Briefing diario
1 de noviembre de 2026 · 5 historias
🔥 Lo destacado
1La IA de Apple llega a China, y Qwen de Alibaba hace el trabajo
En pocos días, el asistente de voz del iPhone podrá responder en chino, reescribir un texto o ver lo que capta la cámara — pero para los usuarios chinos no será el modelo de Apple quien haga el trabajo. Lo hará Qwen, el modelo de Alibaba. Apple y Alibaba lo anunciaron conjuntamente a finales de octubre. Las pruebas empiezan el 4 de noviembre y la versión pública está prevista para diciembre. Cada pregunta viaja a Alibaba, pero la empresa promete que ni las preguntas ni las respuestas servirán para entrenar sus modelos. El usuario mantiene el control y aprueba lo que se envía. En términos simples: para un chino, el iPhone se comporta como para un francés — consulta a un modelo chino instalado localmente. Fuente: Global Times.
2Microsoft publica un agente de 4.000 millones de parámetros que controla el ordenador
Microsoft acaba de publicar los pesos de un diminuto agente de ordenador: cuatro mil millones de parámetros, un archivo que cabe en una memoria USB de 10 GB. La licencia es abierta y basta un ordenador de sobremesa normal para ejecutarlo. En la prueba de referencia que mide la capacidad de manejar un ordenador, alcanza un 66 % de éxito, la mejor marca a ese tamaño. Y lo mejor es que este pequeño agente no solo hace clic en la pantalla: también sabe escribir y ejecutar código en una ventana de terminal, y elige por sí mismo cuál de los dos métodos usar. Microsoft señala que el resultado viene sobre todo del utillaje alrededor del modelo, no del modelo solo: el agente de referencia se quedaba en el 37,6 %, el entrenado llega al 66 %. Fuente: Microsoft.
3Anthropic redibuja sus reglas para los agentes que manejan máquinas reales
El 12 de noviembre, Anthropic aplicará una nueva versión de su política de uso, y se dirige exactamente a lo que hacen los agentes hoy. Cuando Claude está conectado a material capaz de actuar por sí solo en el mundo físico — un brazo robótico, un vehículo, una máquina —, tres exigencias pasan a ser obligatorias: un operador cualificado debe poder vigilar el equipo y detenerlo; el equipo debe poder mantener un estado seguro si se cae la conexión; y la persona afectada debe saber que se usó una máquina. Es la primera vez que un gran laboratorio escribe en blanco y negro lo que nuestros propios agentes deben respetar cuando tocan lo real. En otra parte, la regla se relaja: desaparece la prohibición general de las campañas electorales dirigidas a electorados concretos. Fuente: Anthropic.
4Cinco modelos pequeños coordinados con archivos superan a un modelo de primer nivel
Cinco modelos pequeños de 27.000 millones de parámetros cada uno, puestos al mismo problema difícil de programación, lo hicieron mejor que un modelo de primer nivel usado en solitario: 9,8 sobre 10 de media frente a 8,0. El detalle importa: nunca se hablan entre ellos. Cada uno tiene un papel — un planificador, dos ideadores en paralelo, un ejecutor y un gestor — y toda la coordinación pasa por archivos depositados en el disco, como notas que uno se deja al pasar. El coste mediano por problema: 39 céntimos, menos que un café. Los autores señalan además un límite: los problemas son de 2025 y el modelo puede haberlos visto durante el entrenamiento. Fuente: página GitHub del proyecto Memdoor.
5Collective capta 100 millones para un agente que gestiona una empresa de una persona
Collective acaba de captar 100 millones de dólares para una idea muy sencilla: que los autónomos puedan resolver solos la parte administrativa de su negocio. La plataforma prepara las declaraciones, ordena los gastos, tramita las nóminas y enlaza los seguros, y es un agente quien hace el trabajo en segundo plano, en vez de dejar al usuario un montón de programas que debe pilotar. La ronda es inhabitual: 40 millones en capital más 60 millones de línea de crédito orientada a los clientes. La empresa afirma que sus ingresos crecen un 120 % anual y que ha ahorrado 350 millones de dólares de impuestos a sus clientes, y los de mayores ingresos ahornan hasta 40.000 dólares al año. Su argumento: una empresa de una sola persona ya puede competir con un jefe. Fuente: blog de Collective.
📡 A vigilar
GitLab da a los agentes un mapa del código en vez de obligarlos a releerlo todo
GitLab acaba de abrir a todos su grafo de contexto: una vista única y siempre actualizada del código, las solicitudes de fusión, las cadenas de proceso y las vulnerabilidades, que los agentes pueden consultar en lugar de releerlo todo cada vez. En las pruebas de GitLab, los agentes conectados hicieron hasta 45 veces menos reintentos y usaron hasta 4,5 veces menos tokens. Un cliente respondió en siete minutos una pregunta de seguridad sobre 34 millones de elementos, frente a media jornada de búsqueda manual. Fuente: blog de GitLab.
Ahora un agente se encarga de vigilar a sus otros agentes
Monte Carlo acaba de lanzar Bayes, un compañero que vigila los agentes en producción y arregla lo que se rompe: detecta averías, ajusta la vigilancia, propone las correcciones como solicitudes de fusión o tickets y después comprueba que la corrección aguantó. La empresa recuerda que un ingeniero puede vigilar cómodamente de uno a tres agentes, y que el 74 % de las empresas ya tuvo que dar marcha atrás con un agente desplegado. En los clientes de Monte Carlo, Bayes detectaría el doble de incidentes reduciendo las falsas alarmas más de un 80 %. Fuente: comunicado de Monte Carlo.
SAP vende la sala de control de sus agentes, no solo los agentes
En su conferencia TechEd, SAP presentó una nueva forma de fabricar agentes: Joule Studio permite describir en lenguaje corriente lo que el agente debe hacer y probarlo en un espacio protegido antes de ponerlo en producción, con permisos por rol que separan el lado de negocio del lado de desarrollo. Además ofrece un único lugar para pilotar todos los agentes de la empresa, los modelos elegidos (más de 70), el consumo y las trazas. En claro: SAP vende la sala de control entera, no un solo agente. Fuente: comunicado de SAP.
DoorDash hace la cuenta: los agentes solo han hecho unos cientos de pedidos
En una plataforma de reparto que gestiona 3 millones de pedidos al día, los que llegan de asistentes ajenos se cuentan con los dedos de una mano. El jefe de DoorDash lo dijo él mismo a los inversores: los agentes están entre las funciones menos usadas y la mayoría de los clientes sigue pidiendo dentro de la aplicación. La empresa sí tiene sus propios agentes — pedido por mensaje, agente en la línea de comandos, robot de conversación — y no cierra la puerta: incluso menciona la publicidad dentro de esos asistentes. La cifra es útil para quien construye en este terreno ahora mismo: el ruido sobre los agentes que piden es enorme, el volumen sigue siendo mínimo. Fuente: transcripción de la llamada de resultados, depositada ante la SEC.
📊 Tendencia
Una constante recorre las noticias de hoy: el agente ya no es el tema, lo es su entorno. Microsoft publica un modelo diminuto cuya nota depende sobre todo del utillaje que lo rodea; GitLab vende una vista que aporta el contexto; Monte Carlo pone un agente a vigilar a los agentes; SAP vende la sala de control. Mientras tanto, DoorDash recuerda que tres millones de pedidos diarios no se convierten en pedidos de agentes por arte de magia. El movimiento de estos meses es menos espectacular de lo que parece: la atención se desplaza del cerebro al entorno, y ahí se decidirá la diferencia entre una demostración y una herramienta que dura.