IA Diaria Hoy

Cuando un modelo de lenguaje se equivoca, el resultado suele ser una respuesta mala o un texto que hay que corregir. Cuando el sistema que falla pilota un dron militar, conduce un camión por una autopista o suelda una pieza estructural de un vehículo, el margen de error desaparece. Tres organizaciones que trabajan justo en ese terreno, Shield AI, Waabi y General Motors, comparten un panel en TechCrunch Disrupt 2026, del 13 al 15 de octubre en San Francisco, bajo el título Building AI Systems When Failure Is Not an Option. Más allá del anuncio del evento, lo interesante es lo que ya se sabe de cómo cada una construye fiabilidad en sistemas donde fallar tiene consecuencias físicas.

Quiénes participan

Según TechCrunch, el panel reunirá a Nathan Michael, director de tecnología de Shield AI; Raquel Urtasun, fundadora y consejera delegada de Waabi; y Mikell Taylor, directora de estrategia de robótica del Centro de Robótica Autónoma de General Motors. Michael dirigió antes el Resilient Intelligent Systems Lab de Carnegie Mellon, centrado en validar sistemas multirrobot. Urtasun fundó Waabi en 2021 tras dejar la dirección de investigación de IA de Uber ATG.

Lo que cada organización aporta al problema

• Shield AI: desarrolla autonomía para entornos de defensa. Según HyperAI, la compañía ha sido seleccionada recientemente como proveedora de software de misión para fuerzas armadas estadounidenses, un contexto en el que un fallo puede comprometer una misión o poner en riesgo vidas.
• Waabi: lleva la conducción autónoma a camiones de carga. Según Newsy Today, se apoya en Waabi World, su propio simulador, para entrenar y poner a prueba los sistemas de conducción antes de llevarlos a la carretera real, precisamente porque, como plantea Urtasun, nadie puede exponer un vehículo autónomo a todas las situaciones posibles del mundo real antes de certificarlo.
• General Motors: integra IA y robótica en la fabricación de vehículos que conducen millones de personas, a través de su Centro de Robótica Autónoma.

Los temas que se abordarán

Según la propia TechCrunch, la conversación tratará sobre cómo crear una cultura de seguridad, cómo probar y validar estos sistemas, cómo sortear los obstáculos regulatorios y cómo generar confianza en tecnología que opera con supervisión humana limitada. Son las mismas preguntas que ya aparecen en otros ámbitos de la IA de alto riesgo, como el debate sobre si existen garantías reales de controlar a los agentes de IA o sobre cómo verificar que un sistema cumple lo que promete.

Por qué este debate importa más allá del evento

La IA física, la que pilota, conduce o fabrica, no admite el mismo margen de iteración que un chatbot: un fallo no se corrige con la siguiente respuesta. Eso obliga a un tipo de validación distinta, con pruebas exhaustivas, simulación a gran escala y procesos regulatorios que no existen para la mayoría del software de IA de consumo. Las tres organizaciones representan sectores distintos, defensa, transporte de mercancías y fabricación de automóviles, pero comparten el mismo reto de fondo: demostrar fiabilidad antes de desplegar, no después de un incidente.

Qué implica en la práctica

• Para el sector: la simulación a gran escala, como la de Waabi World, se está convirtiendo en un paso previo obligado antes de cualquier despliegue físico.
• Para los reguladores: sistemas de este tipo exigen marcos de certificación específicos, distintos de los que se aplican al software convencional.
• Para el debate público: la confianza en la IA física se construye con datos de pruebas y validación, no con demostraciones puntuales.

Nuestra lectura

Más allá de la promoción del propio evento, el tema de fondo es real y relevante: a medida que la IA se traslada del texto y la imagen a sistemas físicos con consecuencias irreversibles, la pregunta deja de ser qué tan capaz es un modelo para pasar a ser cómo se demuestra, de forma verificable, que no va a fallar en el peor momento. Es un estándar mucho más exigente que el que rige hoy a la mayoría de los productos de IA generativa, y las respuestas concretas de estas tres organizaciones merecerán seguimiento.

Fuentes: TechCrunch, HyperAI y Newsy Today.

Google ha empezado a probar Call for Me, una función de Gemini que llama a comercios y negocios en tu nombre, gestiona la conversación y te deja seguirla en directo con una transcripción. La prueba arrancó el 24 de septiembre con un grupo reducido de usuarios de Pixel 11 en Estados Unidos. No es una idea nueva para Google, que lleva años ensayando llamadas asistidas por IA, pero sí es su intento más ambicioso hasta ahora de que la IA complete toda una gestión telefónica, no solo una parte.

Qué puede hacer

Según TechCrunch y Adgully, con Call for Me puedes pedirle a Gemini que llame a una tienda para preguntar si hay stock de un producto, que reserve mesa en un restaurante, que cambie la fecha de una cita ya programada o que pida que te reserven un artículo. El asistente marca el número desde tu propio teléfono, se identifica al empezar la llamada como una IA que actúa en tu nombre y advierte de que la conversación se está grabando, navega por menús automáticos, espera en cola si hace falta y gestiona la conversación con quien responda. Antes de marcar, Gemini te muestra un resumen de lo que va a pedir.

Quién puede probarlo, por ahora

• Solo usuarios de Pixel 11 en Estados Unidos, mayores de 18 años, con una suscripción de pago a Gemini.
• Hace falta estar inscrito en la versión beta pública de la app Teléfono de Google.
• Por ahora, solo en inglés.

Según Superpower Daily, Google quiere probar específicamente cómo se comporta la función con distintos acentos y en entornos ruidosos, condiciones que una demostración cuidada no resuelve.

El precedente: de Duplex a Ask for Me

La idea no es nueva. En 2018, Google presentó Duplex, que podía llamar a restaurantes para reservar mesa, aunque el servicio acabó cerrándose. El año pasado llegó Ask for Me, que permitía a Gemini llamar a negocios para preguntar precios o servicios, pero sin dejar que el usuario tomara el control de la conversación. También existen otras herramientas de Pixel, como Hold for Me, que espera en cola por ti, o Direct My Call, que muestra las opciones de un menú de voz automático. Call for Me combina estas piezas en un solo flujo que completa toda la gestión, no solo un fragmento.

Lo nuevo respecto a versiones anteriores

Según TechCrunch, con esta actualización Gemini puede compartir información personal que tú apruebes como parte de las llamadas que hace, lo que le permite abordar un abanico más amplio de gestiones. También puedes seguir la llamada en directo mediante una transcripción y, según varias coberturas, tomar el control de la conversación en cualquier momento.

Lo que no está claro

Según Inside AI, Google no ha especificado si graba las llamadas o almacena las transcripciones en sus servidores, ni durante cuánto tiempo. BigGo Finance apunta que algunas llamadas de agentes de la competencia, como Muse de Meta, podrían implicar a operadores humanos entre bastidores, una distinción que Google no hace explícita para Call for Me. Conviene tratarlo como una función en fase experimental, con reglas todavía por definir sobre cómo deben reaccionar los negocios que reciban este tipo de llamadas.

Qué implica en la práctica

• Para quien la use: ahorra tiempo en gestiones rutinarias, con la posibilidad de intervenir si la conversación se complica.
• Para los negocios: empiezan a recibir llamadas de un asistente de IA que se identifica como tal, un escenario que puede generalizarse antes de que existan protocolos claros de atención.
• Para el debate de transparencia: Google identifica al asistente y avisa de la grabación, algo que conecta con el debate sobre si debemos saber cuándo hablamos con una IA.

Nuestra lectura

El caso ilustra hacia dónde va la IA de consumo: de responder preguntas a actuar en el mundo por nosotros, algo que ya veíamos con el avatar en tiempo real de Gemini y con las nuevas capacidades de ChatGPT Voice. Que Google la limite a un grupo reducido, con condiciones de edad y de suscripción, sugiere prudencia mientras se resuelven las dudas de privacidad y las reacciones de los negocios que reciban estas llamadas.

Fuentes: TechCrunch, Adgully, Superpower Daily y Inside AI.

Mati Staniszewski, cofundador y consejero delegado de ElevenLabs, ha dicho en una entrevista con TechCrunch publicada el 24 de septiembre que las empresas deberían avisar a sus clientes cuando quien atiende una llamada es un agente de IA y no una persona. Lo llamativo es que lo dice mientras su propia compañía construye buena parte de los sistemas de voz que hacen posible justo eso. Conviene ver qué argumento sostiene y con qué matices.

Qué defiende Staniszewski

Según daily.dev, que resume la entrevista, Staniszewski sostiene que las empresas deberían revelar hoy cuándo un cliente habla con un agente de IA en lugar de con una persona, porque el público todavía no está acostumbrado y se siente engañado si no se le avisa. A la vez, predice que dentro de unos cinco años, cuando todo el mundo tenga su propio agente de IA, la sociedad esperará encontrarse agentes por defecto y las normas de divulgación podrían cambiar. Es decir, no defiende la transparencia como principio permanente, sino como una fase adaptada a la desconfianza actual.

El contexto de la entrevista

La conversación, según Runtime Wire y AutoGPT, tuvo lugar en la conferencia Nrth de Toronto (antes Elevate), y en ella Staniszewski confirmó que ElevenLabs factura ya a un ritmo de 600 millones de dólares anuales, tras superar los 500 millones en los primeros cuatro meses de 2026 y cerrar 2025 en 350 millones. Los inversores habrían valorado la empresa en 22.000 millones de dólares en una operación de julio, según esas mismas fuentes. Se negó a dar cifras concretas de margen bruto ni una fecha para una posible salida a bolsa, que algunas coberturas sitúan en el horizonte de 2028.

La tensión de fondo: proveedor y competidor a la vez

Según Runtime Wire, la entrevista también saca a la luz una tensión incomoda para la empresa: al mismo tiempo que ElevenLabs vende la tecnología de voz que otros usan para construir agentes de atención al cliente, ella misma avanza hacia ese terreno, y algunos de sus antiguos clientes se han convertido en competidores. Según AutoGPT, Decagon, una plataforma de IA conversacional, entrenó su propio producto de voz sobre la tecnología de ElevenLabs y hoy compite con ella. Más del 55% de su negocio procede de grandes clientes empresariales, según daily.dev, entre ellos Klarna y Deutsche Telekom, según AutoGPT.

Por qué la postura tiene sentido, y sus límites

El argumento de fondo no es solo ético: también sirve para generar confianza en un mercado que todavía está fijando sus normas. Pero conviene notar que es la posición de quien vende la tecnología, no una norma legal vigente en la mayoría de países, y que su previsión de que la divulgación dejará de ser necesaria depende de que la sociedad se acostumbre, no de una decisión regulatoria. Es un debate cercano al que plantean los propios modelos de voz de la industria, como los nuevos modelos de Google que se diseñan describiéndolos o la rebaja de precios de Alibaba en audio con IA, que abaratan y generalizan las voces sintéticas.

Qué implica en la práctica

• Para las empresas que usan estos sistemas: avisar hoy de que se habla con una IA reduce el riesgo de sentirse engañado, y de perder confianza si se descubre después.
• Para los usuarios: conviene preguntar directamente si se duda de estar hablando con una persona, ya que la calidad de la voz ya no es garantía de nada.
• Para el debate regulatorio: la opinión de un directivo del sector no equivale a una obligación legal, y las normas varían mucho según el país.

Nuestra lectura

Que el consejero delegado de una de las empresas más influyentes en voces de IA defienda la divulgación merece crédito, pero conviene leerlo como una postura de negocio, no como una garantía: mientras no exista una obligación legal generalizada, dependerá de cada empresa decidir si avisa. Su previsión de que en pocos años la sociedad dejará de necesitar ese aviso es una apuesta sobre cómo evolucionará la costumbre social, no un hecho consumado.

Fuentes: daily.dev, resumiendo la entrevista de TechCrunch, Runtime Wire y AutoGPT.

Un equipo de investigación vinculado a Stanford y Hazy Research ha publicado CLM-8B, un modelo abierto de un tipo que llaman Sistema Uno: en vez de generar texto, puntúa qué tan buena es una acción candidata frente a un estado dado. La idea es sustituir, en ciertas tareas, a modelos que deciden generando y comparando texto por un sistema que solo puntúa, mucho más rápido. Los resultados son de la propia publicación y merecen leerse con sus matices, sobre todo porque compara con un competidor, Jev, usando sus propias mediciones de ese rival.

Cómo funciona

Según la ficha del modelo en Hugging Face, CLM-8B consiste en dos pequeñas cabezas de proyección, una para estados y otra para acciones, de unos 20 millones de parámetros combinados, colocadas sobre un codificador Qwen3-8B con los pesos congelados. Se entrena con una pérdida contrastiva bidireccional llamada InfoNCE. En el despliegue, puntúa las acciones candidatas frente al estado actual mediante similitud de coseno en un espacio compartido, y elige la de mayor puntuación, funcionando como un clasificador de acciones sin necesidad de generar texto completo.

Los resultados, con el contexto necesario

• Sin ajuste (zero-shot): según la página There’s An AI For That, CLM-8B rinde a la par de Jev en tareas de uso de ordenador, videojuegos y llamada a herramientas, pero hasta 9 veces más rápido. Es decir, la ventaja de velocidad no viene acompañada de mejor precisión en ese terreno, sino de igualarla mucho más rápido.
• Con ajuste, como verificador: tras un ajuste fino ligero, alcanza un 81,6% de acierto en 38 tareas de DeepSWE no vistas en el entrenamiento (frente a un 73,7% del mejor candidato sin verificar) y un 87,6% en 30 tareas de Terminal-Bench 2.1, según la ficha técnica y Sanity. En este papel de verificador, elige la mejor de varias soluciones candidatas generadas por otros modelos, no genera las soluciones en sí.
• Un matiz importante: Sanity advierte de que las cifras de Jev que aparecen en las tablas de CLM son mediciones hechas por el equipo de CLM sobre Jev, no los números publicados por TypeSafe, la empresa que hace Jev. Conviene tenerlo en cuenta al comparar.

Limitaciones técnicas declaradas

El propio equipo reconoce que el modelo está encadenado a su codificador: las cabezas entrenadas necesitan los embeddings de Qwen3-8B con agrupación del último token, así que no se puede cambiar el modelo base sin volver a entrenar. Los pesos, tanto de CLM-8B como del propio Qwen3-8B, se publican bajo licencia Apache 2.0, lo que permite auto-alojarlo.

Qué implica en la práctica

• Para pipelines de agentes: puede servir como árbitro rápido que elige entre varias acciones o soluciones candidatas sin el coste de generar texto completo para cada una.
• Antes de adoptarlo: conviene probarlo con las tareas propias, dado que las comparativas con Jev proceden de la parte que publicó CLM-8B.
• Coste operativo: al depender de un codificador fijo, integrarlo exige mantener ese componente en el sistema de inferencia.

Nuestra lectura

Es un enfoque interesante para acelerar decisiones puntuales dentro de sistemas de agentes, en la línea de otros modelos pequeños de decisión y de los ajustes que recortan el razonamiento sin perder mucha precisión. Pero, como con cualquier comparativa publicada por quien la desarrolla, lo prudente es esperar evaluaciones independientes que repliquen tanto el rendimiento de CLM-8B como el de los modelos con los que se compara.

Fuentes: ficha del modelo en Hugging Face, repositorio en GitHub, Sanity y There’s An AI For That.

BottleCap AI ha publicado ThinkingCap-Qwen3.8-27B, un ajuste del modelo Qwen3.8-27B que recorta cuánto razona antes de responder, sin perder apenas precisión. Es el segundo modelo de su serie ThinkingCap, tras uno similar sobre Qwen3.6-27B. La idea de fondo es que muchos modelos de razonamiento gastan más tokens pensando de los que la pregunta necesita, y que buena parte de ese exceso no cambia la respuesta final.

Los números del ajuste

Según el propio anuncio de BottleCap y MarkTechPost, en las 12 pruebas que la empresa usa para medir el modelo, gasta un 37,2% menos de tokens de razonamiento de media, mientras la precisión media baja de 86,65% a 85,79%, una caída de 0,86 puntos porcentuales. La reducción de tokens varía mucho según la prueba, entre un 10,7% y un 65,5%, según RealityHacker. En la métrica de contexto largo AA-LCR, la precisión incluso subió 2,25 puntos, aunque en la prueba de matemáticas AIME 2026 cayó 3,85 puntos. Son cifras de la propia empresa, medidas con su propio conjunto de pruebas.

Cómo se ha hecho

Según el blog de BottleCap, no se añadió conocimiento ni se cambió el estilo de las respuestas: el objetivo único fue acortar el razonamiento previo manteniendo la misma respuesta final. Funciona como sustituto directo de Qwen3.8-27B en los mismos servidores, sin cambiar la configuración de muestreo. Está disponible en formatos FP8, NVFP4, GGUF y MLX, según Cryptopond.

Un matiz sobre el esfuerzo de razonamiento

Qwen3.8-27B permite ajustar cuánto esfuerzo de razonamiento aplicar, y la compresión de ThinkingCap se suma a ese ajuste. Según MarkTechPost, en el nivel más alto (xhigh), que es el recomendado por BottleCap, el modelo logra el mejor equilibrio entre precisión y tokens; en niveles medio y bajo, la caída de precisión es algo mayor por cada punto de ahorro. Con el razonamiento desactivado del todo, el modelo se queda 5,7 puntos por detrás del original. Es decir, el ajuste funciona mejor cuanto más se deja pensar al modelo, lo que matiza la idea de un ahorro sin condiciones.

La licencia

Aquí hay un matiz que conviene no pasar por alto: según RealityHacker y MarkTechPost, la licencia es PolyForm Small Business 1.0.0 más una concesión de BottleCap para uso personal, y el uso comercial por encima de un umbral de pequeña empresa requiere un acuerdo con la compañía. No es, por tanto, un modelo de uso libre sin restricciones para cualquier empresa.

Qué implica en la práctica

• Para quien ejecuta modelos a gran escala: menos tokens de razonamiento significa menor coste de inferencia por respuesta, sin cambiar de modelo base.
• Para tareas de seguridad: en el modelo anterior de la serie, la compañía afirmó que el ajuste no reduce la tasa de rechazo ante peticiones dañinas o intentos de manipulación, aunque es una comprobación de la propia empresa.
• Antes de adoptarlo: revisar el nivel de esfuerzo de razonamiento que se va a usar en producción, porque el ahorro y la pérdida de precisión cambian según ese ajuste.

Nuestra lectura

Es una muestra más de la tendencia a optimizar el coste de la IA sin tocar la capacidad base del modelo, en la línea de lo que vimos con la caída de costes de la IA y con otros modelos pequeños de decisión. El recorte de tokens es real y bien documentado por la propia empresa, pero conviene mirar la letra pequeña: la mejora depende del nivel de esfuerzo elegido, y el uso comercial amplio no es gratuito.

Fuentes: anuncio de BottleCap AI, MarkTechPost, Cryptopond y RealityHacker.

Black Forest Labs, la empresa alemana conocida por sus modelos de generación de imágenes FLUX, ha publicado FLUX 3 Action, un modelo de 7.000 millones de parámetros para controlar robots. Según la compañía, supera en el banco de pruebas RoboLab-120, de Nvidia, al modelo abierto que hasta ahora lideraba la clasificación, pese a usar bastantes menos parámetros. La cifra es de la propia empresa y aún no se ha reproducido de forma independiente, algo esperable en un modelo de apenas unos días. Además, la licencia no es tan abierta como sugieren algunos resúmenes: permite el uso no comercial, y BFL no ha detallado qué exige o cuesta el uso comercial.

Qué es un modelo de acción del mundo

FLUX 3 Action pertenece a una categoría llamada modelos de acción del mundo, o WAM por sus siglas en inglés, un término que, según GPTS24, viene de un artículo de investigación de febrero de 2026. La idea es que un solo modelo prediga a la vez los próximos fotogramas de vídeo y las acciones físicas necesarias para producirlos, en lugar de tratar la comprensión visual y el control motor como problemas separados. Recibe fotogramas de cámara, el estado del robot y una instrucción en texto, y predice a la vez cómo evolucionará la escena y qué movimientos debe ejecutar.

El resultado en el banco de pruebas

Según VentureBeat y MarkTechPost, FLUX 3 Action alcanza un 42,92% de éxito en RoboLab-120, un banco de pruebas de simulación con 120 tareas de manipulación con un brazo robótico, desarrollado por investigadores de Nvidia, la Universidad de Toronto y la Universidad de Sidney. Esa cifra supera en 6,1 puntos porcentuales al anterior mejor modelo abierto, Cosmos3-Nano-Policy, de Nvidia, que usa 16.000 millones de parámetros, más del doble. Antes de este lanzamiento, el modelo cerrado OASIS WAM lideraba con un 39%. Según Black Forest Labs, también funciona hasta 3,95 veces más rápido que el modelo abierto anterior.

Por qué el tamaño importa

Un modelo más pequeño que rinde mejor tiene consecuencias prácticas: según VentureBeat, FLUX 3 Action funciona en hardware de consumo, no en centros de datos, lo que facilita su despliegue real en robots. Black Forest Labs sostiene que los grandes modelos de razonamiento planifican bien pero suelen ser demasiado lentos y voluminosos para robots, y que esta eficiencia es clave para su uso directo en el dispositivo.

La licencia: no del todo abierta

Aquí hay un matiz que conviene aclarar. Los pesos están disponibles en Hugging Face bajo una licencia nueva, la FLUX Kommunity License, que según MarkTechPost permite el uso no comercial. La empresa describe también una opción comercial, pero, según DataNorth, no ha publicado qué cuesta o qué requisitos exige. Es decir, cualquiera puede descargar y estudiar el modelo, pero usarlo en un producto comercial no es tan sencillo como sugiere la etiqueta de pesos abiertos.

Lo que falta por confirmar

• Reproducción independiente: ningún tercero ha reproducido todavía el 42,92% con los pesos publicados, según varias coberturas. Es el primer paso para confirmar la cifra.
• Simulación, no el mundo real: RoboLab puntúa manipulación simulada, no el trabajo impredecible junto a personas, según Remio.
• Terreno del propio evaluador: el banco de pruebas procede del ecosistema de investigación de Nvidia, la misma empresa cuyo modelo se supera, lo que no invalida el resultado pero conviene tenerlo presente.
• Antecedente de reproducibilidad: un problema público sobre Cosmos 3 ya reportó dificultades para reproducir algunos resultados publicados en RoboLab, según Remio.

Qué implica en la práctica

• Para investigadores: un modelo más pequeño y potencialmente más eficiente para experimentar con robots, aunque conviene verificar el rendimiento con las propias pruebas.
• Para empresas: consultar los términos exactos antes de asumir que puede usarse gratis en un producto comercial.
• Para el sector: confirma una tendencia de aplicar modelos de generación de vídeo al control robótico, tres lanzamientos similares en dos meses, según DataNorth.

Nuestra lectura

El resultado es prometedor, pero está en la fase en que solo lo respalda quien lo publicó. La combinación de un modelo más pequeño con mejor rendimiento merece atención, y a la vez merece esperar a la reproducción independiente y a pruebas en robots reales, no solo en simulación. Y conviene no confundir pesos abiertos con licencia libre para cualquier uso: aquí el uso comercial tiene condiciones aún sin aclarar.

Fuentes: VentureBeat, MarkTechPost, DataNorth y Remio.

Fastino Labs ha publicado GLiNER2.5-Decide, un modelo de pesos abiertos de 340 millones de parámetros pensado para tomar decisiones estructuradas dentro de sistemas de agentes, y capaz de funcionar en una CPU normal, sin necesidad de una GPU. No es un modelo conversacional: no razona ni responde preguntas abiertas, sino que clasifica y decide según un esquema fijo. Es un tipo de herramienta menos vistosa que un gran modelo de lenguaje, pero útil para las decisiones pequeñas y repetidas que un sistema de agentes necesita constantemente.

Qué hace exactamente

Según el propio anuncio de Fastino, el modelo recibe un texto y un esquema de preguntas tipadas definidas por quien lo usa, y devuelve respuestas estructuradas con una distribución de probabilidad, una puntuación de confianza y metadatos sobre si las restricciones planteadas son viables. Puede resolver varias preguntas de decisión en una sola llamada, extraer fragmentos y relaciones de texto, y aplicar reglas coherentes entre las distintas respuestas. Está pensado para tareas como el enrutamiento de mensajes, el triaje, la selección de herramientas o la aplicación de barreras de seguridad dentro de un pipeline de agentes.

Rendimiento: cifras propias, con matices

Fastino afirma que el modelo obtiene una precisión media del 60,1% (la ficha en Hugging Face indica 60,2%) en su propia prueba interna, llamada Fast Decisions, con 5.100 ejemplos en 17 conjuntos de datos, por delante de otros modelos de decisión como JevK5, con 57,5%. Una cobertura de DataNorth subraya un matiz importante: es una prueba interna, no un estándar independiente como JevBench, y la propia empresa eligió tanto las pruebas como los rivales con los que se compara. Conviene leer la cifra con esa cautela.

Velocidad y despliegue

Según DataNorth, responde en unos 167 milisegundos en una CPU de 48 núcleos, sin tarjeta gráfica. La licencia es Apache 2.0, lo que permite usarlo sin pedir permiso, y admite ajuste fino completo o mediante LoRA. Fastino también ha publicado variantes: una versión de 1.000 millones de parámetros con un rendimiento algo menor, y una versión multilingüe de 287 millones para texto que no esté en inglés. Al ser de pesos abiertos, puede ejecutarse también en entornos sin conexión a internet, lo que interesa a organizaciones con requisitos estrictos de seguridad de datos.

Sus límites, declarados por la propia empresa

• No explica sus decisiones: es útil cuando basta con una decisión consistente, no cuando hace falta que el sistema razone o justifique su respuesta.
• No sustituye a un modelo grande para tareas abiertas de conversación o generación de texto.
• La confianza no es infalibilidad: un análisis de RealityHacker advierte de que apoyarse en clasificadores probabilísticos para decisiones de seguridad puede plantear problemas de rendición de cuentas, sobre todo si se trata la puntuación de confianza como algo definitivo.

Qué implica en la práctica

• Para equipos con presupuesto ajustado: permite añadir enrutamiento, triaje y comprobaciones de seguridad sin depender de GPU cara ni de llamadas constantes a un modelo grande.
• Antes de usarlo en producción: conviene construir un conjunto de prueba propio con tráfico real y medir la precisión por categoría y los fallos costosos, en lugar de fiarse solo del benchmark del fabricante.
• Para decisiones con consecuencias reales: mantener supervisión humana donde el error tenga un coste alto.

Nuestra lectura

El lanzamiento encaja en una tendencia clara: mientras los grandes laboratorios compiten por la capacidad máxima, aparece una capa de modelos pequeños que compiten por lo que ya no hace falta pagar a esos laboratorios para tareas simples y repetitivas. Es sensato para el enrutamiento y el triaje, siempre que se acepte su limitación declarada: decide, pero no explica. La cifra de rendimiento merece contrastarse con pruebas propias antes de confiar en ella para decisiones sensibles.

Fuentes: anuncio de Fastino, DataNorth, SyncAI.news y RealityHacker.

Google Photos ha ampliado a todos los usuarios de Estados Unidos, Brasil e India, tanto en Android como en iOS, su función de armario virtual, que usa IA para convertir las fotos de tus prendas en un catálogo digital de ropa. La función se anunció en abril y empezó a llegar a Android en junio; ahora, desde el 24 de septiembre, también está en iPhone. Se ha comparado con el armario virtual que Cher usaba en la película Clueless, de 1995, aunque aquí conviene distinguir qué hace de verdad la herramienta y qué requiere suscripción.

Cómo funciona

Según TechCrunch y el blog de Google, la IA analiza la biblioteca de fotos existente, identifica las prendas que aparecen en ellas y las organiza en una sección llamada Armario dentro de la pestaña de Colecciones. Se pueden filtrar las prendas por categorías, como partes de arriba, partes de abajo o joyería, para recordar qué ropa tienes, planear combinaciones o redescubrir algo que llevabas tiempo sin usar. No hace falta sacar fotos nuevas ni etiquetar nada a mano.

Qué parte requiere suscripción

Aquí hay un matiz importante que varias coberturas pasan por alto. Según una fuente árabe que cubrió el anuncio, en Estados Unidos el acceso a esta función requiere una suscripción a Google AI Pro o Ultra. El armario en sí no es, por tanto, una función gratuita sin condiciones en ese mercado. La función de probarse ropa virtualmente, que permite ver cómo queda una combinación antes de vestirse, se apoya en la tecnología de prueba virtual que Google ya ofrecía en su Shopping Graph, Circle to Search y la desaparecida app Doppl, según texfash.com.

Privacidad de los datos

Google afirma que los datos sobre cómo te vistes o qué ropa tienes no se comparten con terceros, como tiendas, según TechCrunch. Es una declaración de la propia empresa. Conviene tratarla como tal y revisar la configuración de privacidad de Google Photos si el asunto preocupa, sobre todo porque la función analiza automáticamente el contenido visual de la biblioteca completa.

Origen y otras novedades

Según texfash.com, la función se presentó en colaboración con Motorola, ligada al lanzamiento de la familia Motorola razr, con el despliegue en Android empezando en junio de 2026. Junto a la expansión a iOS, Google Photos ha añadido también una forma de seleccionar, aclarar y compartir fotos con una sola instrucción en Gemini Spark (también de pago en Estados Unidos), una herramienta de marcado mejorada con un lápiz para difuminar información sensible, como matrículas, y más plantillas para Remix. Es la misma línea de trabajo que vimos con la función para tachar información sensible en Google Photos.

Qué implica en la práctica

• Para el usuario: útil para planificar viajes o evitar compras duplicadas, sin coste de trabajo manual, aunque en EE.UU. una parte de la experiencia exige suscripción.
• Para la privacidad: conviene saber que la IA analiza toda la biblioteca de fotos para identificar ropa, no solo las que el usuario marque.
• Para el sector: otra muestra de cómo la IA reutiliza fotos ya existentes para crear funciones nuevas, algo que ya vimos con otras herramientas de Google que aprovechan datos disponibles.

Nuestra lectura

Es una función cómoda y de bajo riesgo aparente, pero conviene no perder de vista que forma parte de una estrategia más amplia de Google para que Gemini esté detrás de cada vez más tareas cotidianas, algunas de pago. La afirmación de que los datos no se comparten con terceros es tranquilizadora, pero como en cualquier función que analiza automáticamente fotos personales, la política de privacidad concreta merece una lectura antes de activarla.

Fuentes: TechCrunch, blog de Google, MacRumors y Ent Arabi.

Al final de su discurso en Meta Connect, el 23 de septiembre, Mark Zuckerberg sacó una sorpresa: el Muse Charm, un pequeño colgante que contiene a Muse, el agente de IA personal de la compañía. Varios medios lo han comparado con un Tamagotchi, y algunos lo enmarcan como un adorno para mochilas dirigido a un público joven. Pero lo confirmado cabe en pocas líneas: es un dispositivo para hablar con Muse, todavía sin precio, sin fecha exacta y sin especificaciones técnicas. Es más una señal de hacia dónde va Meta que un producto que se pueda evaluar.

Qué se mostró

Según Engadget, el Muse Charm tiene una pantalla en la que aparece un avatar animado e intercambiable que representa a Muse, y un sensor de huellas en una esquina: basta tocarlo para empezar a hablar con la IA. Zuckerberg dijo que la compañía ha metido toda la experiencia de Muse, incluida la pila de voz en tiempo real y de avatar, en algo que cabe en un llavero y está siempre disponible para conversar. Según CNBC, pretende ofrecer una forma cómoda de usar Muse a quien no lleve gafas de IA.

Lo que todavía no se sabe

• Fecha y precio: Meta apunta a diciembre, para las fiestas, pero no ha anunciado una fecha concreta, ni abierto reservas, ni dado un precio, según varias coberturas.
• Estado del hardware: según Engadget, la compañía todavía tiene que cerrar los componentes y el diseño y solo ha fabricado unas pocas unidades.
• Privacidad: un dispositivo con el que se habla necesita un micrófono, y según un análisis de Truescho, Meta no ha publicado cómo escucha, procesa o almacena el audio.
• Especificaciones: no se conocen ni la batería, ni la conectividad, ni si funciona sin el móvil.

La lectura estratégica

Analistas de Mizuho, citados por CNBC, subrayan que Connect vinculó Muse como aplicación estrella con la estrategia de hardware, de las gafas al Charm, un dispositivo con forma de llavero para acceder rápido a Muse. CNBC lo describe como el último intento de Zuckerberg de dejar de depender de Apple para la distribución, y recuerda que Meta prevé que a finales de 2026 habrá más de 100 estilos de gafas de IA. Es una jugada coherente con lo que vimos en las novedades de Meta Connect.

Las dudas del mercado

CNBC apunta que el colgante representa una categoría de dispositivo completamente nueva, pero que muchos expertos no ven claro cuál es la demanda, dada la ubicuidad y capacidad de los teléfonos. Anthony Ferry, consejero delegado de la empresa Wayvia, se preguntó para qué llevar otro dispositivo. La misma cobertura compara su aspecto con una mezcla entre un llavero Tamagotchi infantil y un pulsador médico portátil. Que se venda como accesorio de moda es una interpretación de algunos medios, no un posicionamiento anunciado por Meta.

Qué implica en la práctica

• Para los usuarios: conviene esperar a ver el precio y, sobre todo, la política de privacidad de un dispositivo que escucha, en la línea de las dudas que ya planteaba el caso de los mensajes privados en Muse.
• Para el sector: es un experimento de hardware para IA de consumo, como el de los botones de voz con IA, cuyo éxito depende de si convence a los usuarios de llevar un objeto más.
• Para Meta: Muse necesita más puntos de contacto para justificar su tirada inicial, que vimos en el debut viral de Muse.

Nuestra lectura

Es prematuro juzgar un producto del que solo se ha visto una demostración breve, con unas pocas unidades. Lo que sí dice es que Meta quiere que su agente de IA viva en objetos cotidianos y no solo en una aplicación, y que apuesta a que un diseño simpático rebaje la barrera de entrada. Esa misma estética plantea preguntas que ya se han hecho sobre el diseño afectivo de estos productos, como vimos en la trampa adorable de la IA de Meta. Hasta que haya precio, especificaciones y una política de datos, lo prudente es tratarlo como un anuncio de intenciones.

Fuentes: Engadget, CNBC, CNBC, la presentación y Truescho.

Oracle ha enviado un aviso de fuerza mayor al promotor de Project Jupiter, el campus de centros de datos de Stargate en Nuevo México, según publicó Bloomberg el 24 de septiembre y confirmó CNBC. El aviso le permitiría retrasar pagos si el centro no entra en servicio en 2028 como estaba previsto. La compañía insiste en que no espera retrasos y en que no quiere abandonar el proyecto, pero el movimiento hizo caer sus acciones y las de Blue Owl, la firma propietaria del promotor. Conviene ver qué significa, qué dicen las partes y qué obstáculos existen.

Qué es un aviso de fuerza mayor

Según TechCrunch, las cláusulas de fuerza mayor, habituales en contratos de energía y materias primas, excusan a una parte de sus obligaciones cuando hechos fuera de su control se interponen. Bloomberg indica que Oracle no busca salir como inquilino principal del campus, sino conservar el derecho a retrasar pagos si el proyecto no abre a tiempo. El aviso se envió a Stack Infrastructure, una unidad de Blue Owl Capital que desarrolla el campus, según Gear Live.

Qué dicen las partes

• Oracle: afirma que Project Jupiter sigue según lo previsto, que está plenamente comprometida con Nuevo México y que está replanteando su plan de suministro eléctrico. Sostiene que los avisos de fuerza mayor son habituales en proyectos de esta escala y sirven para preservar derechos contractuales entre socios.
• Blue Owl: declaró a CNBC que el aviso no cambia los compromisos financieros del proyecto.
• Mercado: las acciones de Oracle cayeron entre un 3% y un 5% y las de Blue Owl también bajaron.

El proyecto y sus problemas

Project Jupiter está en el condado de Doña Ana, cerca de la frontera con México, y según las coberturas es un campus de unas 1.400 hectáreas pensado para unos 2,45 gigavatios, con OpenAI como cliente. Según The Next Web, podría costar hasta 165.000 millones de dólares y funcionar con celdas de combustible de Bloom Energy que usan gas natural. Forma parte de Stargate, la iniciativa que anunciaron Oracle, OpenAI y SoftBank. Los obstáculos, según CNBC y otras fuentes, incluyen:

• La oposición local, por el agua y los costes de suministro, de vecinos y grupos ecologistas.
• Un permiso estatal de calidad del aire para el sistema de celdas de combustible, todavía pendiente.
• Retrasos en el gasoducto previsto para alimentar la instalación.
• La presión política: la representante Teresa Leger Fernández ha pedido una pausa en el desarrollo de centros de datos en el estado.

El riesgo financiero

Los promotores de Stargate, incluido SoftBank, están captando cantidades récord de deuda para financiar los planes de computación de OpenAI, según The Next Web, de modo que un retraso en un campus emblemático repercute en el conjunto. Una voz citada por la prensa local menciona que unos 18.000 millones de dólares en préstamos del proyecto se cotizarían por debajo de su valor nominal, un dato que conviene tratar como una opinión y no como una cifra oficial. Un análisis más amplio cita que Data Center Watch y Bloomberg contabilizaron cerca de 200.000 millones de dólares en proyectos bloqueados o retrasados solo en la primera mitad de 2026.

Qué implica en la práctica

Para los prestamistas, un aviso de este tipo es una señal de que el riesgo de calendario existe, aunque el inquilino diga que está en plazo. Para las comunidades, refuerza el poder de negociación de quienes cuestionan el consumo de agua y energía. Y para la industria, muestra que el ritmo de los anuncios de infraestructura se topa con las fricciones de cualquier obra grande, un contraste con el optimismo que rodea las rondas de financiación de proveedores como Crusoe y con las respuestas regulatorias como las leyes californianas sobre costes de red.

Nuestra lectura

Conviene no exagerar en ninguno de los dos sentidos. Un aviso de fuerza mayor es una herramienta contractual habitual y no equivale a una cancelación, pero que Oracle la use en su proyecto más emblemático indica que percibe un riesgo real de retraso, sobre todo por el permiso ambiental y el suministro de gas. Habrá que seguir la resolución del permiso, las declaraciones de los prestamistas y la evolución de la oposición local. Como ya vimos, el coste de la IA no está solo en los modelos: también en la obra que los alimenta.

Fuentes: TechCrunch, CNBC, The Next Web y Gear Live.