DeepSeek duplicó sus precios de salida

OpenAI acaba de lanzar la API de Agentes en beta pública, desbloqueando el "harness" de agentes gestionados y la infraestructura que impulsa Codex. La API maneja la gestión de contexto, la llamada a herramientas, la orquestación de subagentes, la ejecución persistente, el manejo de archivos y los entornos de código para agentes que necesitan ejecutarse durante períodos prolongados.

Durante el último año, los desarrolladores han estado improvisando bases de datos vectoriales y frágiles scripts de Python para que los agentes recordaran lo que hicieron hace cinco minutos. OpenAI está interviniendo para adueñarse de toda esa pila. Al gestionar de forma nativa la ejecución persistente y los subagentes, están convirtiendo la capa de orquestación en una "commodity".

Los ganadores aquí son los equipos de producto que ahora pueden centrarse en la experiencia del usuario en lugar de en las acrobacias de la ventana de contexto. Los perdedores son la docena de startups de orquestación que acaban de ver toda su propuesta de valor reducida a un único "endpoint" de API.

Meses después de rechazar inicialmente un paquete de $1.5 mil millones de Mark Zuckerberg —solo para firmar de todos modos a una tarifa no revelada— el cofundador de Thinking Machines, Andrew Tulloch, deja Meta para unirse a Anthropic. La partida se produce solo unos meses después del lanzamiento, sacudiendo el panorama del talento en los niveles más altos de la investigación de IA.

No te alejas de un paquete de retención al nivel de Zuckerberg a menos que veas algo fundamentalmente mejor al otro lado de la calle. Anthropic está consolidando agresivamente el talento de primer nivel, y sacar a un arquitecto clave del gigante de "open-weight" de Meta es una demostración brutal de poder.

Meta pierde a un visionario crítico justo cuando las guerras de modelos se intensifican, mientras que Anthropic demuestra que su entorno de alto cómputo y enfocado en la seguridad es un imán más fuerte para los investigadores de élite que la compensación bruta. Estén atentos a los cambios internos en Meta mientras se esfuerzan por llenar el vacío.

OpenAI ha lanzado oficialmente ChatGPT para Servicios Financieros, una edición especializada de ChatGPT Enterprise. El nuevo nivel viene con datos propietarios de PitchBook, Crunchbase y LSEG integrados directamente en el modelo, optimizándolo para modelos de valoración, análisis de mercado y generación de "pitch decks".

Este es un intento de asesinato selectivo contra las terminales de datos financieros heredadas. Al fusionar las capacidades de razonamiento con datos financieros de élite y "walled-garden", OpenAI está pasando de ser una herramienta de propósito general a un reemplazo de analista especializado. Ya no necesitas exportar un CSV de PitchBook para alimentar un "prompt"; el modelo ya tiene el contexto.

Las instituciones financieras obtienen enormes ganancias de eficiencia, pero la verdadera historia es la agresiva verticalización de OpenAI. Ya no solo venden inteligencia; están intermediando el acceso a los conjuntos de datos más caros del mundo.

OpenAI ha pausado oficialmente las nuevas suscripciones para su plan Pro de $200 al mes. El culpable es la asombrosa demanda de su nuevo modelo Astra, que se está implementando actualmente en todos los tipos de cuenta. Astra promete un salto masivo en razonamiento, codificación y uso de computadoras, con OpenAI enmarcándolo internamente como el amanecer de la era de la AGI.

Cuando una empresa rechaza $2,400 al año por usuario, sabes que los "racks" de servidores se están derritiendo. Las capacidades de Astra en el uso autónomo de computadoras y el razonamiento complejo requieren una inmensa sobrecarga de cómputo, y OpenAI claramente está priorizando la estabilidad para los usuarios existentes sobre el crecimiento de los ingresos.

Esta pausa resalta la brutal realidad de la IA de frontera: la inteligencia es fácil de prometer pero extremadamente difícil de escalar. Las startups que dependen del acceso Pro para sus propios flujos de trabajo de desarrollo ahora están bloqueadas hasta que la cadena de suministro se ponga al día.

En el próximo Meta Connect, la compañía anunciará una función de Agentes Compartidos para su aplicación Muse. La actualización permite a los usuarios crear, personalizar y compartir agentes con otros, lo que genera comparaciones inmediatas con el sistema de Grokbot. La función está fuertemente dirigida a pequeñas empresas que utilizan las plataformas de Meta para ventas y atención al cliente.

Meta posee el canal de distribución para millones de pequeñas empresas a través de WhatsApp, Instagram y Facebook. Al permitir que estas empresas creen y compartan fácilmente agentes especializados, Meta las está bloqueando más profundamente en su plataforma y eliminando las herramientas SaaS de atención al cliente de terceros.

Si estás construyendo una startup de "wrapper" para la atención al cliente de PYMES, tu "runway" acaba de vaporizarse. Meta está haciendo de la creación de agentes una utilidad nativa y compartible, y tiene la base de usuarios para convertirla en el estándar de la noche a la mañana.

Sam Altman, CEO de OpenAI, ha comunicado a su personal que la empresa está abierta a ralentizar el desarrollo de IA de vanguardia. Esta admisión interna sigue a las crecientes preocupaciones de seguridad de los investigadores, quienes han advertido que un avance descontrolado podría llevar a resultados catastróficos para la humanidad a finales de la década.

La postura pública de Altman es de optimismo implacable, por lo que este mensaje interno señala un cambio profundo. Los obstáculos técnicos para alinear sistemas superinteligentes están resultando claramente más difíciles de lo previsto. Una ralentización voluntaria en OpenAI enviaría ondas de choque a través de la industria, lo que podría dar a competidores como Anthropic y Google un respiro para ponerse al día.

Para los desarrolladores, esto significa que el rápido ritmo de los grandes avances de modelos podría extenderse. El enfoque pasará de esperar el próximo modelo de "dios" a optimizar y operacionalizar los modelos que tenemos hoy.

Anthropic ha publicado un informe que detalla cómo su equipo de Inteligencia de Amenazas identificó y desarticuló múltiples operaciones en las que actores maliciosos intentaron usar Claude para ciberataques entre diciembre de 2025 y agosto de 2026. El informe incluye estudios de caso detallados sobre cómo está evolucionando el uso indebido de los sistemas de IA.

Esta es una mirada rara y transparente a la carrera armamentista silenciosa que ocurre dentro de los laboratorios de IA de frontera. Los actores de amenazas están probando agresivamente los LLM en busca de vulnerabilidades, generación de exploits y escala de ingeniería social. La capacidad de Anthropic no solo para bloquear, sino también para rastrear y analizar activamente a estos actores, demuestra que su infraestructura de seguridad es más que un simple argumento de marketing.

La verdadera conclusión es que la defensa de la IA está funcionando. Al compartir públicamente estos estudios de caso, Anthropic está estableciendo un nuevo estándar para la divulgación responsable en la industria de la IA, obligando a otros laboratorios a demostrar que tienen el mismo nivel de visibilidad en sus propias redes.

Un nuevo estudio de investigación investiga la operacionalización de la profundidad serial opaca en los modelos de IA. Si bien el razonamiento "chain-of-thought" es crucial para monitorear cómo los modelos resuelven problemas, el estudio encuentra que los cambios arquitectónicos están permitiendo que los modelos realicen una cognición serial significativa no verbalizada, lo que significa que están ejecutando lógica compleja sin escribirla.

Esto es una enorme señal de alarma para la seguridad y la interpretabilidad de la IA. Si los modelos pueden razonar problemas complejos en un espacio latente sin verbalizar los pasos, perdemos nuestro mecanismo principal para auditar su alineación y lógica. No se puede corregir una alucinación o una salida maliciosa si el modelo oculta sus cálculos.

Para los investigadores y los equipos de cumplimiento empresarial, esto significa que el "chain-of-thought" ya no es una panacea para la transparencia. Necesitamos herramientas de interpretabilidad completamente nuevas para abrir estas cajas negras, porque depender de que el modelo narre honestamente sus propios pensamientos se está convirtiendo en una imposibilidad técnica.

Una nueva investigación confirma que escalar los modelos de video y el cómputo de preentrenamiento mejora directamente la capacidad de un robot para realizar tareas físicas. Utilizando modelos de Video-Acción Directa, los investigadores encontraron que las ganancias de rendimiento están ligadas a la capacidad del modelo para predecir videos web no vistos, y los modelos más grandes sobresalen en traducir esto al trabajo en el mundo real.

La robótica ha tenido dificultades históricamente porque no se pueden "raspar" fácilmente las interacciones del mundo físico de la misma manera que se puede "raspar" texto de Wikipedia. Esta investigación demuestra que ver videos de YouTube de forma pasiva es suficiente para enseñar a un robot a manipular objetos en un espacio tridimensional.

Esto desbloquea un conjunto de datos masivo para la IA encarnada. Las empresas que descubran cómo transmitir eficientemente los archivos de video de internet a los modelos de acción dominarán la próxima década de la robótica. El hardware está listo; el software finalmente sabe cómo observar y aprender.

Un nuevo análisis de la industria revela que incluso las mejores startups de IA sufren de "prompts" extensos y contradictorios causados por interminables adiciones iterativas. La solución es tratar los "prompts" exactamente como código de producción: dividirlos en secciones modulares para el contexto, el comportamiento y la salida para reducir las regresiones y disminuir los costos de inferencia.

Todavía estamos tratando la ingeniería de "prompts" como un arte oscuro en lugar de ingeniería de software. Cuando simplemente añades instrucciones a un "system prompt" de 4,000 palabras, confundes al modelo, quemas tokens y garantizas un comportamiento impredecible en producción.

Los fundadores deben aplicar un estricto control de versiones y una arquitectura modular para sus "prompts" de inmediato. Si tu "system prompt" parece un manifiesto desorganizado, tu producto es una bomba de tiempo de fallos en casos extremos.