Anthropic: IPO con $895B comprometidos.

Oracle anunció planes para recaudar 20 mil millones de dólares para financiar su expansión de infraestructura de IA, dividiendo el total equitativamente entre 10 mil millones de dólares en acciones y 10 mil millones de dólares en bonos. El mercado reaccionó de inmediato a los requisitos de capital, haciendo que las acciones de Oracle cayeran casi un 6%.

Esto marca un cambio en la paciencia de los inversores. Durante los últimos años, anunciar un gasto de capital masivo para la IA era un aumento garantizado de las acciones. Ahora, la factura está llegando, y los accionistas se están poniendo nerviosos por el apetito insaciable de las granjas de servidores y los contratos de energía.

Oracle está atrapado en una clásica carrera armamentista. Tienen que gastar los 20 mil millones de dólares para seguir siendo relevantes como proveedor de la nube para cargas de trabajo de IA, incluso si eso hunde sus acciones a corto plazo. Los gigantes de la nube están jugando a la gallinita ciega con sus propios balances, y el único ganador garantizado es la cadena de suministro que les vende las palas.

Investigadores del MIT CSAIL lograron mejorar significativamente la puntuación de un modelo pequeño en un benchmark de matemáticas del 7.9% al 48.1%. ¿La clave? Lo hicieron editando solo el 0.016% de los pesos en GPT-6 Astra, evitando por completo la necesidad de una ejecución de reentrenamiento completa. El artículo aún no ha sido revisado por pares.

Este es un cambio fundamental en cómo manejamos el rendimiento de los modelos. En este momento, corregir un defecto fundamental generalmente significa gastar millones de dólares en cómputo para una nueva ejecución de entrenamiento. Si puedes lograr un salto de 40 puntos en el benchmark ajustando una fracción de un porcentaje de la red, la economía del mantenimiento de modelos cambia de la noche a la mañana.

Si esta técnica escala, los laboratorios que descubran la programación del espacio de pesos superarán con creces a los que aún dependen de la fuerza bruta. Convierte la depuración de modelos de un mazo en un bisturí.

Microsoft presentó una patente para un sistema de IA diseñado para reescribir lo que un orador dice durante una transmisión de video en vivo. La tecnología altera el audio y simultáneamente remodela los labios y la cara del orador para que la edición parezca natural. La patente sugiere casos de uso que van desde la traducción en vivo y la eliminación de palabras de relleno hasta la censura total.

Esto va mucho más allá de los deepfakes estándar. Al integrar esta capacidad directamente en las tuberías de transmisión en vivo, Microsoft está abriendo la puerta a un mundo donde nunca se puede estar completamente seguro de si las palabras que salen de la boca de un orador en vivo son las suyas propias, o una corrección algorítmica aplicada a mitad de la transmisión.

Para las comunicaciones empresariales, esto se venderá como una herramienta de pulido. Para el resto de nosotros, significa el fin de confiar en el video en vivo. Las empresas que construyen verificación criptográfica para transmisiones en vivo acaban de recibir una validación masiva de su modelo de negocio.

Ali Ghodsi, cofundador y CEO de Databricks, ha declarado públicamente que el entrenamiento de modelos personalizados tiene poco valor. Según los informes, Databricks ahora está reorientando su enfoque hacia el servicio de modelos existentes en lugar de impulsar a los clientes a construir los suyos desde cero.

Esta es una sorprendente reversión. Hace apenas un año, la narrativa empresarial era que cada empresa de Fortune 500 necesitaba su propio modelo fundacional a medida para proteger su foso de datos. Ahora, uno de los principales beneficiarios de ese ciclo de exageración está admitiendo que la economía y los resultados simplemente no justifican el esfuerzo.

La era de cada marca entrenando un LLM personalizado ha muerto. Los ganadores son los proveedores de inferencia y los gigantes de código cerrado; los perdedores son las consultorías que facturaron millones por ejecuciones de entrenamiento personalizadas que finalmente tuvieron un rendimiento inferior al de las APIs estándar disponibles.

La empresa Proton, centrada en la privacidad, canceló sus planes de volver a entrevistar a casi todo su personal sobre el uso de la IA. La reversión se produce tras una intensa reacción negativa tanto de empleados como de usuarios, provocada por informes de que el CEO Andy Yen estaba impulsando la adopción de la IA a pesar de las preocupaciones internas de seguridad.

Cuando una empresa construida enteramente sobre la premisa de la privacidad y la seguridad intenta forzar la adopción de herramientas de IA a su fuerza laboral, el rechazo cultural es inmediato. Los ingenieros son muy conscientes de los riesgos de fuga de datos asociados con la adopción de la IA empresarial, y obligarlos a justificar su uso de la IA en nuevas entrevistas fue un paso en falso autoritario.

La dirección de Proton perdió esta ronda. Es una clara advertencia para los equipos de gestión de todo el mundo: no se puede imponer el entusiasmo por la IA, especialmente cuando su producto principal se basa en la paranoia.