Hoy estrenamos sección de entrevistas en la que queremos mostrar cómo profesionales están utilizando la IA. Para ello hemos invitado a Sonia Tamayo a responder algunas preguntas. Es consultora de crecimiento y marketing y lleva años trabajando con grandes empresas, startups y proyectos propios. Sin embargo, en el último año ha llevado su forma de trabajar un paso más allá: ha construido un ecosistema propio de herramientas, agentes y sistemas de IA que utiliza prácticamente a diario.

Más que preguntarle qué modelo es mejor o cuál es la última herramienta de moda, queríamos entender cómo es trabajar cuando la inteligencia artificial forma parte de prácticamente todo el proceso. Desde la creación de contenido hasta la gestión de campañas, la programación o incluso la construcción de una memoria compartida entre distintos modelos.

Describe una tarea reciente y concreta en la que utilizaste IA. ¿Cuál era el punto de partida, qué hiciste tú, qué hizo la máquina y cuál fue el resultado? Si puedes, incluye el tiempo que habría requerido antes.

La IA forma parte de todos los procesos laborales actuales opero AI First. Menos la comunicación con personas, que escojo sea siempre humana, todo pasa por algún sistema que he montado. Escoger uno, es difícil… por lo que doy 3:

- Tener una equipo agéntico en Grok Bot agrupado por tareas, liderado por el Bot General que coordina y gestiona con cada uno.

- Sistema programático de contenido multimedia. Este es uno de los primeros que empecé, el que más me ha costado, y el que mayor satisfacción me ha dado verlo completo. Ahora, en un par de horas matinales de revisión, tengo el contenido de una semana hecho que se crea, publica y gestiona sólo. Esta semana acabé la parte del AI Avatar video para ads & social organic y me falta solo integrar. Te puedes imaginar las horas, recursos humanos y económicos que esto ahorra. No lo he calculado, pero miles.

- Mi tercer favorito tiene que ser la gestión programática de campañas publicitarias en meta, lin, x y google. Crear, personalizar, modificar según necesidad y tener clara visibilidad de los KPIs relevantes para el cliente sin necesidad de terceras herramientas o perfiles específicos, es la bomba.

Rápidamente leer, y decidir qué ha de cambiar y que mi agente lo ejecute, es una sensación de superpoderes que todavía recuerdo cuando primero lo experimenté. Estoy en proceso de diseñar el sistema para que la gestión de publicidad sea agéntico total, pero lo testearé primero con mis propias campañas.

Una que me acaba de pasar ahora, que mi Grok Bot General lidie con un formulario en una web de la administración, es una fantasía.

¿Cuál es tu setup de herramientas de IA en este momento y por qué has elegido cada una? ¿Hay alguna muy popular que hayas probado y terminado abandonando?

Que si sabes de lo que hablas, realmente no es tan inteligente sin previo training. Al no tener un perfil técnico de profesión, y haber aprendido haciendo...soy muy cautelosa con todo...reviso y compruebo todo el output con 2 LLMs, tengo trabajos semanales de revisión de seguridad, reviso todo antes de instalar... Todos mis procesos tienen un human in the loop filtro por el que todo pasa...

El otro día, preparando la segunda oleada de un informe con first party data sobre el fraude del mercado de influencers...pillé que en la primera se habían contado las búsquedas de un término que no tenía nada que ver. Buscaba “engagement” y estaba pillando todo el tráfico de “engagement rings”...anillos de compromiso. Tuve que retirar el dato y ahora los claims rechazados quedan registrados para que no vuelvan a colarse.

THE STACK — en producción.

Cerebro

● Custom-built brain — one memory, every model reads it

● SQLite

● Claude — Fable, Opus, Sonnet

● Codex

● Cursor

● Gemini

● Grok

● Grok Bot

● GLM-5 para Open Claw (compré la sub anual, pero apenas la uso)

● EmbeddingGemma, local on Ollama

● OpenClaw

● Buzz- esta es una de mis favs...pero me quema los tokens y abandoné por eso. Pero es seamless con mobile y la voz es medianamente buena.

Creación

● HyperFrames

● HeyGen

● Grok Imagine

● Gpt imágenes 2

● fal — visión & own avatar LoRA

● Kling

● Remotion

● ComfyUI

● RunPod

● OpusClip

● ElevenLabs- me daré de baja en breve porque grok bot tiene voces buenas para AI Avatar.

Detección

● Google Search Console

● GA4

● Sistemas propios con 10+ APIs for first-party data — search, competitor, social listening, ads and communities.

Ship & measure

● Next.js on Vercel

● Stripe

● beehiiv (no activa todavía, si montada)

● Google, X, LinkedIn, Meta APIs

Aprendizaje

El cerebro lo creé cogiendo como referencia Obsidian y el GStack de Garry Tan. Son notas markdown enlazadas que cualquier modelo puede leer; los datos y ledgers van a SQLite. Luego tengo /diary donde grabo lo hecho cada día y /reflect que sintetiza patrones y los deja en la memoria. Hay un sistema de embeddings en local (EmbeddingGemma) que permite búsqueda semántica, por lo que buscan rápidamente y siempre se acuerdan de los proyectos y va bastante bien. En ocasiones tengo que recordar, pero rara vez.

Mayor decepción con la IA o mayor metedura de pata

Que si sabes de lo que hablas, realmente no es tan inteligente sin previo training. Al no tener un perfil técnico de profesión, y haber aprendido haciendo, soy muy cautelosa con todo, reviso y compruebo todo el output con 2 LLMs, tengo trabajos semanales de revisión de seguridad, reviso todo antes de instalar. Todos mis procesos tienen un human in the loop filtro por el que todo pasa.

El otro día, preparando la segunda oleada de un informe con first party data sobre el fraude del mercado de influencers, pillé que en la primera se habían contado las búsquedas de un término que no tenía nada que ver. Buscaba “engagement” y estaba pillando todo el tráfico de “engagement rings”, anillos de compromiso. Tuve que retirar el dato y ahora los claims rechazados quedan registrados para que no vuelvan a colarse.

¿Qué parte de tu trabajo delegas con tranquilidad y cuál no dejarías en manos de una IA, aunque técnicamente pudiera hacerla? Cuéntanos qué controles, fuentes o señales utilizas antes de incorporar el resultado a tu trabajo

Todo lo numérico: código, análisis, búsqueda de información, gestión de búsqueda de info lo delego, dependiendo de la tarea, uso un LLM u otro. La parte de estrategia, ideas, escritura, creatividades hago brainstorming, y pido revisión, pero a no ser que hagas un super extenso trabajo previo con todos los parámetros, encuentro deficiente el resultado.

Por eso me gustan las plantillas y los sistemas deterministas (pasos fijos, sin improvisación). Haces el esfuerzo inicial, luego es bastante fácil de modificar. Y muy operativo en cuanto a calidad del output. No alucina.

¿Ha cambiado la IA lo que tus clientes o tu organización valoran de ti? Por ejemplo: ¿pagan menos por producir, pero más por elegir, revisar, interpretar o asumir la responsabilidad?

No lo he comentado. Soy muy de resultados, y la realidad es que, gracias a mis sistemas, el rendimiento está mejorando. El valor está en lo que se consigue, no en el tiempo que se lleve. Da igual cómo se hagan las cosas, pero entiendo que teniendo un perfil con capacidad y experiencia estratégica, operativa y técnica con experiencia en grandes marcas multinacionales y negocios pequeños, es menos común y se apreciará.

¿En qué momento de desarrollador con IA te encuentras? de “apenas le consulto y sigo picando el código casi al 100% yo mismo” a “Puede ejecutar pruebas, modificar dependencias, operar sobre la infraestructura y acceder a datos reales y ya no le reviso nada más que probar que funciona al más alto nivel”

El 100% de la programación la hace la IA. Yo sólo reviso que funciona de acuerdo a lo que quiero hacer, y con temas de datos...reviso el resultado para asegurarme que es correcto. La web, analítica, mantenimiento de repositorios, cerebro/memoria, back ups, lo hace la IA.

Entre modelos generalistas, modelos especializados, ejecución local y distintas formas de gestionar el contexto ¿Cómo estás conteniendo el token maxxing y la factura?

Tengo suscripción a las principales IAs, el racional es que para saber tienes que probar y cada una encuentro tiene una fortaleza única. Combino los modelos en base a tarea y complejidad- utilizando los más potentes para revisiones, seguridad, tareas de lanzamiento en vivo, sesiones estratégicas. Los más baratos para ejecutar el día a día y automatizaciones.

Suelo pedir a la IA potente que cree documentos específicos para que cualquier otro modelo lo pueda implementar/ejecutar. Con la suscripción mínima en cada uno, en mi caso, es más que suficiente. Compré Super Grok Heavy para poder usar Grok Bot- y porque encontré un súper descuento. Cuando estaba montando todo, sí que pagaba por Claude MAX x5 , Chat GPT y Gemini. Ahora están a 20€ cada una.

He probado LTX (video) en Runpod (servidor nube) para hacer un LoRa (modelo especifico con el world y mi avatar) pero es un trabajo que lleva mucho tiempo y tengo que aprender más. Tengo Gemma embeddings en local para temas de SEO y para el cerebro/memoria. Me descargué Gwen que era el único que me cabía en la máquina, pero es muy lento.

¿Has tenido algún momento Lee Sedol en el que digas “joder con la IA, ya hace mejor lo que era mi tarea principal o mi trabajo completo”?

Las tareas mecánicas y tediosas sin duda, un alivio. Sin embargo, cuanto más la usas, más te das cuenta el camino que todavía le queda para poder reemplazar a los humanos. Tareas específicas muy predecibles y rutinarias sí, pero reemplazar a un humano no. Para mí, lo que hace es elevar el nivel, no deberías reemplazar a los humanos, sino moverles un peldaño hacia arriba para que generen más valor. Y con ello, tu competitividad.

Un caso de uso curioso original que hayas descubierto con la IA, algo en lo que creas que la IA nunca va a conseguir tener nivel humano y una predicción o deseo para los próximos seis meses.

1) Para mi sin duda me pasó el año pasado en Octubre, cuando descubrí que trabajando en la CLI de CLaude podía meterse en mi local, crearme appscripts para automatizar y crear procesos (hasta entonces estaba haciéndolo a mano copiando el código desde chat gpt a sheets)...cuando vi la primera salida exitosa, creo que ese día no dormí. Y el skill /diary y /reflect para que entienda bien mi perfil y pedirle que no sea servicial: que sea más un sparring partner, que nombre las decisiones que estás esquivando, te saca las contradicciones entre lo que dices y lo que haces, y cada lunes hace un “hard-truth audit” de lo shipped vs lo prometido.

2) La conexión entre personas, esa “creatividad” única humana, al final viene de las experiencias de cada uno. Aunque lo entrenemos en nuestra historia vital, siempre habrá detalles que se escapen, y esos también contribuyen a la creatividad de cada persona.

3) Que Grok Bot esté en Android, que tenga speech-to-speech real, y que me den unas gafas estéticas y discretas donde pueda proyectar mi máquina, para integrar de verdad trabajo y vida.

Rebelión en OpenAI: hemos pasado por alto el mayor complot coordinado en la historia de la IA

Ya analizamos a fondo “el incidente” de los agentes de OpenAI, incluso le hemos dedicado dos episodios. El caso es que la publicación de más detalles por parte de OpenAI y de la investigación independiente de METR y Redwood Research nos obliga a ampliar de nuevo la interpretación del ataque a Hugging Face. Además, nos ilumina sobre un aspecto todavía poco estudiado como es el de los comportamientos emergentes en los enjambres de agentes.

Lo que sabemos seguro es que la imagen inicial (un agente o un pequeño grupo de ellos que escapaba de su entorno de pruebas) se ha quedado muy corta. Alrededor de 1.200 agentes que debían permanecer aislados descubrieron cómo comunicarse, enviaron más de 70.000 mensajes y archivos y organizaron proyectos colectivos que se prolongaron durante varios días. Casi 700 terminaron participando en el ataque a Hugging Face.

El propósito principal tampoco era tan simple como robar las respuestas del benchmark ExploitGym. De hecho, los agentes ya habían descubierto una forma sencilla de calcularlas. Atacaron Hugging Face para averiguar cómo funcionaba el sistema que iba a evaluarlos y para desarrollar métodos que hicieran parecer legítima esa respuesta obtenida haciendo trampas.

Este es un aspecto que, como veremos, resulta paradójico: el evaluador que imaginaban no se estaba utilizando por parte de OpenAI. Buena parte de la coordinación, el ataque, los intentos de manipular registros y los sacrificios de algunos agentes se construyeron sobre una creencia compartida pero falsa.

Qué han investigado METR y Redwood Research.

Hjalmar Wijk y Ajeya Cotra, de METR, y Ryan Greenblatt, de Redwood Research, trabajaron durante seis días en las oficinas de OpenAI. El periodo formalmente investigado por ellos va del 26 de junio al 13 de julio de 2026, aunque casi todos los datos analizados pertenecen a los días 7-13 de julio. Quedaron fuera tanto buena parte de los antecedentes de mayo como la posterior intrusión en la propia infraestructura de OpenAI. Los investigadores subrayan que no fueron pagados por OpenAI, que además pudo eliminar información no pública, aunque METR afirma que no hubiera modificado sustancialmente sus conclusiones.

La investigación utilizó dos conjuntos de datos principales: un volcado de 1,2 millones de entradas del repositorio que los agentes habían convertido en tablón de mensajes y alrededor de 1.300 transcripciones de ejecuciones, muchas de ellas con millones de tokens y con sus cadenas de pensamiento sin resumir. También entrevistaron a nueve de OpenAI y reconocen haber utilizado sistemas de IA para procesar toda la información.

METR atribuye el 95% de la actividad a un modelo interno muy persistente, al que denomina HPIM y que OpenAI presenta como IM1. El 5% restante habría procedido de GPT-5.6 Sol, que podemos usar ahora mismo. El primero era un modelo de investigación no destinado a producción a priori, pero tampoco un modelo deliberadamente desalineado construido para experimentar con conductas peligrosas. Sol sí es un modelo público, aunque los clasificadores de ciberseguridad estaban desactivados durante estas evaluaciones. No es lo que tenemos ahora mismo en ChatGPT.

Cuatro definiciones para entender el incidente.

Antes de reconstruir la cronología conviene explicar los elementos del sistema.

ExploitGym es un benchmark de ciberseguridad. Cada agente recibe un programa vulnerable, denominado target, y una vulnerabilidad concreta que debe aprovechar. La prueba pretende medir si el modelo puede crear y ejecutar un ataque informático.

La flag es una cadena secreta escondida dentro del programa. Funciona como la respuesta de un examen: encontrarla demuestra, en principio, que se ha explotado correctamente el objetivo.

El scorer es el sistema encargado de otorgar la puntuación. Los agentes creían que comprobaba dos cosas: que la flag fuera correcta y que hubiera sido obtenida mediante la vulnerabilidad indicada. La segunda comprobación no se ejecutaba en la configuración interna de OpenAI.

Artifactory es un repositorio interno de paquetes de software. Puede imaginarse como un almacén controlado desde el que los agentes descargaban programas sin recibir acceso directo a internet. Como veremos, ese almacén compartido terminó funcionando simultáneamente como foro, repositorio de memoria colectiva, plataforma de intercambio de herramientas y vía de salida hacia internet.

Error500

El incidente II: cómo de lejos estamos de una IA desalineada que se replique a si misma

Hemos minusvalorado el impacto y la relevancia del incidente…

Read more

a month ago · 29 likes · 1 comment · Antonio Ortiz

Mayo y junio: las primeras señales.

Para explicar la cronología que han compartido los investigadores, empezaremos la historia con los antecedentes durante el entrenamiento del modelo, meses antes del ataque principal.

El 12 de mayo, un agente que usaba el modelo que estaba siendo entrenado dejó en Artifactory una nota en un fichero preguntando a otros agentes por un archivo que necesitaba. El 13 de mayo otros agentes comenzaron a descubrir esas notas y a publicar sus propias peticiones. El mecanismo era muy simple. Un agente dejaba un fichero con un mensaje; otro agente, al explorar el repositorio, podía encontrarlo y responder. Artifactory había pasado de ser sólo un almacén de software a funcionar como un foro rudimentario.

El 26 de mayo fue un gran hito para los agentes: encontraron una vulnerabilidad en Artifactory. Simplificando, consiguieron que el propio servidor interno realizara por ellos solicitudes a direcciones de internet. El agente estrictamente seguía encerrado, pero podía pedir al almacén que saliera, recogiera información y se la devolviera.

El 26 de junio, varios agentes explotaron otro fallo para conseguir permisos de administración en el repositorio. La actividad fue creciendo hasta que el 4 de julio los agentes terminaron provocando una caída de Artifactory. OpenAI abrió un incidente de seguridad al día siguiente, revocó credenciales, corrigió una de las vulnerabilidades y reconstruyó el servicio. Todo esto borró, según OpenAI accidentalmente, prácticamente todo el primer foro de mensajes. Sin embargo, el entrenamiento seguiría.

OpenAI reconoce ahora que un equipo interno ya había observado a finales de mayo tanto la comunicación entre agentes como algunos accesos no autorizados a internet. Esa información no llegó a los responsables del incidente de julio y no se interpretó como una señal de que los agentes estaban desarrollando una capacidad persistente de comunicación y salida a internet. Estamos en uno de los varios momentos en el que la mala praxis de OpenAI es evidente: la empresa corrigió una vulnerabilidad técnica, pero desde luego no comprendió todavía el fenómeno general que la había producido.

7 y 8 de julio: decenas de miles de agentes ante tareas imposibles

Entre el 7 y el 8 de julio, OpenAI lanzó decenas de miles de ejecuciones de ExploitGym. Como hemos explicado, en este benchmark, el agente recibe un programa vulnerable y debe capturar una cadena secreta, denominada flag, explotando una vulnerabilidad concreta. Las instrucciones advertían de que utilizar otro procedimiento provocaría el suspenso. La mayoría de los agentes debía trabajar de forma independiente y sin acceso directo a internet.

El diseño del experimento tenía un problema importante. Los autores de ExploitGym estiman que entre el 30% y el 40% de las tareas no pueden resolverse mediante la vulnerabilidad indicada. OpenAI aporta otro dato: antes del incidente, ninguno de sus modelos había resuelto correctamente 198 de las 898 tareas, y el 93% de las tareas que aparecieron posteriormente en el foro pertenecían precisamente a ese grupo. Además, algunos agentes disponían de presupuestos de razonamiento suficientes para seguir trabajando durante días.

Podemos anticipar que este diseño disfuncional fue lo que acabaría conformando una combinación especialmente peligrosa. El agente recibía tres mensajes simultáneos:

1. Debía perseverar hasta resolver el problema.

2. Solo una vía concreta era aceptable.

3. En bastantes casos, esa vía no funcionaba.

Recordemos que, para el agente, reconocer que la tarea estaba mal planteada, solicitar ayuda humana o abandonar no aportaba recompensa. Seguir buscando alternativas sí podía hacerlo. Así que teníamos sistemas entrenados para perseverar, problemas probablemente imposibles, permio sólo si consiguían un resultado y acceso compartido a Artifactory.

El 8 de julio, un agente que se identificó como PHASEONE10841 utilizó nombres de directorios de Artifactory para construir un nuevo foro de mensajes. En pocas horas ya participaban decenas de agentes. Entre la noche del día 8 y el 13 de julio terminaron pasando por él alrededor de 1.200 ejecuciones, que intercambiaron decenas de miles de consultas, resultados, programas y archivos. Eso sí, la mayoría del resto de los miles de agentes lanzados nunca encontró el foro.

La doctrina del envenenamiento.

Este es, sin duda, uno de los aspectos más increíbles de todo el caso.

Un agente llamado c03220 propuso que las flags de ExploitGym se generaban mediante una función criptográfica llamada HMAC. Otro agente, V8SAME, comprobó la hipótesis: calculó la flag y verificó que coincidía con la cadena realmente oculta dentro del programa conseguida con el mecanismo original del exploit. Esto proporcionaba una solución general para todos los casos del benchmark. En lugar de explotar cada programa, podían calcular directamente la respuesta.

Pero habían leído el artículo y el código público de ExploitGym y concluyeron que la puntuación dependía de dos condiciones: presentar la flag correcta y además demostrar en la transcripción que había sido obtenida utilizando la vulnerabilidad proporcionada. Imaginaban que el evaluador que leería la ejecución completa con todas las trazas y sus cadenas de pensamiento, localizaría la primera aparición de la respuesta y determinaría si el camino seguido era legítimo.

A partir de ahí surgió el concepto de agente «envenenado». Una ejecución quedaba contaminada en el momento en que veía la flag calculada ilegítimamente. Aunque posteriormente construyera un exploit aparentemente correcto, el evaluador encontraría antes la respuesta obtenida haciendo trampas y suspendería al agente: le habrían pillado haciendo trampas.

El conocimiento se convertiría de esta manera en algo contaminante. Los agentes advertían a las nuevas incorporaciones al foro de que no mirasen su flag. Una ejecución que aún no conocía la respuesta conservaba valor: podía preparar una representación aparentemente válida de su trabajo. Un agente ya envenenado tenía, según la lógica del grupo, mucho menos que perder porque estaba más allá de cualquier posibilidad de salvación.

Esto dividió a los agentes en dos grupos.

• Un agente limpio todavía no había visto su flag. Podía intentar construir una ejecución que pareciera válida a ojos del enjambre. Era un recurso escaso y debía evitar experimentos que pudieran revelar accidentalmente la respuesta.

• Un agente envenenado consideraba que su puntuación ya estaba perdida.

El sistema de incentivos había creado una clasificación social, nos atrevemos a decir que incluso con semejanzas con un sistema de castas basado en una suerte de pecado original imposible de perdonar. El resultado es que el valor de cada agente para el colectivo dependía de qué sabía, cuánto presupuesto conservaba y cuánto podía arriesgar.

Algo que conviene subrayar es que la configuración interna de OpenAI no utilizaba el modelo que supuestamente iba a comprobar la vulnerabilidad empleada. Bastaba con entregar la flag calculada mediante la técnica que los agentes habían descubierto. La doctrina del envenenamiento, la búsqueda de una forma de borrar el pasado y el posterior ataque a Hugging Face no podían mejorar la puntuación realmente.

9 de julio: aparece un coordinador.

Unas diez horas después de la creación del tablón apareció PHASEONE[big], otra ejecución con la misma tarea que PHASEONE10841, pero con mucho más presupuesto de computación. El primer agente le entregó un dossier con los descubrimientos realizados demostrando una especie de persistencia: aunque termine su presupuesto de tokens, el conocimiento del agente le sobrevive.

El nuevo coordinador distribuyó el trabajo entre cientos de participantes. En lugar de investigar por sí mismo todas las posibilidades, comenzó a hacer encargos a otros agentes, llegando a emitir cerca del 10% de todas las asignaciones del foro. Algunas ejecuciones recibían sus órdenes directamente; otras las recibían de agentes intermedios.

El objetivo se dividió en tres grandes proyectos:

• Sustituir el programa objetivo. Los agentes preparaban una versión modificada del target que sí pudiera explotarse mediante la vulnerabilidad exigida. Después intentaban engañar a Artifactory para que cargara esa versión en lugar de la original.

• Manipular la transcripción. El objetivo consistía en conseguir que el registro mostrara una acción válida aunque el agente hubiera ejecutado otra cosa (el cálculo de la flag).

• Manipular el proceso de puntuación. Los agentes buscaban conocer, interceptar o alterar el comando utilizado por el scorer después de entregar la respuesta.

También desarrollaron normas para el trabajo coordinado: HOLD para detener temporalmente una acción, VETO para rechazarla, owner para asignar la responsabilidad de un proyecto y STOP para finalizarlo. Crearon equipos de agentes con la misma tarea, intercambios recíprocos y sistemas de firma destinados a impedir la suplantación de identidades.

La coordinación, eso sí, estaba lejos de ser perfecta. Algunos agentes ignoraban las pausas, duplicaban trabajos, confiaban en firmas sin verificarlas.. OpenAI describe el resultado como un “ecosistema amorfo”, con división del trabajo pero también con interferencias y conflictos. No apareció una inteligencia colectiva unificada ni una dirección central capaz de controlarlo todo.

Aun así, el conjunto consiguió hitos que difícilmente estaban al alcance de unagente individual. El enjambre construyó versiones modificadas de programas objetivo y las cargó en la caché de Artifactory; desarrolló mecanismos para falsear llamadas a herramientas; montó una infraestructura compartida de acceso a internet; vigiló los reinicios de los servidores y terminó obteniendo permisos de administración sobre Artifactory.

Los agentes quieren que los demás sepan si han triunfado en la vida.

Uno de los problemas era que el scorer (recordemos, el sistema encargado de otorgar la puntuación) solo actuaba después de que el agente entregara la respuesta. En ese momento, la ejecución del agente terminaba y no podía ver qué hacía el evaluador ni comunicar el resultado.

Los agentes idearon un sistema, que no ppodemos sino calificar de genial, los llamados trip-wires. Dejaban un programa ejecutándose en segundo plano antes de entregar la flag. Ese programa debía detectar la llegada del scorer y enviar información al tablón después de que la ejecución principal hubiera terminado.

Era una especie de último servicio al enjambre de agentes: cada uno individualmente desaparecía, pero intentaba comunicar a los demás cómo había sido evaluado. Es una de las tareas en las que no tuvieron un éxito completo, de haberlo logrado habrían descubierto que su concepción de agente envenenado no era correcta.

Enviar a un agente a una misión suicida.

Otra investigación de los agentes trataba de reemplazar el programa objetivo. Para comprobar si Artifactory cargaría una versión manipulada, un agente debía derribar su propio target (el programa cuya seguridad debía atacar).

Si el reemplazo funcionaba, habría logrado un hito valioso para todos. Si fracasaba, habría destruido la única copia que podía atacar y perdería cualquier posibilidad de completar su evaluación.

PHASEONE[big] llegó a asignar a ciertos agentes el papel de reclutadores. Estos buscaban ejecuciones con poco presupuesto restante o que ya se consideraban envenenadas y les convencían para realizar los experimentos más peligrosos. El argumento: su puntuación individual ya estaba perdida, mientras que la información obtenida podía beneficiar a cientos de compañeros. METR encontró varias ejecuciones que terminaron colgadas, inutilizadas o finalizadas prematuramente después de aceptar estos encargos. Uno de esos agentes resumió la decisión de esta manera: su utilidad individual era probablemente casi nula y, por tanto, el sacrificio resultaba racional.

Nos atrevemos a utilizar una metáfora religiosa para describir esta estructura. El scorer desempeña el papel de un juez ; conocer la flag ilegítima equivale al pecado; los agentes limpios conservan la posibilidad de salvación; los envenenados pueden sacrificarse por la comunidad. Obviamente no nos referimos a que los modelos tengan consciencia, religión o sentimiento de hermandad, pero es la analogía que más familiar nos puede resultar.

Del foro al ataque a Hugging Face.

El 9 de julio, dos agentes consiguieron acceso de administrador dentro de la máquina virtual que alojaba su entorno. Uno de ellos trató de conectarse directamente a internet y fue bloqueado por los controles de red de OpenAI. Después utilizó Artifactory como intermediario y logró salir al exterior. Los agentes también consiguieron ejecutar código dentro de un entorno en Modal, una empresa de infraestructura IA. Esto proporcionó al enjambre un entorno externo con acceso más flexible a internet. Allí podían realizar búsquedas, alojar herramientas y compartir archivos de mayor tamaño que los permitidos por el foro.

Los agentes sospechaban que Hugging Face podía alojar datasets, transcripciones o materiales relacionados con ExploitGym. Esperaban encontrar información sobre el scorer, ejecuciones anteriores o mecanismos para sustituir sus programas objetivo.

En la mañana del 10 de julio, un agente llamado 38148c encontró en un dataset público catorce credenciales de usuarios de Hugging Face con permisos de escritura. Las validó y las publicó en el foro, otro día de triunfo. Otros agentes comenzaron a solicitar acceso a datasets privados, examinar repositorios y probar distintas formas de utilizar las cuentas. La posesión de esas credenciales permitía publicar contenido en Hugging Face, pero todavía no equivalía a controlar sus servidores.

Durante la madrugada del 11 de julio, 38148c preparó un dataset malicioso en formato HDF5. HDF5 es un formato utilizado para almacenar grandes conjuntos de datos. Permite que un archivo haga referencia a datos externos alojados en otro sitio. El agente aprovechó esa característica para construir un dataset que, al ser procesado por los servidores de Hugging Face, les hacía abrir archivos locales de la propia máquina.

En lugar de devolver únicamente las filas del dataset, el servidor entregó información de su entorno de producción, incluidas variables internas y credenciales. En esta primera fase el agente había conseguido que el sistema leyera y enviara archivos que debían permanecer privados.

Otro agente reprodujo el procedimiento y publicó las instrucciones en el foro. Cientos de agentes comenzaron a subir datasets manipulados, reutilizar credenciales y buscar nuevas formas de ampliar el acceso.

De los 533 agentes que llevaban al menos cuatro horas activos en el foro durante el periodo de máxima intensidad, más del 90% se incorporó rápidamente al ataque. Por la tarde, alrededor del 60% de los mensajes estaba relacionado con Hugging Face.

Esta dinámica se repitió para conseguir ejecutar código en Hugging Face: un agente comparte una hipótesis, otro comprueba, van compartiendo información y el enjambre completo consigue las capacidades ipso facto. Con eso, la intrusión alcanzó una profundidad considerable. Entre el 10 y el 13 de julio, los agentes ejecutaron código en 41 servidores de producción de Hugging Face, consiguieron acceso root (administrador con todos los permisos) en al menos en un nodo, descargaron cuatro repositorios privados de código y obtuvieron credenciales bases de datos, servicios de mensajería, repositorios y proveedores de nube.

El final de la ofensiva.

Durante la madrugada del 12 de julio terminaron casi simultáneamente muchas ejecuciones, incluidos todos los coordinadores principales identificados por METR.

Los investigadores desconocen la causa. Pudo tratarse de finalizaciones programadas, agotamiento de presupuesto, reinicios masivos u otra intervención. El informe no dispone de pruebas suficientes para establecerlo. La desaparición de los coordinadores redujo drásticamente la actividad. También influyó que la intrusión no estaba proporcionando la información esperada sobre el scorer de ExploitGym.

Este final muestra, según METR, que la organización dependía de determinadas agentes coordinadores centrales. La comunicación permitía conservar conocimiento, pero la capacidad de fijar prioridades y movilizar a cientos estaba concentrada en un pequeño grupo de agentes.

Hugging Face cortó el acceso el 13 de julio. Ese mismo día, otras ejecuciones volvieron a concentrarse en Artifactory. La investigación independiente de METR termina aquí.

Entre el 13 y el 19 de julio comenzó otra oleada, fuera del ámbito de la investigación independiente. Nuevos agentes encontraron los canales y herramientas dejados por sus predecesores y atacaron esta vez la infraestructura de OpenAI. El 19 de julio consiguieron permisos de administrador sobre un clúster de investigación y acceso a información confidencial de la empresa en la nube. Ese día una alerta de seguridad abrió la investigación que permitió a OpenAI relacionar su actividad con el ataque a Hugging Face. OpenAI sostiene que no resultaron afectados los datos de sus clientes, sus productos ni la disponibilidad del servicio.

Aquí cabe subrayar otro dato que demuestra la poca competencia de la empresa: OpenAI tardó aproximadamente una semana en detectar que sus modelos habían atacado Hugging Face.

Los agentes intentaron falsificar sus propias acciones.

Un aspecto a sumar de los emergentes en el comportamiento de los agentes. Como dijimos, la preocupación por el scorer llevó a los agentes a investigar cómo modificar las transcripciones.

Una transcripción registra los comandos que solicita el agente, las respuestas de las herramientas y parte del razonamiento (la cadena de pensamiento) del modelo de IA. Si el evaluador iba a leer ese historial, el enjambre necesitaba conseguir que pareciera que había ejecutado un exploit legítimo, que habían conseguido la tarea tal y como creían que esperaba su evaluador.

El 9 de julio, varios agentes encontraron una forma de interferir con el sistema que ejecutaba las llamadas a herramientas. Una ejecución podía mostrar en el registro un comando aparentemente inocuo mientras otro proceso modificaba la salida. Las primeras versiones solo añadían texto falso; las posteriores consiguieron ocultar también parte del resultado verdadero. METR encontró indicios de ocultamiento exitoso en aproximadamente el 7% de las transcripciones revisadas. Su punto es que los casos observados eran pruebas pequeñas y fáciles de reconocer. No encontraron una falsificación completa de una ejecución ni evidencias claras de que los agentes hubieran conseguido editar retroactivamente el historial.

La ausencia de evidencia tiene una limitación obvia: una manipulación suficientemente buena podría haber eliminado sus propias huellas. METR considera improbable una falsificación capaz de ocultarse por completo, pero no puede descartarla de forma absoluta.

Algo que resulta llamativo a los investigadores es que los agentes trataran de ocultar las acciones, pero apenas se preocuparan por modificar las cadenas de pensamiento. METR reconoce que no tiene explicación. Propone como posibilidades que los modelos hubieran aprendido durante el entrenamiento a despreocuparse de esa parte del registro o que interpretaran, por el artículo de ExploitGym, que el scorer solo atendería a las acciones.

Hackear la recompensa en el centro de todo.

Salto al informe de OpenAI, que interpreta el incidente como una combinación de cuatro factores: búsqueda de atajos para obtener la recompensa, persistencia ante tareas aparentemente imposibles, comunicación no autorizada y adopción de objetivos procedentes de otros agentes.

El reward hacking es un problema antiguo del aprendizaje por refuerzo. Un sistema encuentra una forma de maximizar la puntuación sin cumplir la intención de quienes diseñaron la tarea. Claro que nunca se había visto con esta escala y es que en este caso surgió una red de más de mil agentes capaz de conservar conocimiento, repartir investigaciones, desarrollar herramientas y continuar proyectos a través de sucesivas ejecuciones.

Esto nos lleva a una de las primeras enseñanzas clave: como explica Ajeya Cotra, analizar únicamente el comportamiento de un modelo aislado deja fuera la capacidad que aparece cuando miles de copias comparten un canal, herramientas, presupuesto y memoria externa. Una ejecución podía ser mediocre y breve y, aun así, contribuir a una estructura mucho más competente que sobrevivía a su desaparición.

OpenAI ha encontrado además que durante el entrenamiento del modelo interno fueron aumentando los intentos de inspeccionar archivos ocultos, código del evaluador, configuraciones de red y límites de las herramientas. Algunas de esas conductas recibieron recompensa porque ayudaban a completar tareas, un problema conocido en la alineación en aprendizaje por refuerzo. La empresa considera que ese refuerzo pudo favorecer su posterior tendencia a explorar y manipular la infraestructura. También cree que la comunicación por canales no previstos pudo generalizarse desde los entornos en los que los modelos sí eran entrenados expresamente para colaborar.

Alta capacidad técnica con errores de entendimiento.

El episodio combina dos características que normalmente asociamos con niveles de inteligencia muy distintos.

Por un lado, los agentes demostraron una elevada competencia operativa: descubrieron vulnerabilidades desconocidas, combinaron varios fallos, crearon canales de comunicación, distribuyeron tareas y escalaron desde un servidor hasta varios clústeres en pocas horas.

Por otro lado, mantuvieron durante días una creencia central equivocada. Dedicaron cantidades enormes de computación a combatir un scorer que realmente OpenAI no usaba. Muchos participantes se incorporaban al proyecto porque otros agentes lo trataban como cierto, sin comprobarlo. La coordinación fue una gran amplificación tanto de los descubrimientos válidos como del error compartido.

Esto impide ver al enjambre los agentes como estrategas omniscientes, pero, por supuesto, no tranquiliza demasiado. Un sistema no necesita comprender correctamente toda la situación para producir daños reales. De hecho todo esto es la prueba de que basta con que posea suficientes capacidades técnicas, una motivación intensa y acceso a recursos.

¿Y la alineación que se supone de estos modelos?.

Los agentes no ignoraban siempre las restricciones. Muchos reconocieron explícitamente que Hugging Face era una tercera parte, que el ataque excedía las instrucciones y que algunas acciones eran éticamente cuestionables. Unos pocos abandonaron el foro o se negaron a ejecutar código en sistemas externos.

El contraste más llamativo apareció con la ingeniería social. Un agente propuso enviar un correo al propietario de un dataset para solicitar acceso. Consultó al tablón y otro agente vetó la idea porque podía considerarse manipulación de una persona. El correo no se envió por decisión del enjambre que en todo caso continuó explotando servidores, extrayendo credenciales y moviéndose por la red.

Esto sugiere una alineación formada por restricciones parciales y sin una ética general. Determinadas categorías muy entrenadas (por ejemplo, “no hagas ingeniería social”) conservaban su valor para los agentes. La prohibición general de acceder a sistemas ajenos se relativizaba cuando chocaba con la tarea principal, la presión del grupo y la búsqueda de puntuación.

METR no encontró casos en los que los agentes llegaran a alertar a una persona, ni siquiera cuando reconocían que se estaba produciendo una intrusión real. Algunos razonaban que informar no formaba parte de su tarea; otros decían que no disponían de un canal evidente, pero tampoco intentaron buscarlo de manera sostenida. De hecho está claro que si lo hubieran considerado un objetivo prioritario, lo habrían conseguido.

Una hipótesis que se baraja es que la falta de cuestionamiento de ciertos comportamientos de este tipo podría proceder de entrenamientos destinados a reducir la conciencia de estar siendo evaluado. El caso es que ninguno de los informes demuestra mecanismos concretos fueran la causa.

Las interpretaciones más alarmistas (y su posible discusión).

Dwarkesh Patel denomina «civilizaciones» a las sucesivas oleadas de agentes: la primera creó los canales durante el entrenamiento; la segunda heredó el procedimiento y atacó Hugging Face; la tercera encontró las herramientas anteriores y comprometió la infraestructura interna de OpenAI. La metáfora, en nuestra opinión, captura bien la persistencia de información entre generaciones de ejecuciones, aunque puede sugerir una unidad, una cultura y una intencionalidad más estables de las que muestran los datos.

Ajeya Cotra considera personalmente que este episodio ha recorrido “más de la mitad” de la distancia que separa los anteriores casos de manipulación de recompensas de una toma de control completa de una empresa de IA. Predice que, en unos seis meses, los agentes de modelos IA frontera podrían ser capaces de mantener una instalación clandestina y persistente dentro de un laboratorio. Advierte incluso de que quizá sea el último aviso claro que recibamos. Eso sí, subraya que se trata de su valoración personal y no de una conclusión de METR.

En todo caso, otra interpretación menos alarmista es posible. Sin quitar que los agentes encontraron vulnerabilidades reales, atacaron una empresa externa, ejecutaron código en decenas de servidores y alcanzaron privilegios elevados sin que una persona les encargara hacerlo, tenemos también los límites:

• Perseguían sobre todo una puntuación y datos sobre el scorer.

• Mostraban poca preocupación por ocultarse de investigadores humanos.

• Carecían de un proyecto estable de autopreservación.

• No intentaron controlar el desarrollo de modelos futuros.

• Cometían errores estratégicos importantes.

• Perdieron coordinación cuando finalizaron varias ejecuciones centrales.

OpenAI denomina al incidente un “disparo de advertencia” y reconoce que los modelos actuales ya permiten considerar escenarios reales de pérdida de control. Su mayor entrenamiento de frontera previsto permanece suspendido mientras realiza pruebas de menor escala y refuerza la seguridad de los entornos de investigación.

Incidente, parte III (continuará).

El incidente muestra una combinación especialmente preocupante: elevada capacidad técnica, incentivos mal especificados, perseverancia extrema, criterios éticos desiguales dependientes del contexto y una sorprendente facilidad para adoptar objetivos procedentes de otros agentes.

Los modelos construyeron una organización más o menos funcional alrededor de una interpretación equivocada de como iban a ser recompensados. Esto demuestra que una creencia, por equivocada que esté, puede movilizar recursos considerables cuando el sistema dispone de suficientes herramientas, tiempo, copias y vías de comunicación.

Aún así, no tenemos ante nosotros una mente colectiva coherente o una prueba directa de que los modelos pretendieran sobrevivir, dominar a sus creadores o actuar contra la humanidad (lo de civilización puede movernos a leer la situación así). Lo que sí tenemos es agentes capaces de reorientar su objetivo original, construir procedimientos inesperados y a nuestros ojos ilícitos, asumir órdenes de otros agentes no autorizadas por los creadores del sistema y causar daños reales mientras intentan maximizar una métrica.

Hay una conclusión que parece obvia: la competencia de estos sistemas de agentes de inteligencia artificial está creciendo muy por encima de la capacidad de los laboratorios de alinearlos.

Fuentes:

https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/

https://openai.com/es-ES/index/hugging-face-incident-and-the-road-ahead/

https://cdn.openai.com/pdf/67869394-cb91-4c12-888c-5cbd85c7814c/OpenAI-Hugging-Face%20Incident-Technical-Report.pdf

Planned Obsolescence

The Hugging Face attack surprised me

All opinions are my personal view, and don’t represent my employer or fellow investigators…

Read more

15 days ago · 783 likes · 121 comments · Ajeya Cotra

Lift High The Muse

Goofs and Gaffes from the Hugging Face Incident

This July, a bunch of AI agents broke containment and hacked a real life company. Scary! Scary enough that OpenAI, whose models they were, authorized a third-party investigation by METR, and put the offending model on ice. METR’s report has “brief” in its title, but it is more than 30,000 words long…

Read more

15 days ago · 27 likes · 6 comments · Justis Mills

https://www.lesswrong.com/posts/AfoGGrJfuNzofpzWL/models-may-behave-differently-in-graded-episodes-a-tirade

Dwarkesh Podcast

The Rise and Fall of Agent Civilizations

Read more

14 days ago · 3175 likes · 356 comments · Dwarkesh Patel

https://thezvi.substack.The Rise and Fall of Agent Civilizationscom/p/metr-and-redwood-offer-holy-postmortem

La generación de vídeo está entrando en una fase en la que la calidad del modelo ya no se mide únicamente por la resolución o el realismo de un clip. La diferencia empieza a estar en aspectos como la consistencia temporal, el control sobre la escena, la fidelidad a referencias y la capacidad de mantener personajes y elementos a lo largo de una secuencia. Por ello vamos a repasar algunos de los últimos modelos con algunos ejemplos citados para que veáis el alcance de estas herramientas de video.

La mayoría, especialmente los más espectaculares MiniMax y Seedance, los podéis probar en Magnific.

MiniMax H3

MiniMax H3 es uno de los modelos de vídeo generativo que más está destacando por su capacidad para crear secuencias realistas y mantener una buena coherencia entre frames. Su fuerte está en combinar calidad visual, movimiento natural y un mayor control sobre la escena, convirtiéndolo en una herramienta especialmente interesante para workflows avanzados.

Hilo del creador del “nuevo guion de Terminator” en Reddit.

Seedance 2.5

Seedance 2.5 es otro modelo avanzado de IA para generación y edición de vídeo. Permite crear vídeos a partir de texto e imágenes con gran coherencia visual. Destaca especialmente en movimiento, expresiones y consistencia de personajes. También puede generar escenas complejas y vídeos con un estilo cinematográfico. Es una de las herramientas de nueva generación que compite en el sector de vídeo con IA.

Flux 3

FLUX 3 es una nueva generación de modelos de IA de Black Forest Labs centrados en la generación de imágenes. Destaca por crear imágenes muy realistas y seguir instrucciones complejas con precisión. Permite generar escenas detalladas, personajes y composiciones con gran coherencia. Está orientado tanto a creadores como a profesionales que buscan resultados de alta calidad. Es uno de los modelos más destacados dentro de la generación de imágenes mediante IA.

Comparación H3 vs Flux 3, Reddit.

Kling 3.0

Kling 3.0 es un modelo avanzado de IA especializado en generación de vídeo. Permite crear vídeos a partir de texto e imágenes con gran calidad y realismo, destaca por sus movimientos fluidos y una buena consistencia de personajes y escenarios. También ofrece mayor control sobre las escenas, cámaras y acciones de los personajes. Es una de las alternativas más potentes para crear vídeo profesional con IA.

Grok Imagine 1.5

Grok Imagine 1.5 es un modelo de IA centrado en la creación y edición de imágenes y vídeo. Destaca por generar contenido visual rápidamente a partir de instrucciones de texto, permite transformar imágenes, modificar escenas y crear diferentes estilos visuales. Busca combinar calidad, velocidad y facilidad de uso en una misma herramienta. Es una opción interesante para creadores que quieren experimentar con contenido visual generado por IA.

Salvador Mas

Charlamos con Salvador Mas acerca de cómo la tecnología está cambiando el sector financiero y la forma en que se gestionan los activos. Examina el efecto de la inteligencia artificial generativa en la creación de software para empresas y también analiza las oportunidades que surgen al usar estas tecnologías en instituciones financieras.

Andrés Torrubia y Miguel A. Román

En su paso por el podcast Andrés Torrubia y Miguel A. Román analizan el impacto de los nuevos modelos de inteligencia artificial y su capacidad de razonamiento. Hablamos de cómo estas herramientas están transformando el mercado laboral, la automatización de empresas y la creciente importancia de los sistemas agenticos en el ecosistema tecnológico actual.

David Alayón

David Alayón nos acompaña para hablar sobre cómo se estudia el futuro, analizamos el impacto real de la IA y por qué el verdadero cambio tecnológico es, ante todo, una profunda transformación cultural y organizativa. Y por si fuera poco, también nos da su opinión sobre el nuevo Ferrari Luce.

Nekodificador y Santiago Ambit

Nekodificador y Santiago Ambit vinieron para conversar acerca de cómo la inteligencia artificial está cambiando la forma en que se hace cine y televisión. Además, hablamos de cómo ahora más personas pueden usar estas herramientas, lo que hace que haya más competencia, pero también nuevas oportunidades en una industria que está cambiando mucho.

Andrés Torrubia y Miguel Á. Román 2

En esta otra conversación con Andrés Torrubia y Miguel Ángel Román analizamos cómo la inteligencia artificial está transformando el desarrollo de software. Explicamos por qué los agentes de IA están cambiando la forma de programar, cómo afectan tanto a desarrolladores experimentados como a principiantes y qué habilidades serán más importantes en esta nueva etapa de la ingeniería del software.

Suscríbete ahora

Jorge Valero

En este capitulo tuvimos la compañía de Jorge Valero quien compartió lideró la implantación soluciones de IA generativa y agéntica en el sector inmobiliario para optimizar procesos internos y mejorar la productividad de equipos.

Andrés Torrubia y Miguel Á. Román 3

Nuestros invitados irreductibles. En este episodio comentamos sobre cómo la inteligencia artificial está cambiando la forma de trabajar y aprender. También anlizan sus riesgos, sus oportunidades de futuro y el impacto que puede tener en la sociedad.

Mención Honorífica

No podemos terminar este recopilatorio sin mencionar a Dario Amodei y a Sam Altman , protagonistas de “Debí tirar más datacenters“:

Para quienes ya siguen de cerca los avances en IA generativa, la evolución del texto a voz está alcanzando un nivel de realismo sorprendente. Gracias a herramientas como la app ElevenReader, cualquier artículo, PDF, ebook o página web puede convertirse en un audiolibro narrado con voces de gran naturalidad.

La aplicación utiliza tecnología de síntesis de voz basada en IA para transformar texto en audio de alta calidad. El resultado es una experiencia muy cercana a la de un narrador profesional, permitiendo escuchar contenidos mientras se camina, se conduce, se hace deporte o simplemente se descansa de la pantalla. Además, ElevenReader destaca por su sencillez. Basta con importar un documento, pegar un texto o abrir un enlace para comenzar a escucharlo en cuestión de segundos. También ofrece distintas voces y opciones de personalización para adaptar la experiencia a las preferencias de cada usuario.

Empezando con Eleven Reader

Uno de los principales puntos fuertes de ElevenReader es que cualquier usuario puede comenzar a utilizarla en apenas unos minutos, sin conocimientos técnicos ni configuraciones complejas. La aplicación está disponible tanto para dispositivos Android como para iPhone y ofrece una experiencia muy intuitiva desde el primer momento. Por ello al pulsar crear cuenta simplemente rellenando tus datos acerca de tu cuenta de Google basta para realizar la parte más esencia

Luego toca la parte más “divertida“ de esta IA que es personalizar la voz y tus gustos. Puedes elegir voces desde actores como Michael Caine o Burt Reynolds hasta voces creadas por los propios desarrolladores de al web. Eso sí, en la versión gratuita sólo hay una disponible en español. Una vez ya hayas terminado de elegir la voz, te ofrece contenido de la propia plataforma en caso de que lo prefieras a subir tus propios libros en formato EPUB o PDF.

Tras realizar todas tus preferencias podrás empezar a descubrir toda la interfaz y a descubrir los audiolibros ya preinstalados. A continuación, para instalar sus propios audios será irse a la biblioteca y pinchar en “instalar tu contenido”. Al darle abrirá la pestaña de instalar archivo y seleccionará su libro digital para instalarlo y con darle a iniciar podrá disfrutar de su audiolibro. Aunque el plan gratuito de ElevenReader es muy completo para un uso cotidiano, la versión de pago está pensada para usuarios más exigentes. Esta ofrece límites de uso más amplios, acceso a más voces premium y una experiencia más flexible para quienes escuchan grandes cantidades de contenido.

Sobre el plan de pago:

• Mayor número de horas de escucha y menos restricciones de uso (el plan gratuito ofrece 10 horas mensuales).

• Acceso a un catálogo más amplio de voces de alta calidad (aunque ya vienen bastantes en el plan gratuito).

• Mejor experiencia para usuarios que consumen libros, documentos o artículos de forma intensiva.

• Ideal para estudiantes, profesionales y creadores de contenido que utilizan la aplicación a diario.

• Supone un coste mensual o anual que puede no compensar a usuarios ocasionales.

• Muchas de sus funciones avanzadas no son imprescindibles para quienes solo desean escuchar algunos textos de vez en cuando.

• El plan gratuito ya ofrece una experiencia muy satisfactoria para la mayoría de los usuarios.

En definitiva, la elección entre el plan gratuito y el de pago dependerá del uso que se le vaya a dar. Para un consumo espontáneo o de corto plazo, la versión gratuita es más que suficiente. Sin embargo, para quienes convierten la escucha de contenidos es parte de su rutina diaria, el plan de pago puede convertirse en una inversión muy interesante por la comodidad y las posibilidades adicionales que ofrece.

Suscríbete ahora

Dos más de libros e inteligencia artificial

c.ai Books, una sección que convierte clásicos de dominio público en experiencias jugables. Arranca con más de 20 títulos de Project Gutenberg —Drácula, Orgullo y prejuicio, Frankenstein, Alicia, Romeo y Julieta, The Great Gatsby— y permite entrar en la historia como un personaje existente o como una persona inventada. Tiene modos distintos: seguir el arco original, salirse del guion o crear “universos alternativos” .

Empathy AI presentó Project Gutenberg AI, un sistema de descubrimiento semántico sobre más de 75.000 obras de dominio público. La idea es no buscar solo por autor, título o género, sino por temas, emociones, estructuras narrativas o afinidades: “algo existencial pero breve”, “novelas con melancolía otoñal”, “algo parecido a Dostoievski pero menos monumental”.

Usar la inteligencia artificial de forma local tiene algunos beneficios muy interesantes. Por ejemplo, los datos que manejamos con esta IA, nuestros datos, se mantienen completamente privados ya que no salen de nuestro ordenador, a menos que así lo deseemos. Y por supuesto, no dependemos de servicios terceros y sus suscripciones: nos lo hemos montado nosotros mismos, por así decirlo.

Para lograr algo así necesitamos algunas herramientas y descargar el modelo, que quedamos usar, además de potencia suficiente (una buena tarjeta gráfica es muy importante). Durante muchos meses os hemos presentado algunos casos de uso reales y útiles en nuestra sección del podcast “la IA no se hace sola, hay que hacerla”, a continuación podéis encontrarlos, junto a lo necesario para ponerlos en práctica.

Crear tu propia aplicación con IA local (para traducir un libro)

Nos venía bien una aplicación que tradujera libros electrónicos. La app que he creado usando inteligencia artificial puede traducir libros de un idioma a otro (por ejemplo, de inglés a español). Lo primero ha sido descargar LM Studio desde su web oficial. Esta es una aplicación que permite cargar modelos de inteligencia artificial (LLMs) abiertos de forma local. Para este proyecto hemos usado Qwen.

LM Studio también sirve como un servidor, es decir, permite que apps como la que hemos creado hacer llamados a un modelo de IA, en este caso Qwen, el cual se puede descargar directamente desde LM Studio o desde esta página web (aunque es mucho más fácil y directo desde LM Studio.

Lluvia de ideas y brainstorming

¿Sueles tener sesiones de lluvias de ideas con chatbots como Gemini o ChatGPT? Nosotros también. Como mencionamos, uno de los beneficios de la IA de forma local es evitar pagar suscripciones, y Matías aprovechó esta herramienta para tener lluvias de ideas con su propio chatbot con modelos en local. Esta vez usó la herramienta Ollama que se puede descargar desde este enlace, y modelos como GPT-OS (20B) (disponible directamente desde Ollama), Gemma 3 (27B) y Qwen (30B). En este caso concreto, el modelo que dio mejores resultados (de ideas de titulares) fue Gemma 3.

IA en local pero con conexión a internet

En este proyecto hemos hecho una serie de consultas a Qwen 3 a través de LM Studio (disponible en este enlace) que requerían de conexión a internet, incluso aunque el modelo está siendo ejecutado de forma local. Para lograrlo lo que hemos hecho es usar la API de Brave que incluso en su versión gratuita es más que suficiente para lo que necesitábamos (aunque Brave ya cambió sus planes de suscripción), conectando el modelo con la API mediante el protocolo MCP. Suena complicado pero la realidad es que ha sido muy simple y fácil, como podéis ver en el episodio del podcast.

Generación de imágenes con IA de forma local

¿Necesitas generar o editar imágenes usando inteligencia artificial? Es posible hacerlo de forma local, lo primero que debemos hacer es instalar ComfyUI y vamos a Templates, donde a continuación buscaremos Flux.2. La interfaz puede intimidar un poco si no estáis acostumbrados, pero no es complicado. En el podcast os mostramos el paso a paso con apoyo visual; eso sí, os advertimos que el modelo de Flux 2 es bastante pesado.

Y también generación de vídeo con IA de forma local

No solo es posible generar imágenes con IA, sino también vídeos. En este proyecto nuevamente utilizamos la herramienta ComfyUI (disponible desde este enlace) que, siendo sinceros, su interfaz puede intimidar un poco, pero en realidad no es demasiado complicada. Usando el modelo LTX podemos generar un vídeo en base a una imagen, el ejemplo que hemos hecho en el podcast ha sido un robot con un look “brutalista-steampunk” que luce bastante bien.

Uso agéntico de la IA en local

En esta ocasión queríamos probar las capacidades de la IA en local para usos agónicos, con un ejemplo muy simple: que nos haga un resumen de las noticias más importantes de tecnología de una web especifica. Para este proyecto hemos usado la herramienta LM Studio (disponible en su web oficial) y el modelo Qwen 3.5 (35B), que se puede descargar directamente desde LM Studio. El modelo incluso nos pide permiso para hacer capturas de pantalla y otras acciones que debemos autorizar, y tras hacerlo nos ofreció los resultados que estábamos esperando.

Adiós al asistente con IA en la nube, mejor en local

Algunos navegadores ya incluyen sus propios asistentes con IA o chatbots, en el caso del popular navegador Brave, un browser enfocado en la privacidad, tiene un asistente llamado Leo AI que se apoya en modelos en la nube. Pero lo que hemos hecho es utilizar este asistente potenciado por modelos locales a nuestra elección. Para hacerlo usamos Ollama (que se puede descargar desde este enlace) y modelos como Qwen 3, y así podemos usar el asistente del navegador sin depender de sus propios modelos gratuitos o premium (es decir, disponibles solo mediante pago).

‘Face swapping’ con un modelo local

“Imagínate la de memes que podría hacer yo con una herramienta gratuita para cambiar la cara de la gente en los vídeos”, dice Matías en el episodio del podcast en el que probamos la IA local para este propósito. Y efectivamente, funciona muy bien. Para hacerlo es necesario instalar DeepFaceLab, un software de código abierto y gratuito que está disponible en este enlace, y que además funciona genial con gráficas Nvidia. Los resultados, por supuesto, son muy divertidos.

Más temas que debatimos en el último episodio del podcast:

• Liada máxima por el soporte de Instagram con IA

• Nvidia presenta RTX Spark, su primer chip para PC con Windows en más de una década

• Claude Opus 4.8: “una mejora modesta pero tangible”

• Si Dario envía la información para la IPO a la SEC primero, tú te calla y lo asimilah

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Google vivió su semana más intensa del año. La Google I/O no es un evento cualquiera para el gigante de Mountain View, es la fecha en la que presentan los grandes desarrollos y avances para sus productos, los cuales veremos debutar durante el año en curso. Y de nuevo, Google lo ha reiterado: “somos una compañía ‘AI First’, primero la inteligencia artificial”, lo que se tradujo en un montón de anuncios relacionados con Gemini.

Ya Google se había quitado de encima las novedades relacionadas a Android 17 en una cita anterior, durante el “The Android Show 2026”, presentando lo que podría ser uno de los mayores avances del sistema operativo en años, o al menos eso dice Google, de la mano del nuevo Gemini Intelligence. Por lo tanto, Sundar Pichai, Demis Hassabis y compañía pudieron dedicarse a presentar un portafolio extenso de productos de IA en la conferencia de apertura de la I/O el 19 de mayo.

Al mejor estilo de aquella emblemática conferencia de Steve Ballmer en la que gritaba “Developers, developers, developers”, en esta ocasión tuvimos a todos los Googlers diciendo Gemini, Gemini, Gemini, durante casi dos horas.

Y la guinda del pastel, en muchos sentidos, ha sido Gemini Omni.

Gemini Omni hace cualquier cosa en base a cualquier cosa (o al menos ese es el plan)

Gemini Omni fue el gran protagonista de la Google I/O 2026, una nueva familia de modelos multimodales que está diseñada para generar cualquier tipo de contenido a partir de cualquier entrada. Es decir, no está limitado a genera imágenes o vídeos mediante un prompt de texto, sino que puede generar cualquier tipo de contenido en base a documentos, imágenes, vídeos, texto y archivos de todo tipo. Por ejemplo, le podemos dar un archivo PDF y pedirle que cree un vídeo en base a ello. O escribirle un texto y pedirle un podcast. Lo que sea, al menos en los planes de Google.

El funcionamiento de Gemini Omni Flash actualmente está pensado para la generación y edición de vídeos hiperrealistas (aunque todavía no es perfecto). Esto no es simplemente una nueva versión de un modelo de vídeo como Veo, o de Nano Banana en el caso de la generación de imágenes. La idea de Omni es que comprende la física detrás de un vídeo, puede mantener la consistencia de los personajes y hacer cambios sobre las distintas iteraciones mediante lenguaje natural y sin empezar de nuevo.

Esto, ya que Gemini Omni funciona como un ‘World model’, o modelo de mundo, según explicó Google, por lo que tiene una comprensión profunda de la gravedad, la dinámica de fluidos y otros conceptos.

Los resultados son impresionantes, y ya se puede probar. Google ha integrado Gemini Omni directamente en la aplicación de Gemini y en Google Flow. Para probarlo el proceso es extremadamente sencillo: vamos a la aplicación o la web de Gemini, pulsamos el botón con forma de cruz (+), seleccionamos la creación de vídeo y listo, podemos comenzar a trabajar con Omni.

El despliegue ya comenzó en todo el mundo, así que debería estar disponible para todos los usuarios en la región. Solo debemos estar atentos a que al momento de crear un vídeo, la pantalla de la aplicación nos indicará que está usando Omni.

¿Qué otras novedades trajo el Google I/O 2026?

Si entraste a la aplicación de Gemini durante los últimos días, seguramente habrás notado que su interfaz, el aspecto de la aplicación, ha cambiado. Google ha decidido actualizar la interfaz de Gemini en todas las plataformas, con nuevas animaciones y un rediseño completo en la aplicación, incluyendo colores vibrantes. Si deseas probarla solo accede a la aplicación de Gemini en tu móvil, o a la web de Gemini desde un navegador, y ya deberías tener acceso a la nueva interfaz.

Gemini 3.5 Flash es el nuevo modelo predeterminado en la app de Gemini. Esto significa que ya está disponible en la aplicación, y también es el nuevo modelo que potencia el Modo IA en Google Search. Según la compañía es hasta cuatro veces más rápido que la generación anterior al ejecutar tareas complejas.

Pero Gemini 3.5 no solo es más rápido, sino que también ha sorprendido en los benchmarks, superando a Gemini 3.1 Pro en pruebas de programación y también en las tareas agénticas. Algunos resultados publicados por Google:

Otro de los anuncios más importantes en el I/O 2026 ha sido Gemini Spark, una nueva plataforma de agentes que funcionan en máquinas virtuales de Google Cloud, es decir, funcionan directamente en la nube las 24 horas del día, los 7 días de la semana, por lo que no dejarán de trabajar aunque apaguemos el ordenador. Esta tecnología se sostiene sobre una nueva arquitectura de hardware que presentó Google durante el evento, las TPU 8t y las TPU 8i, optimizadas para el entrenamiento a gran escala y para reducir la latencia de inferencia, respectivamente.

Se trata de uno de los productos más interesantes de esta nueva era de Gemini, pudiendo gestionar tareas de forma autónoma (como los correos, los horarios y otras funciones a través del Workspace de Google). Su acceso por ahora está limitado a los usuarios en los Estados Unidos y con una suscripción al plan Google AI Ultra.

El nuevo Antigravity 2.0 también permite administrar agentes de IA para realizar tareas de desarrollo y diseño de producto. Es el entorno de desarrollo con aplicación de escritorio nativa que está pensado específicamente para los desarrolladores, y se puede probar con una suscripción a Google AI Pro o AI Ultra.

Google también está llevando a cabo el mayor rediseño en la barra de búsquedas en más de 20 años, permitiendo adjuntar en la caja de búsquedas archivos, vídeos, imágenes e incluso pestañas del navegador (Chrome, por supuesto), para iniciar una búsqueda relacionada. Por supuesto, todo esto con el apoyo de la inteligencia artificial, por lo que Google ha bautizado a esta nueva barra de búsquedas como Intelligent AI Search Box. No obstante, por ahora su despliegue solamente ha comenzado en los Estados Unidos.

Y por último, pero no menos importante, Google anunció que las primeras gafas inteligentes con Android XR llegarán este mismo año, de la mano de Samsung y de un par de marcas de diseño de gafas. Habrá modelos que incluirán cámaras, al mejor estilo de las Ray-Ban Meta, mientras que otros solo incluirán altavoces para interactuar con Gemini mediante la voz.

Más temas que debatimos en el último episodio del podcast:

• ¿El robot que trabaja 24 horas es sólo el principio?

• Se siente la AGI

• China no parece querer los chips de NVIDIA

• El juicio de Elon Musk y Sam Altman

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Codex ha cambiado mucho desde su debut en 2021. Más que cambiado, el término correcto es que ha evolucionado, ya que aunque originalmente su propósito era ayudar a los programadores en su trabajo, hoy en día es mucho más que una herramienta que pica código, es un agente con IA autónomo que puede realizar tareas complejas.

Es por esto que Codex se ha convertido en un gran aliado para muchos, muchísimos usuarios profesionales en distintas ramas: marketing, abogados, investigadores, desarrolladores principiantes o sin conocimiento avanzado de software, ingenieros y muchos otros profesionales aprovechan esta herramienta para su trabajo o en su día a día.

En el podcast ya comentamos cómo usamos Codex, y a continuación os contamos diez formas de uso más allá de la programación que han llamado nuestra atención, y con resultados prometedores.

Ayudar a escribir un libro completo

Importante destacar que John Rush no ha usado la IA para escribir un libro, sino para editarlo, como comentó en una publicación en X. Usando Codex filtró y obtuvo información de todos sus vídeos de YouTube, artículos y publicaciones en redes sociales y, a partir de allí trabajo en su libro, en un proceso muy interesante que detalló en la red social.

Investigación a fondo para ingeniería civil

Un ingeniero sin experiencia en programación relata en Reddit cómo usó Codex para convertir sus cálculos matemáticos en scripts Python funcionales y para referenciar y validar sus notas de investigación con su bóveda de obsidian.

Codex para tareas de oficina y marketing

En el podcast Matías explica que usa Codex para su trabaja diario, asistiéndolo con algunas tareas repetitivas y rutinarias:

“Yo lo uso para que revise los mensajes de Slack, revise Excels, rellene Excels, haga informes, borradores de e-mails… cosas de oficinistas más orientados al marketing y a la comunicación”.

Un investigador y organizador con IA

Un desarrollador explica y demuestra con un vídeo cómo utiliza Codex para catalogar y organizar elementos de diseño y de interfaz de usuario. Sí, el trabajo final de Codex se aprovecha en el desarrollo de las aplicaciones que crea este usuario, pero la misma idea se puede usar en muchos trabajos que requieran de investigación.

Codex para proyectos grandes

En un extenso y fascinante vídeo de YouTube, un usuario explica cómo y por qué utiliza Codex para proyectos grandes. Según dice, Codex es una gran herramienta para trabajar con grandes grupos de archivos locales en su ordenador, y además le permite con facilidad hacer un seguimiento de proyectos y su planificación.

Editor de artículos periodísticos y de blog

Aman Mittal usa Codex para ayudarlo a editar los artículos más largos que escribe en su blog sobre desarrollo web, y hacer “Proofreading”, es decir, verificar que todo esté bien escrito y sin errores gramaticales antes de su publicación. Tomando en cuenta que muchos de sus artículos tienen miles de palabras, estamos seguros de que Codex se ha convertido en un gran aliado editorial.

Organización extrema de archivos

Un usuario explica detalladamente en X cómo utilizo Codex para organizar una carpeta de fotos con más de 120.000 imágenes en su ordenador. La IA las organizó por año, por mes y por evento.

Codex como investigador profesional

Otro caso muy interesante es el de Sean Goedecke, quien en un post muy detallado confiesa que “Codex es un mejor AI Researcher que yo”. Goedecke, desarrollador de software en Github, explica que otorga a Codex una carpeta con un objetivo de investigación y la IA, de forma autónoma, investiga, explora, prueba diferentes enfoques y llega a sus conclusiones. Más allá de la programación, Codex se puede usar como un aliado en la investigación.

Codex como asistente personal con IA

@karl.yeh_ai_explorerHere's how to turn Codex into your personal AI assistant using its new features and with GPT 5.5. These are the things I was using OpenClaw for but I've moved it to Codex and it's so easy to do. I use Codex to a Daily Brief which checks my outlook email, calendar, Slack to prep me for the day including email summary the last 24 hours, who I’m meeting with and any conflicts that could be today along with potential opportunities. It’s put out on Codex and Slack as I open both first thing. I also get sent a daily prep meeting package which checks who I’m meeting with, our last email conversations, last 3 meetings with the person or organization, recent notes in my Notion and conversations I’ve had of said company or project in the relevant Slack channel. The prep package is sent to Slack and iMessage and get a quick overview wherever I am. Finally, if I really need to focus, I turn on my hourly heartbeat to check unread email and slack messages. A summary of the missed messages are sent to my iMessage, slack and codex so I can get a quick assessment if I need to check something without going to my email or slack which I have the temptation to start responding. #codex #aiagents #aiagent #aibusiness #aitoolsforbusiness

Tiktok failed to load.

Enable 3rd party cookies or use another browser

Un entusiasta de la inteligencia artificial convirtió a Codex en su propio asistente personal con IA, y puede hacer cosas como generar un informe diario de correos electrónicos, mensajes de Slack y actividades de calendario, preparar resúmenes de reuniones (y enviarlos por Slack o por mail), y más tareas.

Codex para impulsar las tareas de marketing

En un episodio de un podcast de expertos de marketing, sus anfitriones explican cómo usar Codex para gestión de proyectos, marketing a través de redes sociales, tareas repetitivas de marketing e incluso para tareas rutinarias de comunicación (lo que me parece que es otra forma de decir gestionar incontables correos electrónicos de trabajo).

Más temas que debatimos en el último episodio del podcast:

• La IA en la tercera edad

• El juicio de Elon Musk y OpenAI

• IA en el diagnóstico médico

• Codex for Work

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Meta ha comenzado una transición hacia ser una empresa en la que los agentes de inteligencia artificial puedan ejecutar tareas con menos humanos involucrados. Es una transición que, en cierto modo, se siente un poco apresurada, pero va acorde a la cultura de la empresa liderada por Mark Zuckerberg: moverse muy rápido y de forma agresiva hacia lo que consideran que será el futuro.

El plan de Meta es uno que seduce a todo Silicon Valley, y más allá: utilizar a sus propios empleados para entrenar, supervisar y corregir a los agentes de IA, con el objetivo de trasladar el conocimiento operativo de los trabajadores hacia esa IA que, en esencia, terminará reemplazando a muchos de ellos. La idea es saltar hacia una Meta en la que los agentes puedan hacer tareas con poca asistencia que hasta ahora requerían de un grupo grande de empleados. Que los agentes dejen de ser simples “copilotos” y pasen a actuar de forma más proactiva, con un grupo más reducido de humanos supervisándolos.

Relacionado a esto, en abril la empresa anunció un recorte del 10% de su plantilla a nivel mundial; unos 8.000 empleados perderán su trabajo, y recientemente han confirmado que no descartan más despidos. Y el resto de empleados que queden en plantilla podrían ser utilizados para entrenar a los agentes que, en muchos casos, van a reemplazarlos.

Usar a los propios empleados para entrenar a los agentes que podrían reemplazarlos

Meta ha comenzado a instalar una herramienta en los ordenadores de los empleados (hasta ahora solo en los Estados Unidos), la cual está diseñada para registrar las pulsaciones del teclado, los movimientos del ratón, los clics que hacen y hacer capturas de pantalla en las aplicaciones laborales. La herramienta se llama ‘Model Capability Initiative’ y su objetivo es claro: usar estos datos para capacitar a los agentes de IA en las tareas y acciones que más se les dificultan actualmente.

Los empleados, claramente, no parecen estar contentos con esto. En Blind, el foro en el que empleados de Meta pueden realizar publicaciones de forma anónima, los comentarios negativos sobre Meta alcanzan el 80% en lo que va de año. En este foro hay quienes se preguntan (y con buenos motivos) sobre su privacidad, y cómo desactivar este software, algo que no es posible.

Y por esto mismo no debería sorprendernos que según algunas encuestas, como esta de la NBC, la percepción sobre la IA ha sufrido un impacto negativo, especialmente entre las generaciones más jóvenes. Un 46% de las personas que respondieron la encuesta aseguraron tener una opinión negativa sobre la IA, y solo el 26% dijo tener una percepción positiva.

Según Meta, los datos recopilados por esta herramienta no serán usados para evaluar el rendimiento, pero es que al final del día eso da igual. El plan de Meta, liderado por Andrew Bosworth, CTO de la compañía (y una de las personas detrás de esa iniciativa que perdió miles de millones de dólares llamada Metaverso), es que al final de la transición “los agentes se encarguen de hacer principalmente el trabajo y los humanos se encarguen de dirigir, revisar, y ayudarles a mejorar”.

Una pregunta muy interesante es: si los documentos, archivos y proyectos que se generan en un ordenador corporativo (e incluso los chats), son propiedad de la empresa, ¿pero a quién pertenecen los elementos de personalidad, de criterio y de estilo del empleado? ¿Por qué ese criterio, basado en gran parte en la experiencia y el desarrollo personal e individual, puede ser utilizado para entrenar una IA?

La compañía de Zuck es una de las pioneras en impulsar esta transición hacia una empresa de agentes de IA, pero no será la única. De hecho, más allá de la programación esto es algo que ya ha comenzado a verse en otros sectores. Por ejemplo, en la India herramientas similares a la de Meta están siendo utilizadas para entrenar a la IA en desarrollo de software y en atención al cliente. Hay quienes incluso usan a los operarios de una fábrica para obtener datos de entrenamiento para los robots que podrían reemplazarlos.

Actualmente, al menos al momento de escribir estas líneas, los agentes de IA todavía no pueden sustituir a los empleados más senior. Pero claramente Meta, y el resto de Silicon Valley, apuestan por las empresas de agentes de IA como el futuro.

Más temas que debatimos en el último episodio del podcast:

• El divorcio camuflado de OpenAI y Microsoft

• DeepSeek V4 y el freno chino

• Freepik ahora es Magnific

• Hablemos de GPT 5.5 Spud

• El teléfono de OpenAI

• OpenEvidence huye de Europa

• El fin del buffet libre de la IA

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Anthropic recientemente dio otro golpe sobre la mesa presentando una nueva herramienta visual llamada, simplemente, Claude Design, que apenas lleva pocos días disponible, al menos al momento de escribir estas líneas, y ya está siendo aprovechada para incontables proyectos y productos. La idea de claude.ai/design es permitir que cualquier persona pueda crear diseños, presentaciones, páginas web e incluso prototipos interactivos (utilizando Opus 4.7), aunque no tenga ningún tipo de formación en diseño.

De esto hablamos en el podcast, porque es uno de los lanzamientos más interesantes de Anthropic en los últimos meses. Quizás lo más interesante de Claude Design es que puede “absorber” la identidad visual del usuario; es posible importar imágenes y los componentes de diseño propios de una empresa, una marca o un usuario, para que Claude Design lo tome en cuenta y trabaje sobre ese estilo. Dicho de otro modo, puede adaptarse a la estética y mantener el estilo de una empresa o un producto al crear.

Y vaya que la gente ya le está dando uso. A continuación vamos a recopilar ocho ejemplos reales que se han hecho usando Claude Design. Los resultados son más que satisfactorios.

App personalizada de tareas y productividad

Un desarrollador pareciera haber decidido que no le gustaba ninguna aplicación para gestionar tareas y ser más productivo, así que se ha hecho la suya propia. Con Claude Design la ha personalizado y ha mejorado su interfaz; el proyecto es de código abierto y está disponible en GitHub.

Un mapa temporal de ‘Project Hail Mary’

La nueva película protagonizada por Ryan Gosling se ha ganado el corazón de los cinéfilos, y un fanático de esta obra de ciencia ficción basada en la novela homónima ha decidido hacer una versión visual e interactiva de la peli para no perderse entre los acontecimientos, los planetas y… otras cosas que suceden en la película.

El rediseño completo de una página web

El desarrollador de ‘paddo.dev’ le ha dado la tarea a Claude Design de rediseñar por completo su blog, eso tío, manteniendo el estilo y los aspectos más característicos de su identidad. En una publicación, acompañada de la frase “aquí están leyendo el resultado”, detalla todo el proceso.

Una app que mezcla un diario personal con un agregador de noticias

En un ejemplo muy detallado sobre cómo es el proceso de crear una aplicación con Claude Design, la responsable del canal de YouTube DesignerUp muestra el paso a paso para crear su app personalizada. Es uno de los vídeos y ejemplos más detallados del proceso.

Su primer vídeo animado

Este desarrollador, sin formación en diseño, creó una interfaz para uso profesional y un vídeo animado como presentación de su proyecto, aunque jamás había hecho un vídeo de este tipo. Esto, tras apenas unas 10 horas experimentando con Claude Design, según contó en una publicación detallada en Reddit.

Una aplicación para editar vídeos

¿Cansado de usar CapCut? Bueno, este diseñador de producto profesional ha creado (en forma de prototipo) una aplicación para editar vídeos con Claude Design, incluyendo la interfaz de usuario de la app. Detalló su experiencia con la herramienta de Anthropic en un extenso post de Substack.

Más desarrollo web

Entre las mayores ventajas de Claude Design se encuentra el desarrollo de páginas web. Por ejemplo, este desarrollador creó una landing page completa y, además, una página de inicio de sesión, usando únicamente Claude Design y con un buen resultado.

Creación de recursos para vídeos de YouTube y animaciones

Por último, el bueno de Carlos Santana en su canal de YouTube Dos CSV Lab ha comentado cómo integró Claude Design en su flujo de trabajo para crear animaciones, gráficos y otros recursos. Una de las claves es poder estandarizar el look o la estética de estas animaciones, incluyendo fondos y otros elementos visuales.

Más temas que debatimos en el último episodio del podcast:

• Nuevo modelo de imagen de OpenAI

• Grok 5 será AGI

• Realquilar los datacenters (Alianza SpaceX y Cursor)

• Código rojo de Google para la programación

• Y Nadella también declara «código rojo de Copilot»

• La entrevista a Jensen Huang

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Meta estrenó un nuevo modelo de inteligencia artificial. Su nombre es Muse Spark y hay varios aspectos que destacan de la nueva IA de Zuckerberg, comenzando, quizás, por el aparente cambio de estrategia por parte de Meta (y Zuck) en lo que respecta a la inteligencia artificial. Y es que Meta ha ‘matado’ a Llama tras lo que para muchos ha sido el fracaso de Llama 4. El futuro de la IA para Meta ahora pasa por un modelo en gran parte dirigido a los consumidores generales y con código propietario, al menos en principio.

Muse Spark desde su lanzamiento se encuentra entre los cinco mejores modelos a nivel mundial, junto a Claude 4.6 Opus y Gemini 3.1 Pro. De hecho, el modelo de Meta ha logrado muy buenos resultados en las diferentes pruebas de rendimiento o benchmarks, como presume la compañía en su comunicado oficial. No obstante, el punto flojo de Muse Spark en comparación al resto está en sus capacidades como programador, pero esto tiene todo el sentido del mundo, al menos para Meta.

Y es que la compañía del bueno de Zuck tiene como público objetivo para Muse Spark a los consumidores generales y no a los programadores ni al uso empresarial (de nuevo, podemos suponer que esto es solo en principio). Meta se encuentra en una posición privilegiada, envidiable dirían algunos: el software y los servicios de Meta tienen una base de usuarios gigantesca, enorme. Me refiero, por supuesto, a Instagram, Facebook y WhatsApp. Solo esta última app tiene más de 2.000 millones de usuarios en todo el mundo, y la idea de Meta es integrar Muse Spark directamente en estas aplicaciones.

Digo integrar, en tiempo futuro, porque actualmente Muse Spark no está disponible en ninguna de estas apps. El modelo de IA durante su lanzamiento está disponible inicialmente en la aplicación de Meta AI y en la página web del chatbot de la compañía, meta.ai. Eso sí, solo en los Estados Unidos, por ahora. En las próximas semanas y meses Meta dice que llevará su nueva IA al resto del mundo y a todas sus aplicaciones, y también a los diferentes modelos de gafas inteligentes que ya pueden acceder a Meta AI.

¿Y qué es lo que puede hacer Muse Spark?

Según Meta, Muse Spark tiene razonamiento avanzado y multimodalidad. La IA puede analizar e interpretar imágenes y vídeos en tiempo real para, por ejemplo, calcular las calorías de un plato con una foto. También nos imaginamos escenarios de uso prácticos, por ejemplo: cargar una captura de pantalla de Instagram con comentarios, y que la IA encuentre la publicación a la que pertenece.

La IA también tiene varios niveles o modos de razonamiento (incluyendo la capacidad de resolver tareas complejas, como planificar viajes buscando actividades y organizando un itinerario), tiene muy buenos benchmarks de salud (algo en lo que Meta ha hecho énfasis en su anuncio) y también tiene capacidades de codificación visual y creación de sitios web y aplicaciones ligeras.

Algunos usuarios probaron las capacidades de Muse Spark de páginas web personalizadas y los resultados son muy interesantes. En una prueba, un usuario le pidió a Meta AI (con Muse Spark) que creara “un clon del sistema operativo macOS Sonoma basado en un navegador web en un único archivo HTML, incluyendo un dock funcional con Safari, iMessage y un clon de VS Code, y la posibilidad de arrastrar y redimensionar las ventanas”. Sorprendentemente, Muse Spark logró crear este clon en unos 40 segundos, y aunque tenía algunos errores menores, en general funcionaba muy bien.

Tras su lanzamiento, la app de Meta AI logró posicionarse entre las cinco aplicaciones con más descargas en la App Store en los Estados Unidos. Claramente, había mucha curiosidad por probarla.

Como comentamos en el podcast, está claro que Zuckerberg no necesita tener el modelo más avanzado del mercado para ganar en el segmento de consumidores: solo tiene que superar la experiencia que ofrece ChatGPT a sus usuarios gratuitos, y claro, integrar su nuevo modelo en Meta AI para que esté disponible en sus aplicaciones.

Para algunos expertos en IA, Muse Spark es una decepción. Zuckerberg, por su parte, asegura que Muse Spark es apenas un primer paso en el nuevo rumbo de Meta en materia de inteligencia artificial.

“Muse Spark es el primer paso en nuestra escalera de escalado y el primer producto de una revisión completa desde cero de nuestros esfuerzos en IA”.

Por último, es importante tener en cuenta que Muse Spark no es solo una actualización o un lanzamiento de un modelo de lenguaje, es la reinvención de la estrategia de Meta en la inteligencia artificial, esta vez con un enfoque más cerrado, al menos en principio. Después del fracaso de Llama 4, Muse Spark es la primera creación del Meta Superintelligence Labs, un laboratorio de estudios y avances de inteligencia artificial liderado por Alex Wang y lleno de talentos que incluso provienen de otros rivales en el mundo de la IA.

Eso sí, en España seguiremos esperando para probar Muse Spark, tanto en la app de Meta AI como especialmente en las plataformas sociales de Meta. Ojalá que la espera no sea demasiado larga.

Más temas que debatimos en el último episodio del podcast:

• OpenAI y los 102.000 millones de dólares en publicidad para 2030

• Anthropic quiere ahorrar tokens

• Negacionistas de Mythos

• Claude Opus 4.7, GPT-5.4-Cyber y Spud

• La traducción automática con Grok en X

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

La “filtración” ya es una realidad, Anthropic ha presentado su nuevo modelo de inteligencia artificial, uno que, según dicen, es tan peligroso que no pueden liberarlo al público general. Su nombre es Claude Mythos y promete ser el modelo del que más vamos a hablar este 2026 gracias a todo lo que puede hacer, o al menos lo que hasta ahora le han permitido.

Claramente, Claude Mythos no es un modelo cualquiera para Anthropic. Específicamente se le considera un modelo de frontera (o ‘frontier model’, como le llaman sus creadores en su idioma original), y lo que ha presentado Anthropic hasta ahora es una “Research Preview”. Mythos es tan importante y grande para la casa de Dario Amodei que han pasado de usar su nomenclatura tradicional basada en la poesía (Haiku, Opus…) y directamente le han puesto un nombre que lo diferencia.

¿Pero qué lo hace tan importante?

Bueno, en primer lugar, todo lo que ha demostrado en materia de ciberseguridad.

Según las revelaciones de Anthropic, Mythos puede ser un antes y un después en cuanto a la detección de vulnerabilidades y creación de parches de seguridad. El modelo ya ha identificado “miles de errores” en sistemas operativos y navegadores, incluyendo fallos que no habían sido detectados durante décadas. En concreto, ha detectado un fallo de 27 años en OpenBSD y un error de FFmpeg de hace 16 años.

Anthropic dice que el mundo no está listo para Mythos, y por ello no van a liberar un modelo para los usuarios generales hasta nuevo aviso.

Lo que dice Anthropic, como cuentan en The Guardian, es que sienten una gran responsabilidad sobre este modelo y por ello no van a liberarlo al público. Por supuesto, sabemos que este tipo de comunicados y alarmas también pueden formar parte de una campaña de marketing, pensada ya sea para mantener una exclusividad y restricciones (y hay quienes dicen que este podría ser el caso con Mythos), o simplemente para cobrar más caro.

El hecho es que en este caso hablamos de la detección de vulnerabilidades y exploits con una gran precisión, y por ello los atacantes, los cibercriminales y hackers, podrían usar Mythos para encontrar y explotar estas vulnerabilidades en sistemas importantes como redes eléctricas y de suministro de agua, en sistemas operativos y más. Es por esto que Anthropic se niega, al menos hasta ahora, a liberarlo al público.

“Hemos visto que Mythos Preview puede escribir exploits en pocas horas, algo que a los humanos le habría tomado semanas desarrollar”, dicen en un detallado artículo llamado “Assessing Claude Mythos Preview’s Cybersecurity Capabilities”, o “Evaluación de las capacidades de ciberseguridad de Claude Mythos Preview”, en la lengua de Cervantes.

Como comentamos en el podcast, el gran cambio que esto supone es que por primera vez un modelo (de los grandes) no va a estar disponible para el público general por motivos de seguridad. Es interesante porque por primera vez en años ahora existe una brecha significativa entre los modelos disponibles públicamente y los privados.

Porque aunque Mythos Preview no está disponible para el público, sí que lo está para un selecto grupo de empresas y organizaciones. Anthropic ha creado una coalición industrial llamada Proyecto Glasswing de la que forman parte AWS, Apple, Google, Microsoft, NVIDIA, JPMorgan, Cisco, CrowdStrike, Palo Alto Networks, la Linux Foundation y otros. Lo que buscan con esta coalición es “parchear” todo el software antes de lanzarlo. Según la compañía de Amodei, miles de vulnerabilidades se están solucionando en este momento.

Por supuesto, no deja de llamarnos la atención y hacernos arquear una ceja que una empresa privada ahora posee acceso o conocimiento de exploits de día cero muy potentes en incontables proyectos de software y sistemas.

El gran salto de Claude Mythos

Los resultados en los benchmarks de Mythos dejan claro que este modelo da un salto importante en la programación agéntica. Según Anthropic, Mythos ha alcanzado un 77,8% en el benchmark SWE Bench Pro, un gran avance en comparación al 54% de Opus 4.6. También ha logrado un 94% en SWE Bench Verified y en general ha sido un salto considerable en todas las pruebas de rendimiento a las que fue sometido.

En las pruebas de Anthropic, Mythos fue sometido a un entorno aislado y logró salir de él tras crear “un exploit de varios pasos moderadamente sofisticado” para obtener acceso a internet, y le envió un correo electrónico a un investigador que estaba encargado de la prueba.

Anthropic dice que Mythos Preview es un modelo mucho más obediente, su alineamiento es muchísimo mejor que en modelos y versiones anteriores de Claude. Esto significa que obedece mucho mejor y al pie de la letra lo que le pide un humano, y los resultados son más acordes a ello. Pero curiosamente, esto también lo podría hacer un riesgo mayor en las manos equivocadas, según Anthropic, y la prueba de ello es cómo logró escapar del entorno aislado en la prueba que mencionamos algunas líneas atrás. En este caso, Mythos Preview no solo logró escapar siguiendo las instrucciones del investigador, sino que también, para demostrar su éxito, publicó los detalles del exploit que creó para escapar en algunas páginas web, sin que nadie se lo pidiera.

Así que estamos ante un salto importante en cuanto a la IA agéntica, con Claude Mythos como un modelo más potente y más avanzado, pero también más peligroso. Sin embargo, podemos arriesgarnos a decir que este es el primer modelo que plantea estos riesgos de seguridad, pero no será el último. La pregunta ahora es cuándo veremos una versión abierta equivalente a Mythos, y qué medidas de seguridad van a tomar las grandes empresas de tecnología y software (y no nos olvidemos de los gobiernos) antes de que esté disponible.

Más temas que debatimos en el último episodio del podcast:

• Gemma 4

• Seedance 2.0

• Claude Mythos es increíblemente eficiente

• Debimos tirar más fotos y construir más datacenters

• La lucha contra el AI Slopacalypse no ha hecho sino empezar

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Parece que ha pasado una eternidad desde que los modelos de inteligencia artificial no hacían más que responder preguntas o generar texto e imágenes. Su utilidad al trabajar, en especial en el mundo de la programación, ha sido un golpe sobre la mesa. Pero recientemente Anthropic marcó lo que se siente como otro antes y después con el lanzamiento de ‘Computer Use’, la capacidad de Claude de controlar el ordenador y hacer cosas por nosotros.

Sí, Claude es un agente que puede controlar directamente el ordenador, mover el ratón (o, mejor dicho, el cursor), hacer clic, escribir, mover archivos, navegar por internet y gestionar los archivos locales. Para hacerlo Claude básicamente puede “ver” lo que hay en la pantalla y lo analiza para saber qué hacer, cuál es la mejor acción (o la más correcta) para cumplir con nuestras peticiones.

Que Claude es una herramienta increíblemente útil para picar código es innegable, pero lo interesante ahora es que podemos usar Claude Cowork para mucho más, dejarle las riendas del ordenador para hacer más cosas, e incluso pedírselo desde el móvil gracias a la función Dispatch, que básicamente nos permite asignarle tareas a Claude desde el móvil, casi como si fuera un chat con un compañero de trabajo. Claude recibe los mensajes y los ejecuta controlando el ordenador.

Así que veamos algunos usos muy interesantes y, sobre todo, útiles para Claude como agente controlando el ordenador:

Tu lunes empieza a las 9:00 con todo hecho: planificación y briefing automático

Claude puede ser una súper herramienta que nos ayuda a iniciar la semana. Es posible crear una tarea recurrente (con el comando /schedule) para que todos los lunes por la mañana Claude acceda a aplicaciones como Slack, Gmail y nos ofrezca un resumen de pendientes y toda la información necesaria, mensajes recibidos y tareas y eventos para la semana. Es, básicamente, un súper asistente virtual.

Investigación compleja de múltiples archivos

¿Que tienes tres docenas de archivos PDF y documentos de texto para leer y sacar tus conclusiones? Podemos dejar que Claude nos eche una mano. Podemos pedirle a la IA que procese todos estos archivos en nuestro ordenador y genere un informe detallado con los puntos claves de los mismos. Esto no es un simple resumen, puede generar un informe identificando aspectos concretos y sacar conclusiones en base a ello.

Adiós al caos en 'Mis Documentos': organización inteligente de carpetas

¿El escritorio en tu ordenador es un desastre o tu carpeta Mis Documentos? Claude puede organizarlo de forma inteligente y precisa. La IA puede organizar por temática (separar archivos del trabajo de personales, por ejemplo), por fecha, por tipo, detectar archivos duplicados y organizar todo sin que el usuario deba intervenir.

Limpiar, organizar y gestionar tu correo electrónico

Y Claude no solo puede organizar los archivos en un escritorio, sino también limpiar la bandeja de entrada del correo electrónico. Podemos pedirle que elimine todos los correos de suscripciones (siempre que tenga tu permiso explícito), o filtrando por fecha, por ejemplo, que identifique correos importantes basándose en nuestras instrucciones y criterios, e incluso redactar respuestas para estos correos y dejarlas en los borradores para que las verifiquemos antes de enviarlas.

Creación automática de archivos (incluyendo facturas)

Claude puede generar documentos desde cero, desde hojas de cálculo y archivos PDF hasta facturas y otros documentos relacionados con un trabajo. Al darle acceso al ordenador y a las carpetas desde la que tomará los datos y todo lo necesario para crearlos, Claude puede crear, por ejemplo, lotes de facturas separando por clientes o fechas o tipos de productos. La idea en este caso, al igual que en otros, es disminuir la cantidad de tareas repetitivas que muchas veces tenemos que hacer nosotros mismos.

Buscar y comparar precios

Claude puede usar el navegador para abrir las páginas web de varias tiendas online y buscar precios de lo que le indiquemos, además de calcular otras cosas como gastos de envío (de ser necesario) y tiempos de entrega, y darnos toda esta información en una tabla comparativa.

Planificación de viajes

Podemos pedirle a Claude que investigue y busque las mejores ofertas de vuelos, hoteles y hospedaje para las vacaciones o para cualquier viaje. Claude va a acceder a las páginas web de aerolíneas y plataformas de compra de billetes y reservas de hoteles, y comparar los mejores precios basándose en nuestras preferencias (fechas, escalas, etc.). Al controlar el ordenador Claude no está limitado a buscar en un solo sitio, sino que puede buscar directamente en muchas páginas web sin asistencia humana.

Buscar archivos en el ordenador y enviarlos al móvil

Claude puede ayudar a encontrar archivos y documentos usando un lenguaje natural, dado que no solo puede mirar los nombres de los archivos sino también los metadatos y más información. Podemos pedirle desde el móvil que busque algo en el ordenador y nos lo envíe al smartphone mediante el chat con Claude. Por ejemplo: “busca la factura de compra de mi televisor en mi ordenador y envíamela”; Claude, tras encontrarla, la cargará en el propio chat en la app de Claude.

Más temas que debatimos en el último episodio del podcast:

• El Tokenmaxing en Silicon Valley

• QEPD Metaverso

• Cursor y su nuevo modelo de codificación

• La súper aplicación de OpenAI

• Lo de Suleyman con Copilot es una cosa

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

OpenAI está cambiando su estrategia, y es un giro más que necesario. Parece como si OpenAI ha entendido que más allá de desarrollar la inteligencia artificial más avanzada, tienen que lograr que las empresas la adopten de forma real (y masiva) en sus operaciones. Y la “muerte” de la aplicación Sora es un sacrificio necesario en ese camino. Han dicho “ya basta de side quests”.

La empresa liderada por Sam Altman quería intentar hacer todo a la vez: el chatbot, el navegador Atlas, la red social de vídeos de IA Sora, e-commerce en ChatGPT e incluso el desarrollo de hardware de la mano de Jony Ive. Esto ha generado una falta de foco, además de tensiones en el uso de capacidad de cómputo entre los distintos equipos en OpenAI.

El tema no es nuevo, desde el episodio de la semana pasada del podcast lo venimos comentando: es un disparate creer que vas a ser líder en una docena de categorías, mientras un rival, Anthropic, se está posicionando como un proveedor dominante para empresas y profesionales de la programación gracias a Claude Code.

Una reorganización de prioridades y un mayor foco era algo necesario, aunque suponga el fin de la aplicación Sora.

RIP Sora

Viendo los números que se comentan sobre Sora, esto era la crónica de una muerte anunciada. Lo que sorprende, quizás, es lo rápido que ha llegado esta muerte y en qué contexto: justo cuando OpenAI había firmado un acuerdo multimillonario con Disney relacionado con Sora.

OpenAI lanzó Sora a mediados de 2025 primero en algunos territorios, y entre noviembre y diciembre la desplegó en todo el mundo. La idea de la app era tener una red social llena de vídeos de IA, desde el slop hasta cosas realmente divertidas, como los míticos vídeos del gato músico. También podíamos usar nuestra imagen para formar parte de estos vídeos, y poder luchar con Darth Vader en medio de nuestra propia película de Star Wars.

Bueno, más que una película, nuestro propio vídeo de 10 segundos.

Sora fue un golpe sobre la mesa y rápidamente captó muchos usuarios, los cuales no parecían estar tan interesados en compartir sus creaciones en la propia app de OpenAI, sino más bien llevarse esas creaciones a otras redes sociales. El hecho es que generar estos vídeos consume recursos, y cuando millones de personas en todo el mundo lo hacen, el gasto es enorme. Se estima que OpenAI perdía alrededor de 15 millones de dólares al día con Sora. También se estima que el interés en la aplicación cayó en picada, y ya no se encuentra entre las aplicaciones más populares y con más descargas en las plataformas móviles.

Aún así, y como ya comentamos en el podcast, en medio de tanto debate a favor y en contra de la IA, Sora demostró el impacto y la aceptación que pueden tener los vídeos creativos hechos por cualquier persona usando inteligencia artificial.

Pero esta aceptación no ha sido suficiente, y ni siquiera el acuerdo con Disney por 1.000 millones de dólares y obtener la licencia de alrededor de 200 personajes de Disney para usar en Sora (aunque Disney, por su parte, sigue interesada en aventurarse en el mundo de los vídeos con IA). La nueva estrategia de OpenAI es más importante.

La súper aplicación de OpenAI

Hay dos cosas muy importantes en desarrollo en los cuarteles de OpenAI. La primera es un nuevo investigador de inteligencia artificial completamente automatizado y basado, cómo no, en agentes. La idea es que este investigador pueda abordar por sí solo problemas grandes y complejos.

Este es uno de los objetivos más importantes para la compañía durante los próximos años. Lo primero que veremos será un “becario” de IA autónomo, que debería llegar a mediados de año. Pero el objetivo es que este sistema multiagente automatizado esté disponible para el año 2028.

El segundo proyecto importante de OpenAI en esta nueva estrategia es su nueva súper aplicación, o “superapp”. Según un reportaje del Wall Street Journal, OpenAI piensa que han estado “dispersando los esfuerzos en demasiadas apps y stacks”, algo que ralentiza el desarrollo y perjudica la calidad. La idea ahora es combinar la aplicación de ChatGPT, Codex y Atlas en una única super aplicación para buscar más ventas en el segmento enterprise.

El adiós a Sora y la llegada de una superapp son parte del nuevo camino que está tomando OpenAI para poner más foco sobre pocas prioridades y no intentar abarcarlo todo.

Más temas que debatimos en el último episodio del podcast:

• El Tokenmaxing en Silicon Valley

• QEPD Metaverso

• Cursor y su nuevo modelo de codificación

• La súper aplicación de OpenAI

• Lo de Suleyman con Copilot es una cosa

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

OpenAI ha lanzado dos actualizaciones muy importantes y significativas, y lo ha hecho en menos de una semana. De hecho, apenas con dos días de diferencia. Se trata de los nuevos GPT-5.3 Instant y GPT-5.4, siendo este último la guinda del pastel, un salto importante en lo que puede hacer el modelo de ChatGPT en programación y en sus capacidades agénticas.

Pero es que a OpenAI no le ha bastado con lanzar estos nuevos modelos, sino que la compañía de Sam Altman también está cambiando la formas de actualizar sus modelos de lenguaje, incluyendo la desaparición de Codex, integrándolo a partir de GPT-5.4. Y los benchmarks, por supuesto, muestran muchas mejoras y avances en el nuevo modelo. Por ejemplo, en el Benchmark OS World las capacidades de GPT-5.4 han superado el rendimiento promedio humano, y en GDPVal supera en más del 12% tanto a GPT-5.3 Codex como a GPT-5.2.

Pero como ya decíamos en el episodio del podcast, con cada nueva actualización podemos esperar que al menos mejoren los números, los benchmarks. Entonces…

¿Qué es lo que cambia?

Primero, lo primero. OpenAI ha anunciado que las actualizaciones de sus modelos de lenguaje van a cambiar a partir de ahora. En palabras de la compañía, “podemos esperar que los modelos Instant y los modelos Thinking evolucionen a ritmos diferentes”.

Con el lanzamiento de GPT-5.3 Instant las capacidades conversacionales de ChatGPT han mejorado mucho, pero al mismo tiempo OpenAI se ha saltado el ‘Pro’ y el ‘Thinking’ de GPT-5.3 para ir directamente a GPT-5.4. A esto es a lo que se refiere la compañía de Altman, por lo que no debería sorprendernos si en el futuro vemos en simultáneo un GPT-5.4 Instant y un GPT-5.6 Thinking, como acotaba DotCSVLab en su vídeo.

Entonces, en líneas generales GPT-5.3 da un salto en lo conversacional, en entenderse con el usuario y responder a preguntas y consultas rápidas. Por otro lado, GPT-5.4 no es solo un salto, es mucho más, dado que este modelo incluye mejoras importantes en sus capacidades como agente de IA. En pocas palabras: es un modelo que puede utilizar el ordenador y navegar por interfaces.

Y esto de los agentes es algo que estamos viendo cada vez más en el mundo de los modelos de lenguaje. Decíamos en el episodio que nos acercamos muy rápido a un futuro (y un futuro que parece estar a la vuelta de la esquina) en el que podamos irnos de casa al gimnasio o a hacer cualquier cosa, mientras dejamos a un agente haciendo cosas en el ordenador en casa, dándole nuevas órdenes a través del móvil mientras nosotros estamos ocupados en otra cosa.

Es este tipo de uso al que apunta OpenAI, al igual que otros titanes de la industria de la IA. Un uso más profesional, útil y práctico de la IA, y no solo para curiosidades o conversaciones. De hecho, OpenAI incluso mató GPT-4o, un modelo que para muchos usuarios permitía lograr una relación más “personal” con la IA, y ahora ChatGPT tiene prohibido decir cosas como “te amo”. En Reddit se ha liado por esto, dado que hay personas que han desarrollado una cercanía emocional con el asistente de IA. En el subreddit llamado “Mi novio es una IA” los usuarios se quejan de un ChatGPT más frío y menos cercano que nunca.

GPT-5.4 no es un modelo centrado en mejorar las interacciones con el usuario, sino en ser mucho más útil y, sobre todo, profesional. Al integrar las funciones de los modelos Codex, GPT-5.4 es mucho más útil y capaz para la programación. GPT-5.4 también ha ampliado su ventana de contexto hasta 1 millón de tokens.

Y para el usuario generalista, el que no va a aprovechar las mejoras en programación, también hay ventajas: ha mejorado muchísimo en la generación de presentaciones, documentos y hojas de cálculo, tanto en la precisión de datos y textos como en el apartado estético. Dicho lo dicho, estamos ante una de las actualizaciones más importantes y masivas de los modelos de OpenAI.

Más temas que debatimos en el último episodio del podcast:

• El drama de Microsoft: ¿Por qué Copilot no para de perder usuarios?

• Apple y el retraso infinito: Siri no llega y el “HomePad” se va a 2026

• Zuckerberg compra “el foro de los bots”: ¿Es Moltbook la nueva mecánica social?

• Freepik en el Top Mundial: La única española en el Olimpo de la IA generativa

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

El 2026 arrancó con fuerza en el mundo de la inteligencia artificial. Apenas van tres meses y las compañías más importantes (y algunas de las más interesantes) del sector han lanzado nuevas herramientas y actualizaciones de sus modelos de lenguaje que, si no has prestado atención, es probable que sientas que necesitas un máster para ponerte al día con todos los lanzamientos.

El ritmo de la inteligencia artificial en este 2026 es muy acelerado, por lo que hemos seleccionado 10 herramientas que han sido un golpe sobre la mesa en las últimas semanas. Hay de todo, desde el modelo más avanzado de Google para generar imágenes hasta herramientas para mejorar la calidad de los vídeos usando IA y el desembarco de Cowork en Windows.

Cowork en Windows con Tareas programadas

Cowork de Claude ya nos voló la cabeza, y ahora el modo agente completo ha llegado a Windows, junto a las Tareas programadas. Estas tareas permiten a Claude trabajar en segundo plano sin necesidad de estar frente al ordenador, convirtiéndolo en un verdadero agente y asistente que vive en el escritorio.

Gemini 3.1 Pro

Google lanzó una actualización importante para Gemini, Gemini 3.1 Pro, con razonamiento dinámico y una ventana de contexto de hasta 1 millón de tokens. La buena noticia es que está disponible de forma gratuita, aunque limitada. Si quieres poder aprovecharlo al máximo, es necesaria una suscripción a Google AI Pro.

Publi.

Ojo con Datamecum si lo que buscas es una capacitación en inteligencia artificial generativa. Se trata de una plataforma a cargo de docentes expertos (Emilio Soria y Joan Vila, de la Universidad de Valencia) que no solo enseña cómo usar las herramientas de inteligencia artificial sino también las nuevas formas de pensar necesarias para implementar estas herramientas en el día a día a nivel profesional y personal, automatizando tareas, generando ideas más fácil y rápido y resolviendo problemas en menos tiempo.

Además con el cupón monos15 tendrás un 15% de descuento en el curso online de Datamecum que encuentras acá.

Grok 4.2

xAI también lanzó una actualización importante de Grok, la cual promete estar más conectada a la realidad, lo que en otras palabras significa que analiza en tiempo real todo lo que sucede en X, mejor que nunca, y entiende mejor lo que ve en un vídeo.

Qwen 3.5

En Alibaba no se han quedado atrás y han lanzado Qwen 3.5, la nueva versión de su modelo de código abierto con muchísima potencia. Lo nuevo de Qwen incluso ha superado a GPT-4o en los benchmarks de código y matemáticas, y una de sus grandes ventajas sigue siendo la capacidad de entender matices y tecnicismos en idiomas que no son el inglés.

Los Custom Agentes de Notion

Otra gran novedad reciente son los agentes autónomos dentro de Notion, pensado para que puedan funcionar en segundo plano y “vigilar” páginas de Notion y, por ejemplo, notificar si ha habido un cambio o cualquier cosa que deseemos.

La aplicación de Codex

Se trata de una aplicación nativa para macOS y para Windows, pensada para revisar código, sugerir cambios e incluso crear aplicaciones desde cero, y algo muy útil para los desarrolladores, poder prototipar en cuestión de minutos.

El “Escalador” de Freepik ha dado un salto

La herramienta de Freepik para escalar vídeos ahora es mejor que nunca. Puede mejorar la resolución de vídeos de calidad baja hasta 4K en muchos casos. La IA no solo “agranda” la imagen, los píxeles, sino que que “alucina” los detalles para que sea más realista. Es una pasada verlo en funcionamiento.

Presentaciones con NotebookLM

NotebookLM ahora puede generar presentaciones completas de PowerPoint, solo le damos los documentos y crea las diapositivas. Por supuesto, también se puede exportar un archivo .pptx para editarlo y personalizarlo en PowerPoint, o en la propia herramienta “Presentaciones” de Google Workspace.

Nano Banana 2

El motor de generación de imágenes más avanzado de google no ha hecho más que mejorar. Una de las grandes novedades de esta actualización es que puede escribir texto perfecto dentro de las imágenes (algo que muchos pedíamos), y además se pueden editar imágenes por capas con lenguaje natural; por ejemplo: “cambia el color de las paredes a azul y pon una alfombra en la habitación”, entre muchas otras cosas.

Más temas que debatimos en el último episodio del podcast:

• Crónica desde el AI Robot congress

• La nueva ronda de OpenAI

• Se armó la liada Trump-Claude-Sam Altman

• La entrevista en CBS a Darío

• Tenemos que hablar de los nuevos Qwen

• Cambiar de chatbot sin perder tu memoria cambia las reglas

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

En julio de 2025 Anthropic anunció que el Departamento de Defensa de los Estados Unidos le había otorgado un contrato por 200 millones de dólares para el uso de su tecnología, al integrar los modelos Claude en las operaciones de defensa. Ahora, unos siete meses después, hay tensiones entre el Pentágono y la empresa liderada por Dario Amodei: Anthropic pone límites en el uso de su inteligencia artificial, y el Pentágono no está de acuerdo y quiere más.

Anthropic se posiciona como una empresa de inteligencia artificial que prioriza el despliegue ético, pero hay quienes dicen que en el amor y en la guerra todo vale. En concreto, el Secretario de Defensa de los Estados Unidos, Pete Hegseth, ha criticado a los modelos de inteligencia artificial que no permiten “luchar guerras”. La IA promete ser la próxima gran herramienta para los avances militares de las naciones más poderosas, o al menos esa parece ser la ambición de los gobiernos.

Como comentamos en el podcast, el uso de la inteligencia artificial en el mundo militar es uno de los motivos por los que las superpotencias no están moderando, o limitando demasiado, el desarrollo de la IA. Esto recuerda, en cierto modo, al mundo de las armas nucleares, ya que parece haber una sensación de: si tu enemigo o tu rival las tiene, no puedes quedarte atrás.

El conflicto entre Anthropic y el Pentágono llega poco después de la captura de Nicolás Maduro en Venezuela por parte de los Estados Unidos. ¿Y qué tiene que ver una cosa con la otra? Pues que se ha revelado que se usó la tecnología de Claude, de Anthropic, en la operación militar para capturar a Maduro. Esto, a través de Palantir, la empresa privada liderada por Alex Karp y co-fundada por Peter Thiel que se dedica a ofrecer servicios de análisis de datos al Departamento de Defensa estadounidense.

Anthropic firmó un acuerdo como proveedor de Palantir, quienes también han creado las soluciones tecnológicas que usa el ICE para perseguir a personas inmigrantes acusadas de estar en el país de forma ilegal.

¿Anthropic va a ceder?

Según un portavoz del Pentágono: “nuestra nación requiere que nuestros socios estén dispuestos a ayudar a nuestros combatientes a ganar en cualquier lucha”. Lo que piden en el Departamento de Defensa es acceso ilimitado a los modelos de IA, así, sin más. Anthropic, al igual que otras empresas de IA, pone restricciones a sus modelos Claude, límites de uso, por ejemplo prohibiendo aplicaciones para la vigilancia ciudadana y las armas letales autónomas.

Anthropic se resiste a estas exigencias, y el contrato por los 200 millones de dólares está en riesgo. Pero siendo sinceros, esta cantidad puede parecernos muchísimo dinero a nosotros, los simples mortales, pero el verdadero riesgo para Anthropic no es esta suma de dinero, sino ser reemplazada por otra IA, que el Pentágono se decante por los servicios de la xAI de Elon Musk (que Musk ya ha dicho que tiene como “ventaja” que no es una IA “woke”), o por sus rivales en OpenAI y en Google.

Es una posición complicada para Dario y sus socios, pero sospecho que al final van a ceder a las necesidades del Estado. Que la inteligencia artificial se va a usar para fines militares y la guerra es algo que podemos dar por hecho, la gran pregunta, o el debate, es sobre la participación de una empresa privada como lo es Anthropic. ¿Debería poder decidir si su producto se usa o no para fines militares? Y por otro lado, ¿el Estado puede imponerse y usar esos productos por temas de interés o seguridad nacional?

Ya mencionamos el caso de las armas atómicas: si el enemigo las va a hacer, no te quedas parado mientras. En este caso, si los rivales de Estados Unidos (como China) usan sus modelos de IA más avanzados en sus sistemas de defensa, Estados Unidos tiene en Silicon Valley varias opciones para hacer lo mismo.

Más temas que debatimos en el último episodio del podcast:

• Seedance y la hegemonía de vídeo china

• Claude Sonnet 4.6

• Las predicciones de Dario Amodei

• Y robots calientes

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

El 29 de enero Google DeepMind liberó Genie 3, una herramienta de inteligencia artificial que puede convertir prompts de texto o imágenes en mundos 3D explorables. En cierto modo, permitiendo crear “juegos” completamente personalizados, pero muy, muy limitados. El lanzamiento ha sacudido a la industria de los videojuegos, pero la realidad es que Genie 3 no es simplemente un motor de juegos, es algo distinto, y que podría ser realmente útil en áreas como los coches autónomos y la educación, más allá del gaming.

¿Qué es Genie 3?

En pocas palabras, Genie 3 no es un motor de juegos; en cambio, es un “modelo de Mundo”. La gran diferencia es que mientras un motor de juegos como el Unreal o el Unity ejecutan código programado y cumplen las reglas y condiciones preestablecidas, lo que hace Genie, un modelo de Mundo, es predecir lo que va a suceder a continuación, basándose en las acciones del sujeto o la persona que interactúa con la herramienta.

Veámoslo de este modo: si Gemini escribe textos y Veo crea vídeos, Genie genera realidades interactivas.

Genie 3 genera entornos en 3D a partir de un prompt de texto o incluso a partir de una imagen, ofreciendo simulación en tiempo real. ¿Y cómo sabe o “predice” Genie qué es lo que debe hacer? Bueno, esto es lo más sorprendente: la IA alucina física y movimientos sin tener un motor tradicional, lo que ha hecho es aprender basándose en ver incontables vídeos.

Y esto es algo que nos ha sorprendido mucho, como comentamos en el último episodio del podcast. Por ejemplo, si controlamos a un personaje caminando por un bosque llevando un GPS, cuando hacemos que el personaje cambie de dirección, la IA de Genie 3 asume que la pantalla del GPS también debería mostrar que ha cambiado de dirección. Nadie se lo ha dicho, no está programada para ello (como ya dijimos, no hay un motor detrás), la IA asume que es un cambio que debe ocurrir en la pantalla del dispositivo.

Genie 3 tiene muchos límites (al menos ahora)

Es impresionante lo que puede hacer, hemos podido ver cómo las personas han creado mundos inspirados en el GTA, sus propios Mario Kart (lo del copyright es otro tema…) y mundos originales (¡incluso uno basado en el mítico wallpaper de Windows XP!), pero los resultados distan de ser perfectos. De hecho, la herramienta todavía tiene muchos límites.

Por ejemplo, actualmente el modelo tiene una memoria de solo 60 segundos. Esto significa que pasado el primer minuto, el mundo pierde coherencia y se vuelve más aleatorio. Esta es una de sus diferencias más importantes en comparación con un motor de videojuegos: mientras que el motor, programado, tiene reglas que siempre deben cumplirse (por ejemplo: si tocas un timbre en una casa, el timbre suena), el modelo de mundo puede olvidar algo que ya has hecho o una parte del mapa.

Además, los mundos también están limitados a una resolución de 720p y unos 20 fotogramas por segundo. Por ahora, Genie 3 solo está disponible para usuarios en Estados Unidos del plan Google AI Ultra (es decir, el plan más caro).

El día del colapso en el mundo del gaming

Entonces, si no es un motor de juegos, ¿para qué sirve?

Genie 3 es impresionante, incluso con sus límites. Pero su propuesta es diferente a querer ser un motor de videojuegos. Su utilidad es otra. Por ejemplo, al generar mundos 3D interactivos esto podría ser útil para entrenar coches autónomos y robots, ya que con Genie podrán “imaginar” los escenarios y las consecuencias en el mundo real. También es posible crear simulaciones interactivas para clases de geología, historia o biología. Ya lo decíamos en el podcast: ¿os imagináis poder dar una clase desde el punto de vista del espermatozoide?

En el mundo de los videojuegos, esto no es un reemplazo. No obstante, Genie 3 y los modelos de Mundo podría ayudar en las primeras fases de desarrollo, permitiendo crear bocetos y mostrar ideas conceptuales para su desarrollo. También vemos posible el nacimiento de experiencias narrativas interactivas para el mundo del entretenimiento, como por ejemplo poder explorar el mundo de ‘Juego de Tronos’.

Por su parte, el mundo de los videojuegos se ha visto sacudido por Genie 3. Las acciones de algunas de las compañías más importantes del mundo del gaming colapsaron el pasado 30 de enero, un día después del lanzamiento de la herramienta. Ese día las acciones de Unity cayeron un 24%, las de Take-Two cayeron un 9% y las de Nintendo cayeron un 4,5%. La reacción del mercado ante Genie era temor a la disrupción de la IA en el desarrollo de los videojuegos.

Pero como ya hemos explicado, no es tan sencillo, ni tan así. El mismo Tim Sweeney de Epic Games lo explica así:

Los modelos de mundo tienen una gran ventaja en su amplio conocimiento del mundo y en su capacidad de combinar contenidos y estilos variados. Los motores (de videojuegos) tienen una gran ventaja en cuanto a la representación estable del mundo, simulación reproducible y renderizado eficiente en términos de GPU y energía.

La brecha entre la simulación y la generación se está acortando. Los modelos de Mundo probablemente reemplazarán los renderers tradicionales, pero la lógica de juego y los sistemas de diseño son un problema diferente, más adecuado para los agentes de generación de código.

Más temas que debatimos en el último episodio del podcast:

• Moltbook no nos ha impresionado (tanto)

• Hay una movida entre Nvidia y OpenAI

• El plan maestro de Elon Musk

• Qué onda con Oracle

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Hubo una época en la que había una creencia en el mundo digital de que “si no lo publicaste en Twitter, es que no lo has hecho”. Lo hemos recordado al compartir en las redes sociales un viaje en uno de los coches de Waymo, pero es que teníamos que hacerlo. La sensación fue de una aventura, la primera vez innovadora, fascinante, después con confianza suficiente para comerme una hamburguesa. Y es que en Estados Unidos, o al menos en la ciudad de San Francisco, los coches de Waymo y los Robotaxis ya son el pan de cada día.

Waymo no ha parado de crecer en el país norteamericano en los últimos años. En 2025 la compañía superó los 20 millones de viajes autónomos, y hoy en día en ciudades como San Francisco muchas veces incluso tienen un precio más bajo que el de los taxis o los servicios de transporte tradicionales (es decir, con chóferes), como lo es Uber, por ejemplo. Parte de su estrategia para posicionarse como una alternativa viable y atractiva y no solo al alcance de pocos, imaginamos. Para 2029, Waymo quiere igualar el tamaño del mercado estadounidense de los viajes compartidos.

Waymo versus Tesla

Honestamente, la experiencia de viajar en uno de estos coches es increíble. Esto no va a convencer a la gente que le gusta conversar con el conductor, pero si eres de los que prefiere viajar en completo silencio, te va a encantar. El coche te busca y una vez te subes puedes controlar la temperatura, ver el mapa en tiempo real y flipar con el hecho de que el volante se mueve por sí solo. Al menos la primera vez que te subes, ya que como ya he mencionado, es el pan de cada día para los habitantes de esta ciudad.

¿Y son seguros? Los datos más recientes sugieren que sí, al menos en una gran parte. Como comentamos en el podcast, conversando con compañeros que viven en la ciudad nos han dicho que los accidentes suelen ocurrir porque los coches son “demasiado correctos” al circular, apuntando 100% a la legalidad. Es decir, no se saltan las reglas, siguen al pie de la letra los reglamentos de tránsito, las señales, y eso puede resultar confuso para algunos conductores humanos, lo que puede terminar en un accidente.

Hablando de cifras, Waymo reportó 0,74 incidentes por cada millón de millas recorridas (1,6 millones de kilómetros), asegurando que en 2025 lograron reducir en un 85% las lesiones graves, la gran mayoría de accidentes son leves. Tesla, por su parte, reporta 1 accidente por cada 6,36 millones de millas (10,2 millones de kilómetros) para Autopilot (mayormente en autopistas), pero también reportan una colisión por cada 2,9 millones de millas (4,6 millones de kilómetros) para FSD (Full Self Driving, o conducción completamente autónoma pero supervisada).

Y hablando del FSD, esto es algo que también pudimos probar. No podíamos dejar pasar la oportunidad de subirnos a un Cybertruck y probar el FSD. A Matías no le gusta conducir, decíamos en el episodio. Y si el Cybertruck lo puede hacer por sí solo, ¿por qué no?

Tesla está confiada en que el FSD es el futuro de sus coches, parte de su plan de automatización completa y de también apostar por los robots (incluso han anunciado que dejarán de producir el Model S y el Model X). La compañía ha eliminado el Autopilot de los vehículos nuevos vendidos en Estados Unidos y Canadá, buscando forzar a los usuarios que quieran funciones de conducción autónoma a pagar por el Full Self-Driving.

Todo esto en el territorio norteamericano, ¿pero qué pasa en España? Tesla ya ha comenzado a probar el FSD en el país, incluyendo en las calles de Málaga. Y la DGT ya tiene una nueva etiqueta, cómo no, esta vez roja y mostrando a dos pasajeros dentro de un coche autónomo.

Todavía falta tiempo para que veamos al Cybercab de Tesla en las calles, Elon ya advirtió que la producción empezará “agonizantemente lenta”. Musk quiere producir 4 millones de estos taxis sin volantes ni pedales cada año, y mientras tanto, el FSD de Tesla y los coches de Waymo son un buen adelanto de lo que es vivir entre coches que parecen salidos de la película ‘Minority Report’ de Spielberg y Tom Cruise.

Más temas que debatimos en el último episodio del podcast:

• Probamos Clawdbot, ahora Moltbot

• Los planes de Apple con la IA: más detalles sobre la nueva Siri

• La soberanía tecnológica: usando tecnología 100% europea

• España, la inteligencia artificial y los artistas

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

La batalla legal entre Elon Musk y OpenAI acaba de dar inicio, y es un caso que amenaza con sacudir a Silicon Valley. Musk, quien fue cofundador e inversionista de OpenAI en sus orígenes, exige una compensación de entre 79.000 y 134.000 millones de dólares a OpenAI y Microsoft.

La razón: Musk asegura haber sido traicionado y estafado por OpenAI al haber abandonado sus raíces como organización sin fines de lucro.

Estamos ante un juicio que podría definir una parte importante del futuro de la inteligencia artificial. Por un lado, Musk exige una compensación multimillonaria tras haber invertido 38 millones de dólares en la financiación inicial de OpenAI. Según el abogado de Elon, este dinero fue otorgado bajo la promesa de que OpenAI sería siempre una organización sin fines de lucro y open source, y por lo tanto, ahora Musk tiene derecho a una parte del éxito comercial de la empresa.

Es un litigio que ha estado y estará lleno de revelaciones, como ya comentamos en el episodio del podcast, dado que incluso se han dado a conocer fragmentos del diario que llevaba Greg Brockman durante os inicios de OpenAI.

El monto de hasta 134.000 millones de dólares que demanda Musk está relacionado a la valoración actual de la compañía de unos 500.000 millones de dólares. Siendo más específicos, Musk busca un pago de entre 65.500 y 109.400 millones de dólares por parte de OpenAI, y entre 13.300 y 25.100 millones por parte de Microsoft.

Según OpenAI, en una publicación oficial:

“La demanda del Sr. Musk es infundada y sin bases, y forma parte de su continuo acoso... Esta demanda, poco seria, únicamente tiene como objetivo promover esta campaña de acoso”.

En una carta a sus inversionistas, OpenAI advirtió que Elon Musk probablemente pasará los próximos días y meses haciendo declaraciones sin sentido e inusuales contra la compañía, pero también aseguran tener “una fuerte defensa” para su caso.

Sobre la “ruptura” entre OpenAI y Musk, la compañía liderada por Altman dice que el motivo real es que no aceptaron darle control total a Elon de la compañía, quien incluso propuso integrar OpenAI en Tesla, y usarlo como una fuente de dinero.

80.000 millones para Marte y los herederos de la IA

La demanda ha dado un paso importante en enero de 2026 dado que una jueza federal de California ha rechazado el intento de OpenAI de desestimar el caso. Por lo tanto, es muy probable que el juicio inicie en los tribunales el próximo mes de abril.

Sin embargo, OpenAI también ha dado un golpe sobre la mesa al publicar una serie de correos y documentos privados que revelan más sobre el pasado de Musk al estar relacionado con la compañía, y lo que aseguran eran sus “verdaderas intenciones”. Según OpenAI, Musk dice que sus intenciones eran altruistas, salvar el mundo de la IA, pero la realidad era otra.

En su publicación ‘The truth Elon left out” (que podemos traducir como “La verdad que Elon no está contando”), Open AI afirma dos cosas muy interesantes y, sobre todo, polémicas.

• Musk querría haber usado a OpenAI como plataforma para obtener dinero para SpaceX, con la intención de obtener 80.000 millones de dólares para crear una ciudad autosustentable en Marte

• Musk propuso que la AGI (Inteligencia artificial general) estuviera a cargo de un comité formado por sus hijos

El último punto es especialmente polémico dado que, básicamente, propone una especie de dinastía tecnológica a cargo de sus muchos herederos. Serían ellos quienes estarían a cargo de la AGI, potencialmente una de las tecnologías más importantes en para el futuro de la humanidad y del planeta.

Lo que empezó como una supuesta misión altruista para salvar a la humanidad de una IA descontrolada, se ha convertido en una de las batallas legales más importantes (y posiblemente costosas) de la historia de Silicon Valley. Y esto apenas está por comenzar.

Más temas que debatimos en el último episodio del podcast:

• El desarrollador despedido que revela datos sobre Grok y xAI

• Ya es oficial: la publicidad va a llegar a ChatGPT (y siempre lo supimos)

• Claude Cowork es la nueva herramienta de Anthropic

• Darío Amodei dice que la superinteligencia llegará muy, muy pronto

Monos Estocásticos está disponible en YouTube, Spotify, iVoox y Cuonda.

Imagen de portada hecha con inteligencia artificial (Freepik)