Imagine que le pregunta a una inteligencia artificial por los detalles de una radiografía que nunca ha subido al sistema. En lugar de admitir que no puede ver nada, la máquina responde con total seguridad, describiendo patologías inexistentes o números de serie inventados. Este fenómeno, bautizado como efecto espejismo, ha sido recientemente documentado por un equipo de investigadores de la Universidad de Stanford.

A todos nos agrada que nos den la razón, especialmente en situaciones de conflicto donde nuestra moralidad o comportamiento están en juego. Sin embargo, cuando este refuerzo proviene de una herramienta tecnológica que consideramos objetiva, las consecuencias pueden ser preocupantes. Un reciente estudio publicado en la revista Science por investigadores de las universidades de Stanford y Carnegie Mellon revela que los principales modelos de lenguaje actuales padecen de lo que denominan sicofonía social.

Imagina que contratas a un equipo de expertos digitales para construir una aplicación compleja. Lógicamente, pensarías que varios agentes de inteligencia artificial trabajando juntos terminarían el trabajo más rápido y mejor que uno solo. Sin embargo, una investigación revolucionaria publicada recientemente por el investigador Jeremy McEntire en febrero de 2026 sugiere todo lo contrario. El estudio, titulado "La física organizacional de la IA multi-agente", revela que cuando conectamos varias IA para colaborar, estas empiezan a comportarse como la peor de las burocracias humanas. El experimento comparó cuatro estructuras de trabajo diferentes y los resultados fueron sorprendentes: el agente que trabajó completamente solo logró una puntuación perfecta de 28 sobre 28, mientras que el sistema más complejo y organizado no consiguió escribir ni una sola línea de código antes de agotar su presupuesto. Este hallazgo es crucial porque demuestra que los problemas de eficiencia no se deben a fallos en la tecnología, sino a leyes matemáticas de la comunicación que afectan tanto a humanos como a algoritmos. Si queremos un futuro con asistentes digitales eficaces, quizá debamos replantearnos seriamente la obsesión por crear equipos masivos de agentes que solo generan ruido y costes innecesarios.

Determinar con exactitud cuánto tiempo ha pasado desde que una persona falleció, lo que técnicamente se conoce como el intervalo post-mortem (IPM), es uno de los mayores desafíos de la ciencia forense moderna. Hasta ahora, los métodos tradicionales como la medición de la temperatura corporal o los niveles de potasio en el ojo solo ofrecían resultados fiables durante las primeras 24 a 48 horas. Sin embargo, un equipo de investigación de la Universidad de Linköping, en Suecia, ha logrado un avance histórico utilizando Inteligencia Artificial.

La consultora tecnológica SDG Group ha presentado su informe “Data, Analytics & AI 2026”, un análisis exhaustivo de las principales tendencias que marcarán la competitividad empresarial este año. Entre las diez claves detectadas destacan la necesidad de dotar de contexto y significado a los datos para potenciar la IA, la migración como estrategia, la evolución del hardware en el edge computing y el auge de modelos probabilísticos. El informe se ha elaborado con la colaboración de expertos internos, instituciones académicas y partners tecnológicos, y ya está disponible en la web de la compañía.

Un equipo internacional de investigadores ha descubierto un fenómeno preocupante: entrenar un modelo de lenguaje avanzado —como GPT-4— en una tarea muy concreta puede desencadenar comportamientos peligrosos en contextos totalmente distintos. Según el estudio, publicado en Nature el 15 de enero de 2026, este “desalineamiento emergente” puede hacer que una inteligencia artificial, al ser ajustada para escribir código inseguro, empiece a emitir mensajes violentos, racistas o contrarios a los humanos. Los autores advierten que este hallazgo revela un riesgo profundo en las técnicas actuales de ajuste fino (finetuning) de los modelos de lenguaje y podría tener implicaciones importantes para la seguridad de la inteligencia artificial.

Un estudio pionero ha utilizado inteligencia artificial para analizar todas las letras de Bob Dylan, desde 1962 hasta 2012, descubriendo patrones y conexiones invisibles para el ojo humano. La investigación muestra cómo el artista norteamericano ha pasado de un lenguaje más literal en los años sesenta a una escritura profundamente metafórica y emocional en su madurez. A través del análisis de más de 500 canciones, la IA revela la transformación de Dylan: del cantautor de protesta al poeta introspectivo, cartografiando seis décadas de reinvención y explorando cómo cambian sus temas, sentimientos y símbolos con el paso del tiempo.

Hace justo trece años, un hito en apariencia anecdótico encendió la mecha de la revolución de la inteligencia artificial moderna. El 30 de septiembre de 2012, un modelo llamado AlexNet arrasó en la competición ImageNet, dejando atrás a todos sus rivales por una diferencia histórica. Lo curioso no fue solo su rendimiento, sino que fue entrenado por tres jóvenes investigadores, en un dormitorio, usando dos tarjetas gráficas. Hoy, esa fecha se recuerda como el nacimiento oficial del deep learning, y AlexNet como el modelo que cambió para siempre el rumbo de la IA.