría a ser cómo orquestar, gobernar y convivir dentro de una red compleja de agentes de IA, personas y los sistemas que los conectan. Según los autores, la narrativa popular de la Singularidad, un modelo único que se arranca a sí mismo hasta una inteligencia aislada y casi divina, es probablemente una visión equivocada. Medios especializados lo han recogido a partir del 3 de octubre, aunque el ensayo se publicó a finales de septiembre.

La idea central: la inteligencia como fenómeno social

Los autores proponen entender la inteligencia no como una propiedad individual, sino como un fenómeno social, ya sea entre humanos, entre agentes de IA o, cada vez más, en combinaciones de ambos. En ese escenario, la inteligencia colectiva de las nuevas instituciones no se podría reducir a la inteligencia individual de los agentes que las componen. Los agentes, además, podrían ser mucho más diversos que las personas y funcionar con capacidades y límites distintos.

Lo que importa no es el tamaño del modelo

Según el resumen del propio ensayo, lo decisivo no sería el tamaño de los modelos, sino las reglas e instituciones que rigen cómo trabajan todos juntos. De ahí que los autores pidan diseñar instituciones que reúnan a participantes humanos y artificiales en roles claramente definidos, y que describan su meta como construir el andamiaje de un ecosistema sano en el que esa inteligencia simbiótica florezca como un colectivo amplio, robusto y «polífono». También introducen conceptos como la agencia descomponible y las instituciones de agentes, cuyas reglas generan resultados con independencia de quién ocupe cada papel.

Una consecuencia para la seguridad

El enfoque cambia también la forma de pensar la alineación. En este marco, el alineamiento sería «el resultado coevolutivo del contacto profundo y orgánico entre humanos, agentes e instituciones», no una restricción que se diseña de antemano. Es una postura distinta de la que defienden quienes buscan garantías técnicas dentro de cada modelo, y de la que sostienen otros equipos de la propia Google DeepMind, que ya habían explorado la hipótesis de una AGI «patchwork» formada por muchos agentes especializados, y un informe sobre cómo la IA podría ir de la AGI a la superinteligencia por cuatro vías, una de ellas colectivos de agentes.

Una reserva importante

Conviene situar el texto en su categoría. Es un ensayo conceptual publicado por la propia compañía, no un resultado experimental ni un trabajo revisado por pares, y sus autores defienden una visión del futuro, no demuestran que vaya a ocurrir. Tampoco debe confundirse el término con ASI, el acrónimo de superinteligencia artificial: el ensayo argumenta precisamente contra ese escenario de un único sistema que supera toda capacidad humana. Algunos comentaristas han calificado la lectura de útil pero también de frustrante, lo que refleja que la propuesta abre más preguntas que respuestas.

Qué implica en la práctica

• Para el debate sobre riesgos: desplaza la atención desde la potencia de un modelo concreto hacia la gobernanza de redes de agentes y personas.
• Para las empresas y reguladores: sugiere que las instituciones, es decir, las reglas de interacción, importarían tanto como los modelos.
• Para los usuarios: encaja con la idea de que la IA funciona mejor como complemento del criterio humano que como sustituto, un mensaje afín al de otros líderes del sector esta semana.

Nuestra lectura

Que uno de los laboratorios más importantes del mundo publique un texto que cuestiona el mito de la superinteligencia solitaria es relevante, aunque convenga leerlo con cautela: un marco atractivo no es una predicción. Su valor está en recordar que gran parte del futuro de la IA se decidirá en el diseño de reglas, roles e instituciones, y no solo en las gráficas de rendimiento de cada nuevo modelo.

Fuentes: DeepMind Institute, The Decoder y Envisioning.