Briefing diario
8 de noviembre de 2026 · 5 historias
🔥 Lo destacado
1Los tickets de error viejos hacen trabajar a los agentes para nada
Google revisó cientos de millones de pasos de agentes de programación en sus propios equipos. El resultado debería ser conocido por todos: en el 13 % de las sesiones el agente se topa con un comentario del tipo « arreglar más tarde, ticket 12345 » que quedó en el código aunque el problema se resolvió hace años. Seis de cada cien veces lo agarra, y en el 83 % de esos casos nadie se lo había pedido. Entonces va a buscar un error ya corregido o amplía un trabajo que nadie quería. El precio: 70 % más pasos, 77 % más texto procesado y 105 % más tiempo de espera. Google respondió mandando a sus propios agentes de limpieza a recorrer los repositorios. Fuente: https://developers.googleblog.com/agent-distraction/
2Un pequeño laboratorio estadounidense quitó la propaganda de un modelo chino
Nous Research, un pequeño laboratorio estadounidense, tomó un modelo chino muy usado, Qwen3.8-27B, y lo reentrenó para eliminar las respuestas que siguen la línea oficial de Pekín. El resultado, Arete-27B, se publica bajo la licencia libre Apache 2.0, así que se puede usar comercialmente, y los pesos se descargaron y verificaron esta mañana. Las respuestas « propagandísticas» caen del 22 % a menos del 1 %, mientras la precisión factual sube de 2,32 a 2,98 sobre 5. Lo más sorprendente no es el resultado sino el precio: 53 millones de palabras y dos vueltas de entrenamiento, sin aprendizaje por refuerzo. La alineación se convierte en una capa que se compra aparte de la capacidad. Una salvedad: las cifras provienen de las evaluaciones del propio editor, que además escribe que no corrigió todos los comportamientos relacionados. Fuente: https://nousresearch.com/arete
3Los agentes ya generan el 80 % del tráfico en la plataforma de modelos
El informe anual de Menlo Ventures, un fondo de inversión estadounidense, invierte el orden de fuerza. Los agentes representan el 80 % de todo el texto consumido en OpenRouter, la plataforma por la que pasan las peticiones a los modelos: siete veces el uso humano. El gasto empresarial en IA alcanzó 176 800 millones de dólares en septiembre, multiplicado por 5,4 en un año. Y en el mercado libre de modelos con pesos descargables, los modelos chinos se llevan el 89 % del gasto mundial, y solo la familia Kimi de Moonshot AI captura el 61 %. Una paradoja que el informe asume: los modelos abiertos procesan el 19 % de las palabras pero reciben solo el 4 % del dinero. Una salvedad: Menlo invierte en Anthropic y en la plataforma que aporta las cifras de tráfico. Fuente: https://menlovc.com/2026-the-state-of-enterprise-ai/
4Un modelo local prometedor, con una licencia que bloquea el comercio
El 28 de octubre, este modelo de Liquid AI se presentó como el más utilizable para ejecutar agentes en un teléfono: cabe en un gigaocteto y retiene 256 000 palabras de texto en la cabeza. Quedaba una pregunta abierta, la de la licencia. Hoy se ha leído, en el repositorio: el uso comercial está prohibido a las entidades que facturan 10 millones de dólares o más al año. Los pesos siguen siendo utilizables, el entrenamiento a medida y la investigación siguen libres, pero nuestro propio uso comercial por encima de ese umbral no lo es. El umbral se aplica a la facturación de quien usa el modelo, no al tamaño del proyecto. Compárese con el modelo publicado el mismo día bajo licencia libre Apache 2.0, sin ningún umbral. Fuente: https://huggingface.co/LiquidAI/LFM3-1.7B/blob/main/LICENSE
5Una capa de control libre decide qué modelo responde a quién
Buoyant, el editor del software de red Linkerd, saca un componente libre que se coloca delante de una flota de máquinas y decide adónde va cada petición enviada a un modelo. Se pueden escribir reglas sencillas: quién puede usar qué modelo, cuántas palabras por minuto, qué datos no deben salir nunca del edificio y qué hacer cuando los servidores locales están saturados. El punto clave: una regla puede rechazar la petición en vez de ejecutarla. En las mediciones del propio editor, la demora hasta la primera palabra cae de 6,88 a 0,31 segundos cuando varias peticiones comparten el mismo comienzo. Licencia libre, escrito en Rust, desplegable en Kubernetes. Las cifras son del editor, que reconoce que otras herramientas son más rápidas: la diferencia que se reclama es el control, no la velocidad. Fuente: https://kinference.ai/docs/
📡 A vigilar
Ocient recauda 100 millones de dólares porque los agentes lo quieren todo, no una muestra
Ocient, un fabricante de motores de análisis de Chicago, recauda 100 millones de dólares. Más importante que el importe es el motivo: los clientes que llegan a él reúnen todos sus datos para consultar a los agentes sobre ellos, sin muestreo. Sobre decenas de petabytes, una muestra pierde el rastro de una intrusión, que es justo lo que se busca. La empresa dice que sus clientes no tenían ni el caudal ni el almacenamiento a precio razonable para absorber ese volumen. Salvedad: el comunicado no da ni calendario ni base publicada del triplicamiento de ingresos que anuncia. Fuente: https://ocient.com/newsroom/press-releases/ocient-raises-100m-in-series-c-funding/
Anthropic y sus aliados pagaron 63 millones de dólares para elegir diputados
Un grupo de política pública respaldado por Anthropic gastó más de 63 millones de dólares en las elecciones intermedias estadounidenses del 3 de noviembre, y diez de sus diecisiete candidatos salieron elegidos. Es la primera vez que un laboratorio de inteligencia artificial financia elecciones a esa escala. El grupo rival, respaldado por un cofundador de OpenAI,comprometió unos 54 millones. La inversión está ahí: elegidos del campo del código abierto defienden ahora leyes más severas, incluida una contra los agentes de conversación. Fuente: https://publicfirstaction.us/news/pro-safeguards-candidates-win-in-both-parts-as-voters-reject-big-techs-bid-to-buy-congress
Empresas sin oficina real obtuvieron permiso para comprar chips H200 en China
The New York Times visitó las direcciones de varias empresas chinas a las que Washington autorizó a comprar o ensamblar chips H200 de Nvidia. En los dos casos que visitó, los locales estaban vacíos. Una está vinculada a un fondo de inversión estadounidense sancionado; la otra comparte personal y patentes con Inspur, que Estados Unidos incluye en la lista de entidades relacionadas con el ejército chino. La investigación no dice que los chips llegaran: dice que el control se apoya en formularios, nunca en una verificación del lugar. Fuente: https://www.nytimes.com/2026/11/07/business/economy/nvidia-chips-chinese-firms.html
Perplexity lanza agentes que siguen trabajando mientras duermes
Perplexity lanza agentes permanentes: les das un objetivo, trabajan de forma continua, se pasan el trabajo entre ellos y te avisan cuando necesitan una decisión. Cada uno corre en su propia máquina virtual, con su pantalla y su navegador, y sigue accesible desde Slack o la aplicación. El servicio está reservado a suscriptores del plan Max, a 200 dólares al mes, y es gratis durante un periodo promocional antes de que empiece la facturación por uso. El editor ya tenía una herramienta para tareas sueltas; esta apunta a proyectos que duran días. Fuente: https://www.perplexity.ai/hub/blog/teammates-are-agents-for-complex-ongoing-work
📊 Tendencia
Dos cifras se enfrentan esta mañana. Por un lado, el 80 % de todo el texto que pasa por la principal plataforma de modelos viene de agentes, y el gasto empresarial en IA se multiplicó por 5,4 en un año: los agentes se han convertido en el primer uso real de la IA. Por otro, Google mide que un comentario olvidado en el código puede costar a un agente un 77 % más de texto procesado cuando va a buscar un error ya corregido. En medio hay una decisión jurídica: la licencia de un modelo que cabe en un gigaocteto prohíbe el uso comercial por encima de 10 millones de dólares de facturación. Las puntuaciones deciden cada vez menos; las licencias, el alcance y la medición de nuestros propios agentes deciden cada vez más. Nuestro presupuesto debería seguir el volumen realmente consumido, no el número de llamadas. Y la pregunta del mes ya no es qué modelo es el mejor, sino hasta dónde dejamos actuar solos a nuestros agentes. El 12 de noviembre, la política de uso de Anthropic hace exigibles las reglas sobre agentes conectados a material físico. Eso es un calendario, no una amenaza.