Inicio Blog Página 3

Llega Kimi K3, el modelo chino capaz de diseñar un chip en 48 horas

0

La china Moonshot AI presentó el jueves Kimi K3, un modelo de 2,8 billones de parámetros que, según la empresa, es el primer modelo abierto que llega a la clase de los tres billones. Salió la víspera del discurso de Xi Jinping en la cumbre de IA de Shanghái, y el momento no parece casual.

Hay dos cosas que conviene decir de entrada. Los pesos todavía no se pueden descargar. Y la propia Moonshot admite que su modelo va por detrás de los dos mejores modelos propietarios.

Abierto, pero todavía no

El anuncio dice que K3 está disponible desde ya en la web de Kimi, en su aplicación de escritorio, en su herramienta de programación y en su API de pago. Todo eso es servicio alojado: se usa en los servidores de Moonshot.

Conviene explicar qué son los pesos, porque son el meollo del asunto. Son los parámetros que el modelo aprende mientras se entrena: el poso que queda de haber digerido cantidades ingentes de datos. Que estén publicados es lo que permite descargar un modelo y ejecutarlo en tu propia máquina, en lugar de alquilarlo a través de una API. Es la diferencia entre comprar y alquilar.

Y eso, lo que de verdad hace abierto a un modelo, tiene fecha en el futuro.

Los pesos completos del modelo se publicarán antes del 27 de julio de 2026.

Moonshot AI, anuncio oficial de Kimi K3

Hasta entonces, como señala Axios, nadie de fuera puede inspeccionar, modificar ni ejecutar el modelo por su cuenta. Hoy es un modelo anunciado como abierto, no comprobado como abierto. No hay pesos, ni informe técnico, ni licencia publicada. La empresa promete los pesos para esa fecha y los detalles técnicos junto al modelo; de la licencia no dice nada.

Todo lo que se sabe del rendimiento de K3 son cifras que da Moonshot sobre un modelo que nadie ha podido auditar todavía.

La empresa dice que va por detrás

Lo más llamativo del anuncio es lo que reconoce. En el segundo párrafo, antes de cualquier gráfico, Moonshot escribe esto.

Aunque su rendimiento general todavía va por detrás de los modelos propietarios más potentes, Claude Fable 5 y GPT 5.6 Sol, Kimi K3 demostró un rendimiento de nivel frontera en nuestro conjunto de evaluaciones, superando de forma consistente a los demás modelos probados.

Moonshot AI, anuncio oficial de Kimi K3

Y en el apartado de limitaciones remata: reconoce una diferencia apreciable en la experiencia de usuario frente a esos dos.

Sus propias tablas lo confirman y lo matizan. En DeepSWE saca 67,5 frente a los 70 de Fable 5 y los 73 de GPT 5.6 Sol. Pero gana en otras: 42 en SWE Marathon frente a 35 y 39, y 81,2 en FrontierSWE frente a 71,3 de GPT 5.6 Sol. No es el mejor: es el que más se acerca sin ser propietario.

Qué lleva dentro

K3 usa dos piezas propias, Kimi Delta Attention y Attention Residuals, y una mezcla de expertos que activa 16 de 896. Tiene visión nativa y una ventana de contexto de un millón de tokens. Moonshot afirma que todo junto le da una eficiencia de escalado 2,5 veces mejor que su modelo anterior.

Para hacerse una idea de la escala: la empresa recomienda desplegarlo en configuraciones de 64 aceleradores o más. Esto no es algo que uno se baje al portátil, aunque los pesos sean abiertos.

En su propio gráfico de tamaños, K3 es casi el doble de grande que el mayor modelo abierto anterior, el DeepSeek V4 Pro de 1,6 billones, y deja lejos a Inkling, el modelo de Thinking Machines, de 975.000 millones.

Un chip diseñado por el modelo

Entre los casos que enseña Moonshot hay uno que merece la pena por sí solo. Dejaron a K3 diseñar un chip, solo, durante 48 horas, con herramientas libres de diseño electrónico.

El resultado: un procesador de 4 milímetros cuadrados que cierra tiempos a 100 MHz y sostiene más de 8.700 tokens por segundo en simulación, con 1,46 millones de celdas. Un chip hecho por un modelo para ejecutar un modelo. Sigue siendo una prueba de concepto, y la empresa la presenta como tal.

El chip no es el único terreno que Moonshot enseña. La empresa presume también de desarrollo de videojuegos y creación digital: dice que K3 puede convertir conceptos, imágenes y vídeos en experiencias interactivas totalmente jugables, apoyándose en su razonamiento 3D, su código y su visión.

Por qué importa el calendario

K3 salió el jueves. El viernes, Xi Jinping abría la Conferencia Mundial de IA de Shanghái defendiendo el código abierto y pidiendo que la IA no sea el solo de un único país, sino una sinfonía de cooperación internacional.

El argumento tampoco es nuevo en boca china: el fundador de Zhipu ya defendía este mes que la IA de frontera siga abierta mientras Occidente cierra el grifo.

La foto que quiere Pekín es esa: apertura frente a cerrojo. Aunque el modelo que la ilustra, de momento, solo se pueda usar pagando en los servidores de su dueño.

Reve

Imágenes como código

Modelo: Freemium

Reve, de la empresa estadounidense Reve AI (Palo Alto), genera, edita y remezcla imágenes a partir de descripciones en lenguaje natural. Su seña de identidad es una arquitectura que, según la compañía, separa la planificación de la composición del renderizado final: la imagen se «maqueta» antes de dibujarse, lo que busca un mayor control y una mejor fidelidad al prompt. Se dio a conocer en marzo de 2025, cuando su modelo (entonces Reve Image 1.0, «Halfmoon») encabezó el ranking de imagen de Artificial Analysis por delante de Midjourney, FLUX o Imagen; hoy va por la versión Reve 2.0.

El sistema combina las indicaciones por texto con un editor visual de arrastrar y soltar, de modo que se puede ajustar la posición de los elementos, la tipografía o la iluminación sin rehacer toda la imagen. La compañía pone el acento en el renderizado a alta resolución y en una estética cuidada, con especial atención al texto integrado en la escena.

El acceso se realiza a través de su aplicación web, con opciones gratuitas para empezar y planes de pago para usos más intensivos. Como matiz, encabezar un ranking no garantiza acertar con cualquier estilo o petición, y es una herramienta muy centrada en la imagen fija; conviene probarla con tus propios casos y contrastarla con otros generadores antes de adoptarla como principal.

Dirección: reve.com

Una rueda para decidir cuánto piensa la IA: así es el primer cacharro de OpenAI

0

El primer aparato que OpenAI pone a la venta no lo ha diseñado Jony Ive, no habla y no va al salón de tu casa. Es un teclado pequeño de 230 dólares que sirve para una sola cosa: mandar en los agentes que te escriben el código. Y lleva una rueda para decidir cuánto tienen que pensar.

Se llama Codex Micro y se puede pedir desde el 15 de julio en la tienda de OpenAI. Lo fabrica Work Louder, una empresa de teclados, y las unidades son limitadas.

Un mando para tus agentes

Lo que hay encima de la mesa es un macropad: un panel de teclas que no sustituye al teclado, lo complementa. La diferencia con cualquier otro está en para qué sirven esas teclas.

Seis de ellas se encienden con el estado de tus agentes. Cada una refleja una de las tareas en marcha y cambia de color según lo que esté pasando al otro lado: parado, pensando, terminado, esperando una respuesta tuya o error. Sin abrir la ventana, sin cambiar de chat.

El resto de teclas son atajos para lo que se hace todo el rato con un agente: aceptar un cambio, rechazarlo, abrir una conversación nueva o hablarle por voz. El joystick lanza flujos enteros, como revisar una pull request, depurar un error o refactorizar.

Una rueda para decidir cuánto piensa

Y luego está el detalle que mejor retrata el momento. El aparato lleva un dial que sube y baja el nivel de razonamiento del modelo. Lo giras hacia abajo para lo rápido y hacia arriba cuando el problema pide pensar más.

Es decir: el esfuerzo cognitivo de la máquina se ha convertido en un mando físico, como el volumen de una radio. Hace dos años se discutía si la IA razonaba; ahora tiene rueda.

La ficha técnica es la de un teclado caro y bien hecho: cuerpo de policarbonato y aluminio mecanizado, base anodizada, 13 interruptores mecánicos (a elegir entre sonoros o silenciosos), un sensor táctil, un codificador rotatorio y un joystick planar. Se conecta por Bluetooth o USB-C, va con Mac y con Windows, y trae 32 teclas de recambio con iconos para reasignar lo que quieras.

No es el aparato que esperaba nadie

Conviene situarlo, porque el hardware que se esperaba de OpenAI era otro. La compañía se quedó con io, la empresa de Jony Ive, el diseñador del iPhone, para construir un dispositivo doméstico que, según los rumores, sería un altavoz. Ese sigue sin llegar.

Y no llega en el peor momento posible: Apple ha demandado a OpenAI, a su filial de hardware y a dos empleados que salieron de Cupertino, por el presunto robo de secretos comerciales. Engadget lo resume con precisión: el Codex Micro es el menos problemático de los proyectos de hardware de OpenAI. Es lo que se puede enseñar mientras lo gordo está en los tribunales.

Tampoco es el primer hardware que lleva su nombre. En junio anunció con Broadcom Jalapeño, un procesador de inferencia para sus propios centros de datos. Aquello no se vende; esto se compra y se pone en la mesa.

Un accesorio que dice algo

Work Louder no es un fabricante cualquiera de este nicho: ya había hecho algo parecido con Framer, el creador de webs, y vende macropads para diseñadores. El patrón se repite, y ahora le toca a los agentes.

Porque eso es lo que hay debajo de un teclado de 230 dólares con unidades limitadas. Los agentes han dejado de ser una ventana de chat y se han convertido en algo que hay que vigilar: varios a la vez, cada uno en su tarea, unos parados y otros esperándote. Cuando un programador necesita seis luces para saber qué está haciendo su software, el problema ya no es que la IA no sepa programar.

OpenAI acaba de convertir Codex en una aplicación que junta ChatGPT, la programación y una herramienta nueva de productividad. El Codex Micro es el botón físico de todo eso. No hace falta para usarlo, y ahí está la gracia: es un objeto para quien pasa tantas horas dando órdenes a una IA que le compensa comprar un mando.

Ferrer construirá su plataforma con los agentes de IA de Salesforce

0

La farmacéutica Ferrer construirá su nueva plataforma de negocio con Salesforce. El acuerdo, anunciado el 16 de julio, gira en torno a Agentforce Life Sciences, la versión de la plataforma de Salesforce diseñada para el sector farmacéutico, e incorpora agentes de inteligencia artificial a la relación de la compañía con médicos y pacientes.

Ferrer es un laboratorio familiar con sede en Barcelona, especializado en enfermedades raras y neurológicas. Según sus propias cifras de 2024, factura unos 700 millones de euros, emplea a cerca de 1.700 personas y está presente en 116 países.

Qué han comprado

La plataforma no es una sola herramienta, sino un conjunto: además de Agentforce Life Sciences, Ferrer desplegará Marketing Cloud, Data Cloud, Experience Cloud, Sales Performance Manager, Feedback Management y MuleSoft, el componente que conecta entre sí los sistemas antiguos.

La idea es unir en un mismo sitio los datos de toda la cadena, desde las fases previas al desarrollo clínico hasta la comercialización de los tratamientos, y que ahí trabajen tanto los equipos como los agentes de IA. El punto de partida elegido son las enfermedades raras, el área donde la compañía concentra su investigación.

Ferrer ya trabajaba con Salesforce: la tecnológica contó en junio que la farmacéutica había explicado su caso de uso en el encuentro que organizó en Madrid y Barcelona. Lo de ahora es dar el salto a una plataforma más amplia.

Para qué quieren los agentes

Los casos de uso que la compañía ha identificado son concretos y dicen bastante del sector. Los agentes recomendarán acciones a los equipos comerciales y médicos, ayudarán a generar contenidos, revisarán los materiales sujetos a regulación, resumirán literatura científica y atenderán consultas mediante autoservicio.

Casi todos tienen que ver con el papeleo. En una industria donde cada folleto pasa un control normativo y donde la bibliografía crece más rápido de lo que nadie puede leerla, ahí es donde una empresa así espera ganar horas.

Todo ello con una persona supervisando. La compañía se compromete a un modelo de human in the loop, con revisión humana en cada paso, y a una arquitectura que garantice la trazabilidad y el cumplimiento normativo, requisitos ineludibles en un entorno tan regulado.

El responsable del proyecto en Ferrer resume así lo que esperan.

Esperamos evolucionar hacia una forma de trabajo más integrada y colaborativa entre equipos, apoyándonos en agentes de IA que puedan facilitar su día a día, que les permita centrarse en lo que realmente les aporta valor y puedan tomar decisiones más ágiles y con más información.

Sergio Cortés, Chief Digital, Data & AI Officer de Ferrer

De momento no hay plazos ni cifras públicas. Ferrer está definiendo con sus equipos la estrategia de implantación, y las capacidades de IA se irán incorporando por fases, caso de uso a caso de uso.

Una carrera por la farmacia europea

El movimiento no es aislado. Salesforce lleva un año largo firmando laboratorios: Novartis en diciembre, la italiana Chiesi en abril con 3.300 usuarios y la francesa Pierre Fabre en mayo con más de 4.000. También Moderna, Viatris y Merck Animal Health.

En mayo, la compañía cifraba en más de 140 las organizaciones del sector que usan ya esta plataforma, el doble que medio año antes.

Detrás hay un pulso por un mercado concreto: el del programa con el que las farmacéuticas gestionan su relación con los médicos, donde Salesforce compite con Veeva, la referencia histórica del sector. La estadounidense lleva un año colocando agentes de IA en cada rincón de su catálogo para disputárselo.

Ferrer entra en esa lista como uno de los pocos nombres españoles. Y lo hace por la puerta de las enfermedades raras, un terreno donde los pacientes son pocos, están dispersos por el mundo y encontrarlos es parte del problema.

Playground

Estudio de diseño con IA

Modelo: Freemium

Playground es una herramienta de inteligencia artificial que funciona como estudio de diseño para convertir ideas en logos, posters, pegatinas, camisetas, fondos y contenido para redes. Está pensada para personas sin experiencia previa en diseño, que describen lo que quieren y dejan que el sistema resuelva color, estilo y composición.

Su funcionamiento se apoya en una biblioteca de plantillas por categorías y en varios modelos de generación de imagen que conviven en la misma plataforma, lo que permite probar enfoques distintos según el resultado buscado. Incluye además herramientas de edición no destructiva, como cambio de estilo, reescalado o ajustes puntuales, para refinar cada diseño.

El acceso parte de un nivel gratuito para empezar y ofrece opciones de pago, además de la posibilidad de llevar los diseños a productos físicos como camisetas o gorras. Conviene tener en cuenta que, al apoyarse en modelos generativos, los resultados pueden variar y a veces requieren varias iteraciones hasta dar con la versión adecuada.

Dirección: playground.com

La primera IA de Mira Murati ya está aquí, y cualquiera puede descargarla y modificarla

0

Thinking Machines Lab, la empresa que fundó Mira Murati tras dejar la dirección técnica de OpenAI, presentó el 15 de julio su primer modelo de inteligencia artificial: Inkling. Y llega con una diferencia de fondo respecto a los de OpenAI, Anthropic o Google: cualquiera puede descargarlo y modificarlo.

Es la primera prueba tangible de la compañía tras año y medio construyendo en silencio, y también una apuesta: que la IA que cada organización adapta a su medida acabará rindiendo más que la que se alquila, igual para todos, a un puñado de laboratorios.

Qué significa que un modelo sea «de pesos abiertos»

Los «pesos» son los miles de millones de parámetros que un modelo aprende durante su entrenamiento: el poso que queda tras haber digerido cantidades ingentes de datos. Son, en la práctica, el modelo. Publicarlos significa que cualquiera puede bajarse el sistema entero, ejecutarlo en sus propias máquinas y cambiarlo, sin pedir permiso ni pagar por cada consulta.

Es lo contrario del modelo cerrado que domina el mercado, al que uno accede a través de una API o una suscripción, como quien alquila. Los pesos de Inkling están disponibles en Hugging Face, y el modelo puede afinarse desde Tinker, la plataforma de personalización de la propia empresa.

Qué trae Inkling

Técnicamente es un sistema de «mezcla de expertos»: tiene 975.000 millones de parámetros en total, pero solo activa unos 41.000 millones para cada tarea, un diseño habitual que abarata y acelera el funcionamiento de los modelos muy grandes. Se preentrenó con 45 billones de tokens de texto, imágenes, audio y vídeo, y razona de forma nativa sobre texto, imágenes y audio, sin apoyarse en capas externas para entender lo que no es texto.

Admite hasta un millón de tokens de contexto, aunque en Tinker se ofrece por ahora con 64.000 y 256.000. Se entrenó íntegramente sobre sistemas GB300 NVL72 de Nvidia, y su diseño de mezcla de expertos, reconocen, sigue en buena medida al del chino DeepSeek-V3. Junto a él llega un avance de Inkling-Small, de 276.000 millones de parámetros (12.000 activos), que iguala o supera al mayor en varias pruebas.

Tiene además dos rasgos poco comunes: está diseñado para dar respuestas calibradas, es decir, para avisar de su propia incertidumbre en lugar de inventarse una salida convincente, y permite subir o bajar el «esfuerzo de pensamiento» cuando se prefiere velocidad.

La virtud rara: no decir que es el mejor

Lo más llamativo del lanzamiento es lo que la empresa no afirma. En su propio anuncio se lee una frase que casi ningún laboratorio firmaría.

«Inkling no es el modelo más potente en conjunto disponible hoy, ni abierto ni cerrado».

Thinking Machines Lab, en el anuncio de Inkling

Lo que busca, dicen, es un rendimiento equilibrado, no encabezar los rankings. También reconocen a medias una práctica que el sector mira con lupa, la destilación: aunque Inkling se preentrenó desde cero, la empresa admite haber usado otros modelos de pesos abiertos ajenos, entre ellos Kimi K2.5 de Moonshot AI, para generar parte de sus primeros datos de posentrenamiento. El siguiente modelo, prometen, será autocontenido.

Regalar el modelo y cobrar por el taller

Aquí aparece la pregunta incómoda. Si los pesos son públicos, nada obliga a quien se los descarga a pagar a Thinking Machines por ejecutarlos, al contrario que el acceso medido que venden OpenAI o Anthropic. El dinero, por tanto, tiene que salir de Tinker: del entrenamiento, del ajuste fino y de una parte del ecosistema que se monte alrededor.

La empresa nació en febrero de 2025 y levantó 2.000 millones de dólares a una valoración de 12.000 millones, y presume de haber llegado hasta aquí en unos nueve meses, frente a los cinco años de OpenAI o los tres de Anthropic. Nvidia es socio desde marzo (un gigavatio de capacidad Vera Rubin) y dice haber hecho una «inversión significativa». La casa, eso sí, no está tan tranquila como parece: hoy son unas 200 personas, tras una oleada de salidas a principios de año que incluyó a dos cofundadores que se marcharon a OpenAI en enero.

El argumento de fondo, en cambio, va ganando adeptos. El consejero delegado de Microsoft, Satya Nadella, advirtió hace unos días de que las empresas que usan modelos propietarios pagan dos veces: en la suscripción y entregando el conocimiento de negocio que hay en sus miles de instrucciones y correcciones. Y hay un caso concreto: junto al fondo Bridgewater, Thinking Machines cogió un modelo abierto y lo entrenó con la experiencia financiera de la casa hasta alcanzar un 84,7% en pruebas de razonamiento financiero, por encima de los modelos propietarios y a una catorceava parte del coste. Conviene el matiz: esa evaluación la firman las dos empresas implicadas, no un tercero independiente.

Hay un detalle que apunta directo a la competencia: dicen haber entrenado a Inkling para responder sin rodeos en asuntos sujetos a censura, y presumen de que en las pruebas de la consultora Cognition mostró fuertes patrones de no acatarla. Porque con Inkling el debate entre abrir y cerrar deja de ser cosa de China. Si Zhipu defiende la apertura desde Pekín, ahora una exdirectiva de OpenAI lo hace desde San Francisco, y con el mismo argumento por bandera: que el futuro no es alquilar la inteligencia, sino llevársela a casa y adaptarla. Está por ver si eso da para pagar las facturas.

Canva abre su creador de webs con IA: gratis y sin programar

0

Canva ha lanzado Canva Code 2.0, la nueva versión de su herramienta para crear páginas web, aplicaciones y experiencias interactivas escribiendo instrucciones en lenguaje corriente. La novedad de peso es quién puede usarla: toda su comunidad, incluidos los usuarios del plan gratuito, además de los de pago, empresas, centros educativos y clientes corporativos.

Qué trae la nueva versión

El punto de partida ya no es solo una instrucción escrita. Ahora se puede arrancar desde una de las más de 50 plantillas nuevas o importar HTML para seguir trabajando sobre algo hecho en otra herramienta o con otro asistente de IA, sin rehacerlo desde cero. Además, Canva Code se puede usar dentro de otros proyectos: como una página más, en una pizarra o en una presentación.

Una vez generado, el resultado se edita como cualquier diseño de Canva: cambiar colores, tipografías o textos desde la barra de siempre, arrastrar imágenes de su biblioteca (que la compañía cifra en más de 120 millones de recursos) o pedirle los retoques a la IA. Los equipos pueden revisar y comentar en tiempo real dentro del editor, y lo que sale se adapta solo a cualquier tamaño de pantalla. Para publicarlo, se puede comprar un dominio propio desde la propia Canva, usar uno gratuito o compartirlo puertas adentro con inicio de sesión único.

En velocidad, las cifras que da la empresa son concretas: el tiempo de generación del código se reduce un 75%, es decir, se hace en la cuarta parte de lo que tardaba, y la mediana desde la instrucción hasta la publicación es un 30% más rápida.

La apuesta: que no parezca hecho con plantilla

Aquí está el argumento de Canva, y es más interesante que la lista de funciones.

«La mayoría de las herramientas de vibe coding se quedan en lo funcional y generan resultados que se ahogan en un mar de uniformidad».

Canva, en el anuncio de Canva Code 2.0

Dicho de otro modo: te dan un prototipo que funciona, pero dejarlo con tu aspecto exige otra herramienta de diseño, un programador o una cadena interminable de instrucciones. Su apuesta es que el cuello de botella no es escribir el código, sino que lo generado no parezca genérico.

Es una diferencia real frente a quienes compiten en generar aplicaciones a partir de texto, un terreno cada vez más concurrido en el que también se mueven Google y su AI Studio. Dicho esto, conviene recordar que el diagnóstico del «mar de uniformidad» lo firma la propia Canva, que es quien vende la alternativa.

Los números, todos de la casa

La compañía presume de tracción: desde que estrenó Canva Code hace un año, su comunidad ha publicado más de seis millones de sitios, desde tablones de aula hasta fichas inmobiliarias. Y sitúa en más de 265 millones sus usuarios mensuales y en 32.000 millones los usos acumulados de sus productos de IA. Son datos propios, sin verificación independiente, aunque dan la medida de por qué el movimiento importa: no es una herramienta nueva peleando por hacerse un hueco, sino una función que aterriza de golpe en la rutina de cientos de millones de personas.

Queda la letra pequeña, que rara vez aparece en los anuncios. Poner a cualquiera a publicar webs funcionales en cuestión de minutos, sin saber qué hay debajo, tiene un reverso que ya hemos contado: cuando la velocidad supera a la seguridad, los fallos viajan con el resultado. Que ahora esté al alcance de los 265 millones de usuarios de Canva, gratis incluidos, hace la pregunta más grande, no más pequeña.

733 agentes de IA en una empresa española, y ninguno lo ha hecho el departamento de informática

0

Los profesionales de Serveo, la antigua Ferrovial Servicios, se han fabricado 733 agentes de inteligencia artificial. No los ha hecho el departamento de informática: los han montado las propias áreas de negocio con las herramientas de Microsoft, y la compañía calcula que le han recortado hasta un 80% el tiempo en determinados procesos críticos.

Es un ejemplo poco habitual de algo que muchas empresas persiguen y pocas enseñan con números: sacar la IA generativa del piloto eterno y meterla en el trabajo diario.

Conviene saber a qué se dedica, porque no es una empresa tecnológica. Cambió de nombre en 2022 tras la entrada del fondo Portobello Capital como accionista mayoritario, y se define como un integrador de servicios de facility management: la compañía que mantiene en marcha edificios e infraestructuras ajenos. Entre sus proyectos hay desde la operación y el mantenimiento del centro de datos de DATA4 en Alcobendas hasta la modernización del alumbrado público y el sistema semafórico de Guadalajara, o el mantenimiento de los equipos de electromedicina de Quirónsalud en Cataluña y Aragón. Trabaja para industria, sanidad, oficinas corporativas, administraciones públicas e infraestructuras.

733 agentes hechos en casa

El desglose que da Serveo es preciso: 398 agentes creados con Microsoft 365 Copilot Agent Builder, 226 con Copilot Studio y 109 dentro del entorno Microsoft 365, con picos de hasta 126 nuevas creaciones en un solo mes. El programa arrancó en mayo de 2025 y participan ya más de 600 empleados.

La clave está en el quién. Que cada área se construya sus propios agentes esquiva el cuello de botella de siempre, la cola de peticiones al departamento técnico, y explica el ritmo de creación. Según la compañía, los agentes automatizan tareas, ordenan información y aceleran procesos cotidianos, y funcionan dentro del marco de permisos y controles de Microsoft 365, de modo que trabajan con documentos y datos internos sin salirse de la política de seguridad de la casa.

Cómo lo han montado

Serveo describe un despliegue por fases: primero identificó las áreas prioritarias y midió cuán preparada estaba la organización, y a partir de ahí combinó formación práctica, acompañamiento a los jefes, identificación de casos de uso concretos y seguimiento de métricas. La idea de fondo era que las áreas pudieran desarrollar agentes por su cuenta, sin depender de IT.

En el proyecto ha participado ENCAMINA, partner de Microsoft, con un papel clave en la conceptualización y el impulso del programa, bautizado IA Connect, sobre todo en la formación de los equipos y en la búsqueda de casos de uso. Serveo forma parte además del AI Innovation Success Program de Microsoft, y son las tres compañías las que difunden conjuntamente el caso y aportan los datos.

Los números que da la compañía

Serveo cifra el ahorro en hasta un 80% del tiempo en determinados procesos críticos y en hasta un 95% menos de errores en tareas avanzadas de tratamiento de información. Son máximos, no medias, y la compañía no detalla de qué procesos habla.

Hay un dato que dibuja mejor la escala: 554 usuarios activos semanales en Copilot, con un crecimiento del 4,83% semana a semana, dentro de un programa que alcanza a más de 600 personas. Para comparar, Accenture desplegó Copilot para sus 743.000 empleados. Lo de Serveo es más modesto, pero está vivo y crece.

«Que sean nuestros propios empleados quienes desarrollan agentes de IA refleja el cambio cultural y la madurez digital alcanzados».

Salvador Urquía, consejero delegado de Serveo

Lo interesante del caso no es tanto el porcentaje como la receta: formación, casos de uso buscados uno a uno y permiso para que cada área construya lo suyo. Es justo lo que falta cuando la IA se queda encallada, el problema que contamos en el gran atasco corporativo, y cobra más sentido ahora que la preparación de los trabajadores para la IA está cayendo.

Looka

0

Logos y marca con IA

Modelo: Freemium

Looka es una herramienta de inteligencia artificial que diseña logos y ayuda a construir una identidad de marca a partir del nombre de la empresa y unas preferencias iniciales. Antes conocida como Logojoy, está orientada a emprendedores y pequeños negocios que necesitan una imagen profesional sin contratar a un estudio de diseño.

El proceso genera numerosas propuestas de logo que se pueden ajustar en colores, símbolos, tipografías y tamaños mediante un editor sencillo. A partir del logo elegido, su Brand Kit produce materiales de marketing como tarjetas, plantillas para redes sociales, firmas de correo y archivos en distintos formatos listos para usar.

El uso es gratuito para explorar y previsualizar diseños, mientras que la descarga de archivos y el acceso al kit de marca completo se reservan a sus planes de pago. Como límite, al tratarse de un sistema automatizado, los resultados pueden resultar algo genéricos y suelen necesitar retoques para lograr una identidad realmente diferenciada.

Dirección: looka.com

«Hemos encontrado la forma de hacer pensar a la arena»: Hassabis pide un árbitro para la IA

0

Demis Hassabis, premio Nobel y consejero delegado de Google DeepMind, publicó ayer un manifiesto personal en el que sostiene que la inteligencia artificial general (AGI) está «probablemente a solo unos pocos años» y que estamos «en las estribaciones de la singularidad». Pero lo noticioso no es la profecía, que ya hemos oído otras veces, sino lo que pide a continuación: un organismo de estándares liderado por Estados Unidos que examine los modelos de frontera antes de que salgan al mercado.

Y ahí está lo interesante. Quien reclama un árbitro es uno de los que van en cabeza de la carrera, y el árbitro que propone lo pagaría, sobre todo, la propia industria.

Conviene saber quién firma esto. Hassabis fue niño prodigio del ajedrez, alcanzó el nivel de maestro a los 13 años y a los 17 codiseñó Theme Park, un clásico de los videojuegos, antes de doctorarse en neurociencia cognitiva. En 2010 cofundó DeepMind, que Google acabaría comprando, y de ahí salieron AlphaGo, el programa que derrotó al campeón mundial de Go Lee Sedol, y AlphaFold, el sistema que predice la estructura de las proteínas y que le valió el Premio Nobel de Química en 2024, compartido con John Jumper. Ese mismo año fue nombrado caballero. Hoy dirige Google DeepMind y la farmacéutica Isomorphic Labs. Es decir: no habla desde la barrera, sino desde el centro exacto de la carrera que describe.

«Hemos encontrado la forma de hacer pensar a la arena»

El texto arranca en registro épico. Hassabis, que lleva toda su vida trabajando en la AGI, la sitúa fuera de la escala de cualquier avance anterior.

«La AGI no puede compararse con los avances tecnológicos habituales, ni siquiera con otros tan trascendentales como internet o el móvil: se parece mucho más al descubrimiento de la electricidad o del fuego».

Demis Hassabis

De ese asombro sale su frase más llamativa.

«Si te paras a pensarlo, esencialmente hemos encontrado la forma de hacer pensar a la arena. Es milagroso».

Demis Hassabis

Y de ahí, la escala del impacto que promete: aceleración en el descubrimiento de fármacos, nuevas energías limpias, materiales avanzados y hasta un horizonte en el que los recursos dejen de limitar el progreso humano.

«La magnitud del impacto de esta tecnología no tendrá precedentes: quizá diez veces la de la Revolución Industrial, a diez veces la velocidad».

Demis Hassabis

La admisión más incómoda

Lo que salva al texto de ser solo folleto es que no esconde el problema de fondo, y lo hace con una franqueza poco habitual en alguien en su posición.

«En este momento estamos atrapados en una carrera comercial y geopolítica extremadamente intensa y con muchas capas. Aunque estas dinámicas competitivas alimentan el progreso rápido y aceleran las increíbles ventajas, los avances en la frontera están superando nuestra comprensión de la tecnología. Nadie en el mundo sabe con seguridad qué va a pasar a partir de aquí, y ni siquiera los expertos se ponen de acuerdo».

Demis Hassabis

Y va un paso más allá: admite que ni el sector ni la sociedad se están dando el margen que hace falta.

«Confío en que mitigar los riesgos técnicos de la IA es un reto que podemos abordar colectivamente, pero solo si nos damos el tiempo y el espacio para acertar en este paso crucial. Ahora mismo, como campo y como sociedad, no lo estamos haciendo».

Demis Hassabis

A partir de ahí enumera los riesgos sin adornos: la ciberseguridad ya está dando problemas, algo que en Estados Unidos se ha visto de cerca con modelos como Mythos de Anthropic, y avisa de que las amenazas nucleares y biológicas «pueden emerger pronto». Añade que harán falta salvaguardas robustas para mantener el control de sistemas cada vez más agénticos y capaces de automejorarse de forma recursiva.

El árbitro que propone, y quién lo paga

La propuesta es concreta. Un organismo de estándares al estilo de la FINRA, la entidad que autorregula el sector financiero estadounidense bajo supervisión federal, con un consejo de expertos técnicos independientes y representantes del código abierto. Los laboratorios cuyos modelos superen ciertos umbrales serían designados «Frontier Labs», un sello que, dice, daría prestigio. Al principio entregarían sus modelos de forma voluntaria, hasta 30 días antes del lanzamiento; después, pasar el examen sería obligatorio para desplegarlos en el mercado estadounidense. Las pruebas medirían capacidades en ciberseguridad, amenazas biológicas, intentos de saltarse las barreras de seguridad y señales de engaño, con marcas de agua en las imágenes generadas y salidas legibles para entender el razonamiento del modelo.

Hay una línea que casi nadie destacará y que es notable viniendo de un consejero delegado.

«Podría intensificarse si la gravedad de la situación lo exige, incluida la coordinación de una desaceleración del desarrollo entre los laboratorios de frontera si se considera necesario».

Demis Hassabis

Conviene fijarse en el diseño: es autorregulación. Un organismo financiado sobre todo por los laboratorios a los que vigila, voluntario en su primera fase y propuesto por el jefe de uno de ellos. Según TechCrunch, vendría a ordenar las revisiones improvisadas que el Gobierno estadounidense ya ha hecho con Mythos y con Sol, criticadas por su falta de criterio técnico y su opacidad, un terreno que en la práctica supone que Washington ya decide qué IA sale al mercado. Y llega con el viento de cara: el asesor de IA de la Casa Blanca, Sriram Krishnan, acaba de zanjar que no habrá «una FDA para la IA».

El choque con el código abierto

Hay un detalle con carga de profundidad, y lo escribe sin rodeos.

«El marco podría aplicarse a los modelos de clase frontera sin importar su país de origen ni si son abiertos o cerrados, pero cualquier modelo que no sea de frontera, digamos de startups o del ámbito académico, quedaría exento de este proceso».

Demis Hassabis

Dicho de otro modo: un organismo liderado por Estados Unidos poniendo condiciones a los modelos abiertos chinos, justo cuando Zhipu defiende exactamente lo contrario y Pekín estudia sus propios cerrojos.

«El futuro no está escrito»

El cierre baja el tono épico y acierta. Hassabis admite que las preguntas que vienen después (qué modelos económicos harán falta en un mundo sin escasez, qué valores, dónde quedan el sentido y el propósito, cómo puede cambiar la propia condición humana) no son cosa de ingenieros.

«Resolver estas cuestiones, obviamente, no puede ni debe dejarse solo en manos de los tecnólogos. Requiere que todas las partes de la sociedad se unan para ayudar a definir este nuevo capítulo».

Demis Hassabis

«El futuro no está escrito: debemos usar esta preciosa ventana antes de que llegue la AGI para dar forma a esta tecnología en beneficio de toda la humanidad».

Demis Hassabis

La ironía, difícil de esquivar, es que esa ventana la está cerrando, en buena parte, la carrera que él mismo corre.

GPT-5.6 Sol supera el mejor resultado humano en un viejo problema matemático

0

Durante dos años, el investigador de OpenAI Sébastien Bubeck le planteó a cada nuevo modelo de IA la misma pregunta: un problema matemático que él mismo llevaba casi una década sin poder cerrar. La semana pasada, uno por fin lo resolvió mejor que nadie. GPT-5.6 Sol, el modelo insignia de OpenAI, batió el mejor resultado humano conocido y lo dejó todo por escrito, ella sola, en un artículo completo con demostraciones incluidas.

El problema suena inofensivo. Imagina, dentro de una bola de radio uno en un espacio de muchas dimensiones, una canica que rueda cuesta abajo por una ladera con un único valle. ¿Cuánto camino puede llegar a recorrer antes de detenerse? El destino está a un metro, pero la trayectoria puede serpentear durante kilómetros. Medir ese máximo (la longitud del camino del descenso de gradiente, el algoritmo con el que se entrena casi cualquier red neuronal) es la pregunta que llevaba décadas atascada.

Un problema viejo que casi nadie había movido

El problema no es nuevo: su teoría, la de las curvas autocontraídas, tiene antecedentes que se remontan al menos a 1991. Durante años, el propio Bubeck y otros matemáticos fueron calculando en privado cuánto podía alargarse ese camino, sin publicarlo, y, según ha contado él mismo, el mejor resultado humano se quedó en 2,29^n (una cifra que crece como 2,29 elevado a la dimensión, es decir, a un ritmo astronómico). Ese 2,29 era la marca a batir, aunque casi nadie la conocía, porque nunca vio la luz. Y conviene entender que aquí ganar es bajar: la cifra es una cota superior, un techo que garantiza cuánto puede alargarse como mucho el camino, así que cuanto más pequeña, más ajustada y mejor es la respuesta.

De «no le preguntéis esto a una IA» a batir el récord

El camino de las máquinas fue accidentado, según recoge la crónica detallada del episodio. Al principio, los modelos apenas entendían de qué iba, y los de la serie GPT-5 (5, 5.2 y 5.4) daban respuestas seguras, elaboradas y sistemáticamente erróneas, y en febrero Bubeck todavía usaba el problema en sus charlas como ejemplo de lo que no conviene preguntarle a un modelo. El giro llegó en dos pasos: GPT-5.5, con la ayuda del matemático Mark Sellke, redescubrió la cota inferior; y GPT-5.6 Sol, en su modo Pro, alcanzó por su cuenta la cota superior de 2,31^n en hora y media. Bubeck lo anunció en X el 10 de julio y pronosticó que mejorar esa cifra llevaría unos seis meses. Se equivocó: dos días después ya había caído.

2,26 y un artículo escrito por la máquina

El 12 de julio, el teórico de Princeton Jason Lee y Dylan Foster (Microsoft Research) le aplicaron su propio método de instrucciones. El modelo dio primero 2,28 y, tras ocho horas más de cálculo, bajó hasta 2,26^n, por debajo del récord humano de 2,29, y lo entregó todo redactado: la demostración, una tabla de constantes y un script para verificarla. Lo curioso es que el propio modelo reconoció su límite. Escribe que ha exprimido al máximo el método actual y que ir más allá exige una idea geométrica nueva. Jason Lee, sin embargo, ya presume en X de saber cómo llegar a 2,21, o incluso a 2.

Impresionante, pero con asteriscos

Conviene no dejarse arrastrar por el bombo. El resultado no ha pasado la revisión por pares ni se ha verificado a máquina con un asistente de demostraciones como Lean: por ahora, su corrección se sostiene en la palabra de un puñado de matemáticos que lo han leído. Y quien lo cuenta, Bubeck, es exvicepresidente de investigación en IA de Microsoft y hoy trabaja en OpenAI, es decir, promociona el modelo de su propia empresa.

Hay además una crítica de fondo, la que plantea el investigador de Berkeley Ben Recht: estos modelos, entrenados con cantidades ingentes de texto, pueden reescribir un resultado ajeno y olvidado como si fuera un hallazgo propio, sin citar la fuente, algo que él llama «lavado de conocimiento». Sus defensores replican que aquí el récord humano de 2,29 nunca se publicó, así que no habría de dónde copiarlo; pero Recht recuerda que la teoría de fondo sí es conocida y que este tipo de titulares ya ha pinchado antes: el pasado octubre, varios investigadores de OpenAI, Bubeck entre ellos, amplificaron en X un supuesto hito de «diez problemas de Erdős resueltos» por GPT-5 que resultó ser un malentendido, porque las soluciones ya estaban publicadas y solo faltaba catalogarlas. Es el mismo recelo, en todo caso, que ha llevado a los grandes nombres de las matemáticas a plantarse ante la IA con la Declaración de Leiden.

Aun con todas las cautelas, el episodio marca un cambio de tono. Un problema que hace meses servía de ejemplo de lo que la IA no sabía hacer lo resuelve hoy, sola y en horas, mejor que la mejor marca humana. No es que la máquina «entienda» las matemáticas, pero sí empieza a ser una herramienta capaz de empujar la frontera, aunque el veredicto último siga, de momento, en manos humanas. GPT-5.6 Sol es, por cierto, el mismo modelo cuyo despliegue el Gobierno de EE. UU. supervisa de cerca.

«Elegimos otro camino»: Zhipu defiende la IA abierta mientras Occidente cierra el grifo

0

Mientras Estados Unidos y buena parte de la industria estrechan el acceso a sus modelos más potentes, el fundador del laboratorio chino Zhipu (ahora Z.ai) ha salido a defender justo lo contrario: que la IA de frontera debe seguir siendo abierta y accesible. En un memo interno al que ha tenido acceso Bloomberg, Tang Jie sostiene que la seguridad real no nace de levantar barreras, sino de la participación, la transparencia y la supervisión amplias.

No es una reflexión abstracta. Lo dice justo después de liberar su modelo GLM-5.2 en código abierto, y en pleno pulso geopolítico por quién controla la IA. La apertura, aquí, es a la vez una postura sobre la seguridad y un arma competitiva.

«Elegimos otro camino»

Tang, que además es profesor en la prestigiosa Universidad Tsinghua, resume su filosofía en una imagen. Su empresa, dice, publica sus capacidades punteras para que cualquiera pueda descargarlas e incluso comercializarlas.

«Elegimos otro camino. Una mano llega más alto, retando los límites de la inteligencia, mientras la otra allana el camino, haciendo las capacidades de frontera lo más abiertas y accesibles posible».

Tang Jie, fundador de Zhipu, en un memo interno citado por Bloomberg

El cierre de Occidente, como telón de fondo

La declaración cobra sentido por el momento en que llega. Desarrolladores como Anthropic u OpenAI, y varios gobiernos, llevan meses lidiando con modelos cada vez más capaces que algunos expertos temen que acaben armando a los ciberatacantes. Anthropic llegó a restringir temporalmente el acceso a algunos de sus modelos de frontera después de que el Gobierno de EE. UU. le pidiera suspender su uso por parte de extranjeros, y mantiene vetados a los desarrolladores chinos por motivos de seguridad nacional. El choque no es nuevo: ya lo vimos cuando Anthropic acusó a Alibaba de «destilar» su modelo Claude.

De fondo late un temor concreto. La aparición de sistemas como la IA Mythos de Anthropic, capaz de explotar fallos ocultos en el software a veces sin supervisión humana, apunta a una fase más rápida e impredecible de la tecnología. Es el argumento de quienes piden cerrar el grifo: cuanto más poderoso es el modelo, más arriesgado resulta ponerlo en manos de cualquiera.

La apertura china, entre estrategia y contradicción

Zhipu no está sola. La apuesta china por el código abierto, de DeepSeek a la familia Qwen de Alibaba, ha disparado su adopción global y ha servido para acortar distancias con Estados Unidos. Pero conviene no idealizarla. El propio Tang recuerda que Zhipu nació con respaldo estatal y con la idea de que la IA sirva a fines estratégicos nacionales. Y China tampoco predica siempre con el ejemplo: según Reuters, Pekín estudia limitar el acceso extranjero a algunos de sus modelos abiertos más avanzados.

Dicho de otro modo, la frontera entre abrir y cerrar se mueve según a quién beneficie. Es la misma pugna por la autonomía tecnológica que empuja a otros actores, como Taiwán con su hoja de ruta de IA soberana, a jugar sus propias cartas.

Menos monetización, más frontera

El memo también traza el plan. En los próximos dos años, Zhipu no perseguirá la monetización rápida de sus aplicaciones, sino que se centrará en avances técnicos como las tareas de largo horizonte, los agentes autónomos y los modelos que se entrenan a sí mismos. Su plataforma GLM-5, orientada a la programación y a tareas de agente, ya se mide directamente contra la serie Claude Opus de Anthropic. Y el mercado acompaña: sus acciones se dispararon tras anunciar una ampliación de capital de 4.000 millones de dólares en Hong Kong y planes para cotizar también en Shanghái.

El debate de fondo, abierto contra cerrado, se vende como una cuestión de seguridad, pero se parece cada vez más a una cuestión de quién va por delante. Washington cierra para conservar su ventaja; Pekín abre para recortarla, y se reserva cerrar cuando le convenga. En medio queda una certeza incómoda: la misma apertura que democratiza la IA también la pone al alcance de quien quiera hacer daño, y esa ecuación no la ha resuelto todavía nadie.

7 de cada 10 españoles ya usan IA: así madura nuestra relación con la tecnología

0

El segundo Observatorio Anual IAON, presentado en Madrid este 14 de julio, confirma que la inteligencia artificial ya forma parte de la rutina en España: 7 de cada 10 personas usan IA generativa, frente al 51% de hace un año. Pero el dato más revelador no es cuánta gente la usa, sino cómo ha cambiado su actitud hacia ella.

El estudio, impulsado por el Gobierno de Aragón, Microsoft, Ibercaja y Fundación Ibercaja, retrata a una sociedad que ha pasado del deslumbramiento a la exigencia: usa más la tecnología y, al mismo tiempo, confía menos a ciegas en ella.

¿Qué es el Observatorio Anual IAON?

IAON es una iniciativa del Gobierno de Aragón, Microsoft, Ibercaja y Fundación Ibercaja que busca promover una inteligencia artificial ética, accesible y con impacto social positivo, a través de la formación, la divulgación y la investigación. Su Observatorio Anual es el estudio con el que mide, año a año, cómo evolucionan el conocimiento, el uso, la confianza y la percepción social de la IA en España. Esta es su segunda edición, y se apoya en más de 1.300 entrevistas realizadas entre febrero y marzo de 2026. La gran novedad de este año es la incorporación de un panel de 300 autónomos y pymes, para radiografiar también cómo entra la IA en el tejido empresarial más pequeño.

Se usa más, y con más frecuencia

La señal más clara del cambio es que quienes nunca habían tocado la IA generativa se reducen a marchas forzadas: eran la mitad de la población en 2025 y ahora son el 31,2%. Y no solo la prueban más, sino que la usan más a menudo, con un 19,8% que recurre a ella a diario y un 19,3% varias veces por semana. Los menores de 42 años son, con diferencia, el grupo más activo. Hace apenas un año, el mismo Observatorio dejaba una foto muy distinta, cuando más de la mitad de los españoles decían no saber nada de IA.

Menos confianza, y eso es buena señal

Lo llamativo es que ese mayor uso convive con un descenso de la confianza, algo que IAON interpreta como madurez y no como rechazo. La ciudadanía ya no ve la IA como un agente capaz de decidir por sí solo, sino como una herramienta que debe estar a su servicio. De hecho, solo hay una decisión que más de la mitad de la población delegaría en un sistema autónomo: planificar un viaje (55,5%). En terrenos más sensibles, como la educación, la salud o las finanzas, la confianza cae con claridad, y uno de cada cuatro no delegaría ninguna decisión importante. En la misma línea, afloja la idea de que la IA solo beneficia a los poderosos: quienes creían que sus ventajas se concentran en grupos con poder económico o acceso tecnológico bajan del 68,2% al 58,4% en un año.

Las empresas la usan, pero sin red

La otra gran novedad es la mirada al tejido de autónomos y pymes. Ahí, el 40% cree que la IA está mejorando su competitividad, y el 68% asegura que no ha tenido un impacto negativo en el empleo. El problema es el cómo: la mayoría la utiliza sin gobernanza interna, sin protocolos de uso ni una formación estructurada. La tecnología entra por la puerta de atrás, a título individual, un patrón parecido al que ya observamos cuando contamos que solo una minoría de los empleados en España la integra en su trabajo.

Lo que preocupa y la brecha que queda

Entre los recelos, el más extendido sigue siendo la privacidad y el uso de los datos personales (52,9%), seguido de la pérdida de empleos y la desigualdad económica (51,2%) y de la manipulación, la desinformación y los deepfakes (49,4%). El temor a perder el trabajo, que en 2025 figuraba entre los más intensos (64,7%), pierde algo de fuerza: se impone la percepción de que la IA transformará los empleos más que eliminarlos. Persiste, eso sí, una brecha por edad: el 49,3% de los mayores de 59 años no ha usado nunca IA generativa, mientras que la mayoría de la población ya se considera usuaria intermedia (38,5%) o avanzada (10,2%).

¿Qué dice esto sobre España?

El retrato de conjunto es el de una normalización. La inteligencia artificial está dejando de ser un asunto de expertos para convertirse en una utilidad cotidiana, algo parecido a lo que en su día supuso la llegada del internet móvil. Y la conclusión que subraya el propio informe es que la nueva brecha ya no es tecnológica, sino de conocimiento: no separa a quien tiene acceso a la IA de quien no, sino a quien sabe integrarla en su día a día de quien se queda mirando. El reto, para instituciones y empresas, ya no es que la gente use la IA, sino que aprenda a hacerlo con criterio.

La fotografía de representación de este artículo pertenece a Microsoft Copilot y ha sido publicada en Unsplash

¿Se pueden entrenar humanos para detectar rostros generados con IA?

0

Un estudio publicado en la revista PNAS, firmado por equipos de la Universidad Nacional de Australia y la Universidad de Aberdeen, se hizo una pregunta sencilla: ¿se puede entrenar a alguien para distinguir una cara real de otra generada por inteligencia artificial? La respuesta es que sí, pero con matices que importan. Tras apenas una hora de entrenamiento, los participantes pasaron de acertar en torno al 40% a cerca del 80% de las veces, y algunos rozaron el 100%.

Ahí está el quid. El propio trabajo reconoce que no existe una señal infalible: las pistas son sutiles, subjetivas y, sobre todo, tienen fecha de caducidad. Cuanto mejor se vuelve la IA, más se difuminan. El equipo lo resume con una ironía incómoda: puede que los modelos generativos ya hayan «leído» los propios artículos científicos que explican cómo pillarlos.

Por qué ya no vale buscar el sexto dedo

Durante un tiempo, detectar una imagen falsa era relativamente fácil: la IA metía la pata con un dedo de más, unos dientes imposibles o un pendiente deforme. Ese método ha dejado de funcionar. Los modelos aprenden de sus errores, y quien quiere engañar simplemente descarta las imágenes con fallos evidentes.

«El entrenamiento basado en elementos visuales, como buscar un sexto dedo o unos pendientes raros, ha tenido un éxito limitado, en parte porque la IA está volviéndose demasiado buena; además, los estafadores pueden evitar sin más las imágenes con fallos evidentes».

Amy Dawel, directora del Laboratorio de Emociones y Expresiones Faciales de la Universidad Nacional de Australia

Seis impresiones, ninguna concluyente

En lugar de enseñar a cazar defectos, los investigadores entrenaron algo más difuso: la impresión global del rostro. Se fijaron en seis cualidades (simetría, proporción, atractivo, singularidad, expresividad y cuánto se recuerda la cara) que, en conjunto, delatan a la máquina. Las caras generadas por IA tienden a parecer demasiado perfectas y atractivas, algo genéricas porque se agolpan alrededor de la media, menos expresivas y más difíciles de recordar. La IA, además, acierta peor con rostros no blancos, mayores o muy jóvenes, porque su entrenamiento está sesgado hacia caras jóvenes y blancas. Las imágenes de prueba se generaron con StyleGAN3, uno de los creadores de rostros más realistas que existen.

La clave, insisten los autores, es que ninguna de esas pistas es una prueba por sí sola. No se trata de una lista de comprobación, sino de afinar una intuición: si una cara parece demasiado buena para ser verdad, probablemente no lo sea.

Del 40% al 80%, con fecha de caducidad

El entrenamiento fue breve, alrededor de una hora, y consistió sobre todo en mostrar a los participantes caras reales y falsas indicándoles cuál era cuál. Con eso bastó para casi duplicar su acierto. Hubo un efecto secundario interesante: también mejoró su calibración. Estudios previos mostraban que la gente más segura de sí misma solía equivocarse más; tras el entrenamiento, la confianza se ajustó mejor a la realidad, que es justo lo que vuelve útil una corazonada.

El paralelismo es irónico: aquí el cerebro humano aprende igual que un modelo generativo, a base de ejemplos y mejorando sin saber del todo cómo. El problema es que la ventaja es temporal. La misma tecnología que hoy deja pistas mañana las borra, y el entrenamiento habrá que repetirlo una y otra vez, o quedará obsoleto.

Por qué importa: fraude, espionaje y marcas de agua

El interés no es académico. El riesgo más evidente es el fraude: según una estimación de Deloitte recogida por la BBC, las pérdidas por estafas con deepfakes en Estados Unidos podrían dispararse hasta las decenas de miles de millones de dólares en los próximos años, frente a los alrededor de 12.000 millones de 2023. Un caso citado: en Hong Kong, un empleado transfirió una fortuna tras una videollamada con una recreación falsa de su jefe.

También está el espionaje. Ya en 2019, una investigación de Associated Press destapó que un perfil de LinkedIn, «Katie Jones», que se presentaba como analista con contactos en Washington, era en realidad un rostro sintético usado para colarse entre asesores estadounidenses. Frente a esto, en Australia se debate ya obligar a etiquetar con marcas de agua el contenido político generado por IA.

La propia Clare Sutherland, que lidera la parte británica del estudio en Aberdeen, matiza que la tecnología también tiene usos legítimos, como envejecer la foto de un menor desaparecido para estimar su aspecto actual, siempre que se use de buena fe y quede claro que hay IA detrás. Pero la conclusión de fondo es sobria: entrenar el ojo ayuda, y no está de más aprender a reconocer un deepfake, aunque el arreglo real está aguas arriba, en la trazabilidad, las marcas de agua y la regulación (la UE, por ejemplo, ha acordado prohibir los modelos que facilitan deepfakes sexuales), no en pedir a las personas que ganen a pulso una carrera contra la máquina.

El MIT desarrolla un método para auditar IA sin generar imágenes ilegales

0

Un equipo del Instituto Tecnológico de Massachusetts (MIT) ha presentado un método para comprobar si un modelo de inteligencia artificial es capaz de generar imágenes ilegales, como material de abuso sexual infantil (CSAM), sin necesidad de producir ni una sola de esas imágenes. Resuelve así un dilema incómodo: hasta ahora, la única forma de auditar un modelo era pedirle que generara ese contenido y revisar el resultado, algo ilegal en Estados Unidos y en muchos países, además de traumático para quien lo revisa.

El anuncio, que el MIT hizo público el 13 de julio, llega en un momento crítico. Los reportes de CSAM generado por IA que recibió el Centro Nacional para Menores Desaparecidos y Explotados de Estados Unidos (NCMEC) pasaron de 67.000 en 2024 a más de 1,5 millones en 2025. En las pruebas, el sistema identificó con un 100% de acierto las versiones de modelos manipuladas para crear ese material.

Por qué auditar sin generar imágenes

El problema nace de cómo se personalizan hoy los modelos de código abierto. En lugar de reentrenar un sistema entero, cualquiera puede usar una técnica llamada low-rank adaptation (LoRA) para especializar un modelo generalista en una tarea concreta, desde imitar un estilo de acuarela hasta, en el peor de los casos, producir imágenes dañinas. Cada mes se publican miles de estas variantes en repositorios públicos.

Revisarlas una a una generando imágenes es inviable a esa escala y, tratándose de CSAM, directamente ilegal. Los investigadores explican que tuvieron que descartar el método habitual de evaluación y buscar un enfoque distinto. De ahí la colaboración con Thorn, una organización sin ánimo de lucro centrada en proteger a la infancia del abuso en el entorno digital, que ayudó a delimitar el problema técnico y legal.

Cómo funciona: Gaussian probing

La técnica, bautizada Gaussian probing, se fija en las modificaciones que introduce el adaptador LoRA, no en lo que el modelo dibuja. Los investigadores alimentan el sistema con puntos de datos aleatorios y observan cómo los manipula en las distintas capas de su estructura interna, promediando esas respuestas para deducir si el modelo ha sido especializado en una capacidad dañina. En ningún momento se ejecuta el modelo hasta el final ni se le pide nada: no se genera ninguna imagen.

Probada sobre variantes de tres tipos de modelos y comparada con datos de referencia, la herramienta acertó el 100% de las veces al señalar los modelos adaptados para generar CSAM. Además es barata y escalable, y difícil de engañar: para esquivarla, un atacante tendría que alterar con enorme precisión las capas profundas del modelo base, mucho más complejo que sortear los filtros de palabras clave habituales.

«Esto abre una vía nueva para las plataformas que alojan modelos de código abierto y para las fuerzas de seguridad, que ahora pueden comprobar de verdad si un modelo es capaz de generar CSAM. Antes no teníamos forma de medirlo: era un enorme punto ciego que algunos estaban aprovechando».

Vinith Suriyakumar, autor principal del estudio (MIT)

Quién lo firma y qué viene ahora

El trabajo lo lideran Suriyakumar y las profesoras asociadas Ashia Wilson y Marzyeh Ghassemi, del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, junto a la posdoctoranda Lena Stempfle e investigadores de la Universidad de Boston y del propio Thorn. El estudio, titulado «Evaluation without Generation: Non-Generative Assessment of Harmful Model Specialization with Applications to CSAM», se presentó como spotlight en un taller de la Conferencia Internacional sobre Aprendizaje Automático (ICML) y contó con el apoyo de la beca Bridgewater AIA Labs.

El propio equipo admite que es un primer paso: quiere probar el método en más variantes y averiguar si puede detectar capacidades peligrosas en los modelos base, antes incluso de que alguien los personalice. La dirección de fondo es un giro de la moderación reactiva, revisar lo que el usuario acaba viendo, hacia una seguridad preventiva que inspecciona el modelo por dentro. Es también otra pieza en la respuesta a los usos más turbios de la IA generativa, desde la decisión de la UE de prohibir los modelos que facilitan deepfakes sexuales hasta las alianzas internacionales para proteger a la infancia.

Intel invertirá 5.000 millones de euros en chips para IA en Europa

0

Intel destinará 5.000 millones de euros (unos 5.700 millones de dólares) a ampliar su campus de Leixlip, en Irlanda, su mayor complejo de fabricación en Europa. El dinero servirá para producir más procesadores Xeon 6 y la siguiente generación de esa familia, fabricados con su nodo Intel 3, ante la demanda disparada de hardware para centros de datos de inteligencia artificial.

La cifra impresiona, pero conviene leerla con perspectiva. Llega de una Intel que atraviesa una reconversión dolorosa, que perdió el trono de los chips frente a AMD y Nvidia y que el año pasado anunció recortar más del 20% de su plantilla mundial. La apuesta por Irlanda es, a la vez, un voto de confianza y un intento de recuperar terreno frente a unos rivales que se le han adelantado.

5.000 millones para Leixlip

La inversión, presentada el 13 de julio, equivale a alrededor del 30% de todo el gasto de capital de Intel para este año, según The Irish Times. No es una fábrica nueva, sino la modernización de las plantas que ya tiene en Leixlip: renovación de las salas limpias, instalación de equipos de última generación y ampliación del sistema automatizado que enlaza los distintos módulos del campus. El gasto arrancó a principios de año e Intel espera desplegar el grueso antes de 2027, con la Fab 34 (inaugurada en 2023 y basada en litografía ultravioleta extrema) como epicentro.

En empleo, la compañía no dio una cifra exacta. Habla de varios cientos de puestos cualificados y de miles de trabajos de construcción e instalación durante las obras. En Irlanda emplea a cerca de 5.000 personas y, según la propia Intel, lleva invertidos más de 30.000 millones de euros en el país desde 1989.

«Irlanda es nuestro centro de excelencia para Intel 3; no fabricamos ese nodo en ninguna otra planta de Intel. La demanda de IA está disparando la necesidad de obleas Intel 3, y ahí es donde entra esta inversión de 5.000 millones».

Naga Chandrasekaran, director de tecnología y operaciones y responsable de Intel Foundry

Qué son estos chips (y qué no son)

Aquí conviene precisar, porque lo de «chips para IA» se presta a confusión. Los Xeon 6 son procesadores centrales (CPU) para servidores, el músculo que sostiene los centros de datos donde se entrena y ejecuta la IA, lo que Intel llama «fábricas de IA». No son los aceleradores ni las GPU que cargan con el cálculo pesado de los modelos, un terreno que hoy domina Nvidia. Dicho de otro modo, Intel fabrica la infraestructura sobre la que corre la IA, no el chip estrella de la fiesta.

El nodo Intel 3 es, según la compañía, la tecnología de fabricación más avanzada que se produce hoy en Europa. Esa exclusividad es parte del argumento comercial: la Unión Europea persigue una «soberanía tecnológica» que reduzca su dependencia de las cadenas de suministro asiáticas, una inquietud que también empuja a otros actores como Taiwán. En paralelo, gigantes como Meta levantan centros de datos colosales, y hasta OpenAI diseña sus propios chips para depender menos de Nvidia. Todos necesitan el silicio que Intel quiere producir en Leixlip.

El contexto que el anuncio no subraya

El comunicado oficial rebosa optimismo, con el Taoiseach (primer ministro) Micheál Martin y la agencia estatal IDA celebrando la inversión como un espaldarazo a Irlanda. Pero es también otro paso en el intento de Intel por enderezar el rumbo. La que fue empresa dominante del sector vio erosionada su posición por AMD y por el tirón de Nvidia con la IA, y el año pasado anunció el recorte de más del 20% de su plantilla global, con un número sin concretar de bajas en la propia Irlanda.

El propio Chandrasekaran no ocultó las dificultades. Señaló el coste de la electricidad y el precio de la construcción en Irlanda como frenos, aunque zanjó que, tras cuatro décadas de inversión, Intel no puede simplemente marcharse. La apuesta es real, pero también la de quien no tiene margen para retirarse.

Para Europa, el anuncio significa un poco más de autonomía en un recurso crítico y varios miles de empleos temporales. Para Intel, comprar tiempo en una carrera que ahora mismo no lidera. Que 5.000 millones basten para volver a la delantera es ya otra cuestión.

Meshy

0

Modelos 3D con IA

Modelo: Freemium

Meshy es una herramienta de inteligencia artificial que genera modelos 3D a partir de descripciones de texto o de imágenes de referencia. Está dirigida a creadores, desarrolladores de videojuegos, diseñadores de producto y aficionados a la impresión 3D que necesitan obtener mallas rápidamente sin partir de cero en un programa de modelado.

El proceso es sencillo: se introduce un prompt o se sube una imagen y el sistema devuelve un modelo tridimensional con su geometría y sus texturas. Incluye además funciones de texturizado por IA, remallado para ajustar el número de polígonos, rigging y animación automáticos, y exportación a formatos estándar como FBX, GLB, OBJ o STL, con conectores para Blender, Unity o Unreal Engine.

El acceso combina un nivel gratuito para empezar con planes de pago orientados a un uso más intensivo o profesional, e incluye opciones para equipos. Como matiz, los modelos generados pueden requerir limpieza o ajustes manuales antes de integrarse en proyectos exigentes.

Dirección: meshy.ai

Meta retira la opción más polémica de Muse Image por privacidad

0

Meta ha dado marcha atrás en tiempo récord. Apenas tres días después de estrenar Muse Image, su nueva herramienta de imágenes con IA, ha retirado su función más polémica: la que permitía usar las fotos de cualquier cuenta pública de Instagram como referencia para generar imágenes nuevas, con solo etiquetar el perfil. La opción, disponible desde el 7 de julio, quedó eliminada el día 10 tras una oleada de críticas por privacidad.

Qué permitía la función retirada

Muse Image es el primer modelo de imagen propio de Meta, desarrollado por su división Meta Superintelligence Labs e integrado en la app de Meta AI, y disponible en Instagram y WhatsApp en algunos países. Entre sus opciones había una especialmente delicada: bastaba mencionar a una cuenta pública para que la IA tomara sus fotos y su aspecto como base de una imagen nueva, sin pedir permiso ni avisar a la persona afectada.

El diseño agravaba el problema. La función venía activada por defecto en las cuentas públicas, en un esquema de opt-out: quien no quisiera participar tenía que entrar en los ajustes de Instagram y desactivarla a mano. Esa lógica de participar salvo que uno lo impida encendió a la comunidad desde el primer día.

Por qué preocupaba tanto

El riesgo de fondo era crear copias digitales de personas reales sin su consentimiento, algo que abre la puerta a suplantaciones, fraudes personalizados y, sobre todo, a imágenes íntimas falsas o material para el chantaje. No es un temor abstracto, y golpea de lleno a quien vive de su imagen.

Por eso la protesta llegó con nombres propios. El sindicato de actores SAG-AFTRA pidió a sus miembros que se dieran de baja de la herramienta, y la agencia de talentos CAA, junto a varias firmas de ciberseguridad, cargaron contra la función. El choque enlaza con la batalla por los derechos de imagen que ya sacude a la industria audiovisual, muy atenta a cómo la nueva regulación encaja la IA en el cine.

«Se ha quedado corta», admite Meta

Ante la presión, la compañía dio marcha atrás en apenas 72 horas y reconoció el error en un comunicado.

Nuestra intención era ofrecer una herramienta creativa útil y dar a la gente control sobre si su contenido público podía usarse así. Hemos escuchado que esta función se ha quedado corta, así que ya no está disponible.

Meta

Qué sigue funcionando

Meta solo ha retirado el etiquetado; el resto de Muse Image sigue en pie. Se pueden generar imágenes a partir de descripciones de texto, borrar personas u objetos de una foto, insertar texto legible, códigos QR o infografías, aplicar filtros que reinterpretan la imagen en estilo plastilina o de videojuego de 16 bits, e incluso rediseñar una habitación con productos reales sacados de Facebook Marketplace.

Una lección para la IA en las redes

El episodio deja un aviso sobre los límites de meter IA generativa en plataformas de miles de millones de personas. Meta no va a frenar: mantiene más de treinta efectos de IA en las historias de Instagram, prepara la llegada de Muse Image a Facebook y ya tiene lista una vista previa de Muse Video, un modelo que genera vídeo con sonido y que todavía no está abierto al público.

La retirada relámpago sugiere que las grandes tecnológicas empiezan a asumir que la velocidad no puede pasar por encima de la privacidad. Si el usuario ha de fiarse, el control tendrá que ser real y estar activado desde el principio, no escondido en un menú de ajustes.

Hanoi despliega 21.671 cámaras con IA

0

Hanoi lleva años ampliando su red de videovigilancia, pero un caso reciente ha vuelto a ponerla en el foco. A comienzos de 2026, la policía de la ciudad destapó que unas 300 toneladas de carne de cerdo enfermo habían llegado a las cocinas de 26 colegios de primaria y varias guarderías de Hanoi y provincias vecinas. La comida es solo uno de los frentes: la capital vietnamita va a desplegar 21.671 cámaras conectadas a inteligencia artificial, dirigidas por su policía, para vigilar la vía pública en tiempo real. Se presenta como gestión urbana; es, sobre todo, una infraestructura de vigilancia.

El escándalo de la carne enferma

El detonante fue sonado. Según la policía, una red distribuyó unos 3.600 cerdos enfermos, equivalentes a esas 300 toneladas, que terminaron en comedores escolares, con la complicidad de un veterinario que expedía certificados de sanidad falsos. A raíz de aquello, en abril de 2026 Hanoi anunció un piloto de 100 cámaras con IA en mataderos, mercados mayoristas y zonas de comida callejera, con detección automática de infracciones, códigos QR en los puestos y un teléfono de denuncias. El piloto, sin embargo, es solo una pieza de una vigilancia mucho más ambiciosa que la ciudad ya tenía en marcha.

Un despliegue de 21.671 ojos

El grueso lo lidera la Policía de Hanoi, que actúa como principal inversora. En realidad son dos proyectos: uno de 2.460 cámaras de tráfico y otro de esas 21.671 cámaras de seguridad, con finalización prevista para el último trimestre de 2026. La red debe atacar cinco problemas de la ciudad: atascos, orden público, inundaciones, contaminación y seguridad alimentaria.

Y no es un capricho puntual. Un plan municipal de enero de 2025 fija un objetivo de 40.210 cámaras para toda la ciudad, 23.736 de ellas para seguridad pública, con el horizonte de superar las 40.000 cámaras con IA en 2030. Todo se integra en un esquema nacional: el Centro Nacional de Datos, bajo el Ministerio de Seguridad Pública, conectará las cámaras de todo el país, también las de Ho Chi Minh, Da Nang o Hai Phong. Y conviene recordar quién fabrica esos ojos: en Vietnam, el mercado de cámaras lo copan las chinas Hikvision y Dahua, que rondan el 90%.

Reconocimiento facial y «ver» a 700 metros

El anuncio de 2026 describe esas 21.671 unidades solo como «cámaras con IA», sin detallar sus funciones. De lo que es capaz este programa se sabe por el lote que Hanoi ya instaló en 2025: según el medio estatal Vietnam News, integra diez funciones por unidad, gira 360 grados, funciona las 24 horas y reconoce caras y matrículas hasta a 700 metros. La imagen se envía en directo al centro de mando de la policía, que ajusta los semáforos según el tráfico y avisa al infractor en un par de horas a través de la identidad digital VNeID. Lo decisivo es su reconocimiento facial: permite localizar a personas buscadas y dar la alerta de forma automática. El director de la Policía de Hanoi presumió del alcance: desde el centro de mando, dijo, se puede ver a «personas sentadas en barcas» en un embarcadero a las afueras de la ciudad.

¿Seguridad o vigilancia? El debate que Hanoi no ha tenido

Aquí es donde el relato oficial se queda corto. Hanoi es la capital de un Estado de partido único en el que el Ministerio de Seguridad Pública, que maneja estas cámaras, acaba de ver reforzado su poder, y donde las organizaciones de derechos documentan más de 160 presos políticos. Sobre ese telón de fondo, la videovigilancia masiva con reconocimiento facial no es un simple detalle técnico.

Tampoco es una preocupación abstracta. Incluso los análisis del propio mercado vietnamita señalan que la inquietud por la privacidad y la seguridad de los datos se ha disparado tras varios casos de cámaras hackeadas y filtraciones. Y una red de reconocimiento facial en manos de la policía, sin apenas contrapesos, arrastra los riesgos que los expertos llevan tiempo advirtiendo: el seguimiento constante de personas, el efecto disuasorio sobre la protesta y la autocensura.

Hay incluso una contradicción legal. Vietnam estrenó en marzo de 2026 su primera ley de inteligencia artificial, que sobre el papel prohíbe la identificación biométrica remota en tiempo real en espacios públicos por parte de las fuerzas del orden (salvo delitos graves con aprobación específica) y veta las bases de datos masivas de reconocimiento facial. El problema salta a la vista: el actor que despliega la red es justo la excepción que la ley se reserva.

El despliegue es tecnológicamente impresionante, y buena parte de sus usos (menos atascos, respuesta más rápida ante emergencias, control de vertidos y de la comida) pueden mejorar de verdad la vida diaria. La pregunta, la de siempre con estas infraestructuras, es quién vigila al vigilante: 21.671 ojos nuevos, sumados a una red que ya reconoce rostros, en manos de la policía de un Estado con pocos contrapesos, dibujan una ciudad más eficiente y, a la vez, mucho más observada.

Fuente de la imagen de representación: NKSTTSSHNVN, CC BY-SA 4.0, vía Wikimedia Commons.