La TPU v7 de Google supera a NVIDIA en precio.

Anthropic acaba de publicar cifras que validan el modelo de negocio de la IA. Sus ingresos crecieron 13 veces, mientras que los gastos de computación solo crecieron 4.3 veces. Ahora tienen más de 11,900 clientes que gastan $100K o más anualmente.

Esto es la Paradoja de Jevons en acción. A medida que la IA se vuelve más barata y eficiente de ejecutar, las empresas encuentran un trabajo exponencialmente más valioso para ella. Anthropic no solo está sobreviviendo a la curva de costos de computación; la está aplastando al convertir las ganancias de eficiencia en enormes múltiplos de ingresos.

Si estás construyendo un producto de IA, deja de preocuparte por el costo base de la inteligencia. El mercado está claramente dispuesto a pagar seis cifras por herramientas que realmente funcionan. Anthropic está ganando porque se enfoca en el valor empresarial, no solo en el tamaño bruto del modelo. Su capacidad para desvincular los costos de computación del crecimiento de los ingresos es el modelo que todos los demás laboratorios de IA deben seguir.

OpenAI ha entrado oficialmente en la competencia de hardware de IA personalizado, irrumpiendo en el mercado con sus nuevos chips Jalapeño. Este es un desafío directo a la cadena de suministro de GPU existente y una señal clara de que el principal laboratorio de IA está cansado de pagar márgenes externos.

Al adentrarse en el silicio personalizado, OpenAI indica que depender de hardware de terceros es una vulnerabilidad estratégica. Necesitan controlar la pila desde el silicio hasta la API para mantener sus precios competitivos a medida que los modelos crecen. Los chips Jalapeño les ofrecen un camino para internalizar su mayor centro de costos.

NVIDIA debería estar sudando. Cuando tu mayor cliente decide construir su propio hardware, dejas de venderle tantos chips. Para los desarrolladores, la integración vertical de OpenAI probablemente se traducirá en menores costos de API y una inferencia más rápida en el futuro, ya que trasladarán esos ahorros de hardware directamente al usuario final.

United Airlines ha restringido oficialmente el uso de agentes de IA de terceros no autorizados en su aplicación, sitio web y reservas a través de agencias de viajes. Citan riesgos de seguridad y el deseo de evitar intermediarios que se interponen entre la aerolínea y el pasajero.

Este es el primer gran golpe en la guerra entre los asistentes de IA para el consumidor y los jardines amurallados empresariales. Las aerolíneas priorizan las relaciones directas con los clientes, las ventas adicionales y los datos de lealtad. Un agente de IA que omite la interfaz destruye todo ese modelo de negocio al eliminar la capacidad de la aerolínea para comercializar directamente con el viajero.

Si estás construyendo un agente B2C que navega por las plataformas de otras empresas, espera ser bloqueado. El futuro de los agentes de IA no es el raspado no autorizado; es el acceso a la API negociado. United acaba de demostrar que la conveniencia para el usuario no supera el resultado final de la aerolínea. Los desarrolladores deben asegurar asociaciones oficiales, o sus agentes simplemente serán excluidos de la transacción.

Elon Musk anunció que xAI ha abandonado completamente JAX en favor de una pila personalizada de C y C++. Grok 4.8 está actualmente en proceso de aprendizaje por refuerzo con esta nueva arquitectura antes de un lanzamiento suave esta semana.

Abandonar los frameworks de IA estándar como JAX es un enorme riesgo de ingeniería, pero señala una demanda de control absoluto sobre el rendimiento del hardware y la gestión de la memoria. Las herramientas estándar son excelentes para la investigación, pero xAI está optimizando para la velocidad pura a escala, eliminando las capas intermedias para comunicarse más directamente con el hardware.

Desarrolladores, tomen nota: las capas de abstracción se están eliminando en la frontera. Si la pila personalizada de xAI ofrece un Grok 4.8 más rápido y barato, esperen que otros laboratorios comiencen a cuestionar su dependencia de los frameworks de entrenamiento listos para usar. Cuando se opera a esta escala, ahorrar unos pocos puntos porcentuales en gastos generales escribiendo C++ personalizado vale el intenso esfuerzo de ingeniería.