Último briefing
20 de julio de 2026 · 5 noticias (sitio) · 5 noticias (base)
El 20 de julio de 2026, el ecosistema de agentes de IA consolida la semana pos-WAIC Shanghái y pos-Kimi K3 con una jornada orientada a las piezas de infraestructura: Hugging Face publica TRL v1.8.0, que permite entrenar a un agente en varios entornos en paralelo; Helsing cierra una ronda de 1.800 millones de euros con una valoración de 18.000 millones para sus drones autónomos y el análisis de campo de batalla con IA; el Departamento de Comercio estadounidense utiliza por primera vez la ley de control de exportaciones para suspender en todo el mundo el acceso a dos modelos de Anthropic; Japón lanza oficialmente Noetra, su modelo fundacional de IA física respaldado por Sony, SoftBank y Honda; y un nuevo artículo de investigación muestra que ya se pueden entrenar agentes con aprendizaje por refuerzo más allá de 4 millones de elementos sin saturar la memoria de las tarjetas gráficas.
🔥 Lo destacado
01
Hugging Face vuelve a los agentes de IA entrenables a la vez sobre código, juego y navegación — sin que se mezclen las herramientas
Hoy, entrenar a un agente de IA sigue pareciendo una elección única: se lo especializa para programar, para jugar o para navegar, pero no para las tres cosas a la vez. Hugging Face publica la versión 1.8.0 de TRL, su caja de herramientas de referencia para el ajuste final (la última etapa en la que se enseña a un modelo a hacer mejor su trabajo en lugar de simplemente producir texto). La novedad que cambia la situación: un solo entrenamiento puede ahora mezclar varios entornos — uno que simula un juego, uno que simula un editor de código, uno que simula un navegador — y cada uno declara sus propias herramientas y su propia forma de recompensar al agente. Las herramientas ya no se filtran de un universo a otro: el modelo entrenado para programar ya no intenta invocar una herramienta de juego en mitad de una línea de Python. Para Info-Sys, es la pieza de infraestructura de código abierto que faltaba para pasar de un agente que habla de un tema a un agente que actúa de verdad dentro de un entorno concreto. El módulo de optimización KTO pasa a versión estable, y la memoria de las tarjetas gráficas se aprovecha mejor — un 19 % más de velocidad en modelos de 4.000 millones de parámetros. En la práctica, esto significa que ya se puede preparar a un agente sobre varios dominios sin tener que empezar desde cero cada vez.
02
Helsing levanta 1.800 millones de euros para drones autónomos y análisis de campo de batalla — la defensa con IA se convierte en una categoría de inversión por derecho propio
Helsing, la start-up alemana que construye sistemas de IA para la defensa militar (drones autónomos, software de análisis de datos de combate, vigilancia submarina), cierra una nueva ronda de financiación de 1.800 millones de euros con una valoración de 18.000 millones. La demanda superó tanto la oferta que los fundadores pudieron elegir a sus inversores. Dragoneer lidera la ronda, junto a Goldman Sachs, JPMorganChase, General Catalyst y el fondo de pensiones canadiense CPP. Es la mayor ronda jamás realizada por una start-up europea de defensa con IA, y la señal enviada a los mercados es nítida: la defensa impulsada por IA se convierte en una categoría de inversión por derecho propio, al mismo nivel que las infraestructuras de IA o la ciberseguridad. La sociedad sigue estando mayoritariamente en manos de inversores europeos — Daniel Ek (Spotify) y Tom Enders (ex-Airbus) siguen siendo copresidentes del consejo. Para quien construye agentes de IA, es un indicador a tener en cuenta: los agentes físicos (drones, robots, software militar autónomo) atraen ya billetes de varios miles de millones. El mercado europeo se toma este segmento en serio, cuando hace solo dos años todavía se le consideraba un nicho.
03
Estados Unidos tiene una nueva herramienta para apagar un modelo de IA bajo demanda — y afecta a todo el mundo, también fuera de sus fronteras
El 12 de junio, el Departamento de Comercio estadounidense hizo algo nuevo: utilizó la ley de control de exportaciones para ordenar la suspensión del acceso a dos modelos de IA de Anthropic, Fable 5 y Mythos 5, para todos los usuarios, en cualquier parte del mundo, incluidos investigadores e ingenieros extranjeros que trabajan en Estados Unidos. El mecanismo es simple y brutal: una carta confidencial, sanciones penales en caso de incumplimiento y efecto inmediato. Anthropic no pudo filtrar a los usuarios por nacionalidad a nivel de su API — la solución más sencilla fue desactivar por completo ambos modelos. Para cualquiera que despliegue o utilice un modelo de IA puntero desde sus propios servidores, es un precedente que conviene integrar en su postura de riesgo: un modelo que se alquila o se usa puede ser cortado de un día para otro por una decisión administrativa, sin pasar por un juez. La base legal (ley de reforma del control de exportaciones y norma sobre «usos militares o de inteligencia») nunca se había puesto a prueba sobre el acceso a distancia a un modelo de IA. La Comisión Europea advirtió públicamente del riesgo de medidas «discriminatorias». Para Info-Sys: a documentar en toda ficha de riesgo de agentes, y a vigilar en las próximas semanas — los analistas barajan tres salidas posibles, entre ellas un regreso negociado y una verificación de identidad costosa para los usuarios.
04
Japón lanza su propio modelo de IA para robots y vehículos autónomos — con Sony, SoftBank, Honda y Preferred Networks a bordo
El Ministerio japonés de Economía (METI) oficializó a finales de junio el lanzamiento de un proyecto de modelo de IA multimodal doméstico, pensado para lo que se llama la «IA física»: robots industriales, vehículos autónomos, sistemas que tienen que entender a la vez imágenes, texto y señales de sensores. La start-up Noetra, creada para la ocasión, está respaldada por 44 industriales japoneses — a la cabeza Sony, SoftBank, NEC, Honda y Preferred Networks. El programa se extiende a lo largo de cinco años (del ejercicio presupuestario 2026 a 2030) y lo pilota la agencia pública NEDO. El objetivo declarado es disponer de un modelo fundacional que una empresa japonesa pueda utilizar sin enviar sus datos de producción al extranjero — un tema delicado en un país donde la industria manufacturera sigue siendo un pilar de la economía. El ángulo diferenciador respecto a los proyectos estadounidense (Stargate), chino (WAICO), europeo (AI Factories) e indio (IndiaAI): la IA física y la eficiencia energética, dos prioridades naturales para Japón. Para quien construye agentes de IA: un nuevo modelo fundacional a seguir de cerca en los próximos trimestres, con un foco particular en la robótica y los usos industriales concretos.
05
Un nuevo método permite entrenar agentes de IA en tareas muy largas — sin saturar la memoria de las tarjetas gráficas
Los agentes de IA actuales acumulan, a lo largo de una jornada de trabajo, capturas de pantalla, salidas de herramientas, extractos de documentos, resultados de análisis — todo ello puede representar varios millones de pequeños elementos a procesar. Pero los métodos clásicos de aprendizaje por refuerzo (la técnica que enseña a un agente mediante prueba y error sobre casos reales) suelen saturarse en torno a los 256 000 elementos por culpa de la memoria limitada de las tarjetas gráficas. Un artículo publicado a mediados de julio, sobriamente titulado LongStraw, propone un truco técnico que cambia la situación: evaluar el historial común una sola vez sin recalcular cada detalle, y luego repetir solo las pequeñas ramas que difieren. Los autores demuestran su método sobre modelos abiertos ya existentes (Qwen3.6-27B y GLM-5.2) y logran entrenar más allá de 4 millones de elementos sin reventar la memoria. Para Info-Sys: es la pieza técnica que hace posible entrenar agentes sobre flujos de trabajo largos y complejos, como analizar un expediente completo, navegar por un sitio web grande o coordinar varias herramientas a lo largo de varias horas. El artículo fue clasificado número 1 del día en Hugging Face, y los autores advierten con honestidad que aún queda trabajo antes de que el método se integre por completo en las herramientas estándar — pero la dirección está clara.
📡 A vigilar
Microsoft lanza la versión final de su framework de agentes para grandes empresas
Microsoft Agent Framework (MAF) salió en versión 1.0 el 2 de abril, tras la fusión de los proyectos históricos AutoGen y Semantic Kernel. En la conferencia BUILD del 3 de junio, Microsoft añadió tres piezas importantes: un «Agent Harness» que convierte cualquier cliente de chat en un agente listo para producción (con acceso a ficheros, memoria, validación humana y compactación automática del historial), un servicio de agentes alojado en Azure que se escala solo y no cuesta nada cuando está inactivo, y un modo CodeAct en el que el agente escribe y ejecuta código para llevar a cabo una tarea en vez de invocar una herramienta específica. La oferta está disponible en el mismo código para desarrolladores .NET y Python. Es la respuesta de Microsoft a LangChain, CrewAI y al nuevo AutoGen independiente: un framework listo para grandes empresas, con gobernanza integrada. A seguir de cerca a la hora de elegir la pila de agentes.
500 modelos de IA de código abierto accesibles desde un único punto de entrada — para empresas que no quieren gestionar sus propios servidores
AI.cc, una plataforma con sede en Singapur, ha cerrado una colaboración con Hugging Face para ofrecer más de 500 modelos de IA de código abierto (Llama 4, Mistral, Qwen, Gemma, GLM, DeepSeek, Falcon y más de 300 adicionales) a través de una interfaz única compatible con la de OpenAI. En la práctica, una empresa puede consultar estos modelos sin comprar tarjetas gráficas, sin montar infraestructura y con una facturación unificada. El servicio está abierto desde el 15 de junio, con un nivel gratuito para pruebas. El contexto: los modelos de código abierto representan ya el 38 % del volumen de tokens consumidos por las empresas en el primer trimestre de 2026, frente al 11 % un año antes. El encaminamiento automático hacia el modelo más adecuado para cada tarea permitiría reducir los costes de infraestructura entre un 40 y un 65 %. Matiz: el comunicado original no se ha podido recuperar — la información llega a través de una retransmisión corporativa. Para Info-Sys: probarlo en casos de uso sencillos para evaluar la fiabilidad antes de pasar cargas a producción.
SambaNova levanta 1.000 millones para sus chips alternativos a Nvidia — con JPMorgan como primer cliente bancario
SambaNova Systems, competidor directo de Nvidia en el segmento de los chips especializados para IA, ha cerrado una nueva ronda de financiación de 1.000 millones de dólares con una valoración de 11.000 millones. La ronda la lidera General Atlantic, junto a BlackRock, T. Rowe Price, la Qatar Investment Authority e Intel Capital — esta última, además, socio técnico desde hace varios años. La señal más interesante para quien construye agentes: JPMorgan Chase ha elegido a SambaNova como socio para hacer correr sus modelos de IA sobre sus propios servidores, en lugar de apostarlo todo por Nvidia. Esto demuestra que los grandes bancos y las grandes empresas están construyendo ya sus propias pilas de IA privadas por razones de soberanía y de control de costes. Para Info-Sys: integrarlo en la vigilancia de las alternativas a Nvidia, sobre todo para cargas sensibles (banca, defensa, gobiernos) donde la soberanía del hardware se convierte en argumento de venta.
La ley europea de IA entra plenamente en vigor el 2 de agosto — qué cambia para los modelos desplegados en Europa
Todas las reglas del reglamento europeo de IA (EU AI Act) se vuelven plenamente vinculantes el 2 de agosto de 2026 para los modelos llamados «GPAI» (modelos de uso general). En la práctica: obligaciones de transparencia, respeto del derecho de autor en los datos de entrenamiento, evaluaciones de seguridad y sanciones en caso de incumplimiento. Para quien construye agentes de IA y los despliega en Europa, es el momento de comprobar que cada modelo de terceros utilizado dispone de una documentación técnica conforme y de que los flujos de trabajo de los agentes no caen bajo una categoría de alto riesgo. A distinguir del precedente estadounidense BIS sobre Fable y Mythos: la regulación europea se conoce de antemano, es predecible, pero amplia — se aplica a cualquier modelo puesto a disposición de usuarios europeos, sea cual sea la nacionalidad del editor.
📊 Tendencia
El 20 de julio de 2026, el ecosistema de agentes de IA sigue consolidando la semana posterior a la WAIC Shanghái y a la salida de Kimi K3, con una jornada de vigilancia centrada en las piezas de infraestructura y los precedentes estructurantes. Cinco enseignements emergen para quien construye agentes de IA. (1) El entrenamiento multi-entorno se convierte en la norma — Hugging Face TRL v1.8.0 permite ahora mezclar universos de agentes (código, juego, navegación) en un solo entrenamiento, lo que abre la puerta a agentes generalistas entrenados sobre flujos de trabajo reales, no solo sobre benchmarks. (2) La defensa con IA atrae billetes récord — la ronda de Helsing de 1.800 millones de euros a una valoración de 18.000 millones confirma que los agentes físicos (drones autónomos, análisis de campo de batalla) se han convertido en una categoría de inversión por derecho propio, con implicaciones para quien vende o despliega agentes en sectores sensibles. (3) El control de exportaciones se vuelve un riesgo operativo — el uso de la ley BIS estadounidense para cortar el acceso a dos modelos de Anthropic sienta un precedente: cualquier agente desplegado sobre servidores de terceros puede ser apagado por decisión administrativa. (4) La soberanía de la IA se convierte en un proyecto nacional incluso fuera de las grandes potencias — Japón lanza oficialmente su modelo fundacional de IA física con 44 industriales, siguiendo el modelo del WAICO chino, del Stargate estadounidense y de las AI Factories europeas. (5) El entrenamiento con contexto largo se vuelve técnicamente viable — el artículo LongStraw muestra que se pueden superar los 4 millones de elementos sin saturar la memoria de las tarjetas gráficas, lo que hace posible entrenar agentes sobre flujos de trabajo largos y complejos. Para Info-Sys, la lección operativa es clara: la época en la que bastaba con un único framework de agente y un único proveedor de modelos ha terminado — llega el momento de la vigilancia activa sobre las piezas de infraestructura, la geopolítica y las alternativas de código abierto.