Walmart: Rienda suelta a tu agente de compras.

La IA de diagnóstico de Microsoft acaba de lograr un 83% de precisión en casos médicos complejos en un entorno simulado. Para contextualizar, los médicos en la misma simulación lograron una lamentable precisión del 36%, incluso con acceso a materiales de referencia.

Esto no es una victoria marginal; es una paliza. Una simulación no es una sala de hospital, y los puntos de referencia sintéticos rara vez sobreviven al contacto con datos de pacientes del mundo real. Pero una brecha de 47 puntos significa que los modelos están viendo patrones que los especialistas humanos están pasando por alto por completo.

Los médicos pierden su monopolio sobre los diagnósticos complejos en el momento en que estos sistemas obtienen aprobación clínica. El ganador inmediato es Microsoft, que ahora tiene la cuña definitiva para vender sistemas de atención médica empresariales. Los perdedores son los organismos reguladores que intentan justificar por qué un sistema que duplica la precisión diagnóstica no debería ser la segunda opinión predeterminada.

Legora acaba de cerrar una ronda de financiación de 550 millones de dólares, lo que eleva a la empresa de IA legal a una valoración de 8.800 millones de dólares. El capital se destinará a expandir su negocio de IA legal en los mercados de EE. UU. y globales.

No se obtiene una valoración de 8.800 millones de dólares construyendo un motor de búsqueda ligeramente mejor para la jurisprudencia. Los patrocinadores de Legora apuestan a que la IA puede reemplazar fundamentalmente el trabajo pesado que actualmente se factura a 400 dólares por hora por los asociados de primer año.

Los bufetes de abogados que adopten estas herramientas verán cómo sus márgenes se disparan, mientras que los bufetes que se aferren a la revisión manual quedarán fuera del mercado. Legora gana a lo grande aquí, pero la verdadera prueba es si sus modelos pueden manejar la precisión paranoica requerida por los regímenes de cumplimiento global sin alucinar un precedente.

Flapping Airplanes acaba de recaudar 1.000 millones de dólares para desarrollar sistemas de IA que puedan aprender utilizando significativamente menos datos y potencia de cálculo. El objetivo es construir modelos de IA más eficientes y accesibles que no requieran drenar un pequeño lago para enfriar sus centros de datos.

La industria está obsesionada con raspar el fondo de internet para alimentar clústeres masivos, pero Flapping Airplanes apuesta a que la eficiencia algorítmica superará la escala pura.

Si lo logran, el foso para empresas como OpenAI y Google se reduce drásticamente. Los modelos que requieren menos computación reducen la barrera de entrada para todos los demás. Los incumbentes pierden su ventaja estructural si la inteligencia ya no requiere una supercomputadora de mil millones de dólares para entrenar.

GM probó más de 300.000 diseños de baterías completamente a través de modelado por computadora antes incluso de molestarse en construir un prototipo físico. La simulación impulsada por IA aceleró drásticamente su cronograma de desarrollo.

La creación de prototipos físicos en el sector automotriz es brutalmente lenta y costosa. Al trasladar la fase de prueba y error completamente a un entorno simulado, GM puede iterar a la velocidad del software en lugar de la velocidad de fabricación.

Los ganadores son los equipos de ingeniería que ahora pueden validar las ciencias de los materiales de la noche a la mañana. Los perdedores son los proveedores automotrices tradicionales que todavía dependen de las pruebas de banco físicas para validar sus componentes. La creación de prototipos digitales ya no es un lujo; es el punto de partida para la supervivencia.

Loom acaba de lanzar una función 'Grabar para agente' en beta abierta para usuarios de Business + AI y Enterprise. La herramienta convierte tutoriales narrados de pantalla en instrucciones explícitas para agentes de IA, completas con capturas de pantalla y enlaces.

Escribir secuencias de comandos para agentes GUI es tedioso y frágil. El enfoque de Loom permite a los operadores hacer lo que ya hacen (grabar un video rápido) y permite que el software extraiga los elementos DOM precisos y los pasos de ejecución necesarios para automatizar la tarea.

Esto elimina un cuello de botella masivo para los desarrolladores que intentan implementar agentes en entornos no técnicos. Loom gana al incrustarse como la capa de traducción entre la intención humana y la ejecución del agente.