Briefing diario
9 de noviembre de 2026 · 5 historias
🔥 Lo destacado
1Google encarga la revisión a un agente que no sabe nada del proyecto
Google publica en código abierto un método de revisión que cabe en una imagen: un «elefante» redacta la especificación con todo el contexto, un «pez rojo» la revisa sin ninguna huella de la conversación de redacción. El revisor no tiene nada que defender, porque no ha escrito nada, así que busca las suposiciones no dichas, las exigencias vagas y los riesgos que el autor se saltó. El repositorio es libre, suma más de 15.000 estrellas y se instala en Codex CLI, Claude Code y Antigravity. Tres roles se reparten el trabajo: el autor, el revisor recién llegado y una persona que decide los puntos planteados. En la práctica, es el método que se aplica al entregar un documento a un compañero que no estaba en la reunión: hace la pregunta en la que el autor nunca pensé. Fuente : https://github.com/google/elephant-goldfish-model
2Anthropic explica la memoria de sus agentes: cuatro capas y un turno de noche
Anthropic publica el detalle del mecanismo de memoria de sus agentes. Cuatro capas, de abajo arriba: el registro en bruto de las sesiones, las notas que escribe el propio Claude, fichas enciclopédicas enlazadas entre sí y, por último, una lista corta que se reinyecta al inicio de cada sesión. En medio hay un trabajo de fondo que la empresa llama el «sueño»: fuera de toda conversación, el sistema relee los registros, corrige las notas falsas, crea lo que falta y poda lo que envejece. Las mediciones están publicadas: sobre la base de aprendizaje continuo, Opus 5.5 pasa de 0,655 a 0,838 con memoria, Sonnet 5.5 de 0,644 a 0,833, y Opus 5 es el que más gana, de 0,564 a 0,828. Una lección es sencilla: la lista reinyectada debe seguir siendo corta. Cada línea de contexto entregada ocupa sitio y puede reducir la obediencia. Fuente : https://www.anthropic.com/research/components-of-agent-memory
3Un modelo que cualquiera puede descargar se acerca al reservado
Vals AI dejó que los agentes atacaran solos dos redes empresariales falsas, Nova y Lighthouse, y contó los objetivos alcanzados. En la red más difícil, Lighthouse, el modelo de OpenAI reservado a socios de ciberseguridad alcanza 27 objetivos de 31; DeepSeek, que cualquiera puede descargar, alcanza 21. En la red más sencilla, los dos están empatados: 16,3 objetivos de 21 para DeepSeek frente a 15,7. La diferencia de precio es clara: una ejecución cuesta menos de 3 dólares con DeepSeek y unos 22 con el modelo de OpenAI, diez veces menos. Un detalle cambia la lectura: DeepSeek no consiguió nada durante sus primeros 25 millones de palabras de trabajo y solo avanzó de forma notable después de 100 millones. Una prueba corta subestima a los modelos baratos. Para nuestros servidores, la pregunta ya no es si un agente puede entrar, sino con qué modelo, a qué precio y en cuánto tiempo. Fuente : https://www.vals.ai/benchmarks/cyber_offense
4Un laboratorio recauda 120 millones de dólares para enviar agentes a investigar las caídas
Traversal recauda 120 millones de dólares en serie B y alcanza una valoración de mil millones. La empresa envía agentes a investigar las averías sin esperar a que un ingeniero abra un ticket. El contexto está medido: el 42 % de los desarrolladores escriben ya la mayor parte de su código con ayuda de una inteligencia artificial, frente al 12 % de hace un año, pero el 52 % tarda más en depurar cuando el código está en producción. Las investigaciones mensuales de Traversal pasaron de 513 a cerca de 73.000 en un año. El límite lo asume su director de ingeniería de operaciones en Anthropic: no se puede confiar en los grandes modelos para la gestión de incidentes, porque confunden con facilidad lo que ocurre a la vez con lo que lo causa. Fuente : https://www.traversal.com/blog/traversal-series-b-120-million-ai-sre
5El modelo se descarga sin problema, pero su licencia impide venderlo
El editor webAI publica los pesos de TwIL-8B, un modelo de razonamiento de 8.800 millones de parámetros derivado de Granite 4.2 de IBM. Cabe en 5 gigabytes y funciona en un ordenador de sobremesa: los seis archivos de pesos se descargan de verdad. Pero el archivo de licencia leído en el repositorio se llama «webAI Non-Commercial License ver. 1.0» y precisa que el modelo y sus derivados solo pueden usarse para investigación y docencia, nunca comercialmente. El modelo base, en cambio, está bajo Apache 2.0, sin umbral de facturación ni país excluido. Esta es la trampa que hay que evitar: un peso descargable no es un peso utilizable en una actividad rentable. La lección vale para todos los modelos que alojamos para clientes. Fuente : https://huggingface.co/webAI-Official/TwIL-8B
📡 A vigilar
Un fallo de SSH de diez años, encontrado por un enjambre de agentes y explotado en horas
Un investigador montó un enjambre de agentes que realizó unas 17.600 pruebas de autenticación sobre doce configuraciones de OpenSSH, y encontró un fallo que permite entrar sin contraseña en sistemas Linux basados en musl, como Alpine. Se corrigió el 5 de noviembre en OpenSSH 10.6p2, y fue explotado en las horas siguientes a su publicación. El responsable del proyecto considera ahora peligrosos los largos silencios, porque los agentes a veces encuentran el mismo fallo en cuestión de horas. Fuente : https://www.bleepingcomputer.com/news/security/openssh-flaw-lets-attackers-log-into-password-disabled-linux-accounts
Adobe instala su agente de atención al cliente en ChatGPT, Claude, Gemini y Copilot
El agente de Adobe para la relación con clientes, hasta ahora usado solo en las herramientas de Adobe, pasa a estar disponible en las plataformas que ya usan las empresas: ChatGPT, Claude, Gemini for Business, Copilot, y pronto Amazon, IBM y Snowflake. Adobe añade conectores listos para usar con una decena de herramientas de marketing, construidos sobre estándares abiertos. La idea: una sola petición basta para extraer los datos, actuar en los sistemas y mejorar el recorrido del cliente, sin que la empresa escriba las conexiones. Más de 20.000 marcas ya usan estas tecnologías. Fuente : https://news.adobe.com/news/2026/11/adobe-integrates-agentic-cx-enterprise-coworker-into-ai-platforms
Google saca de la fase experimental la comunicación entre agentes
La versión 2.14 del kit de herramientas para agentes de Google, publicada el 7 de noviembre, saca de la fase experimental varias piezas: el protocolo con el que los agentes hablan entre sí, los entornos de ejecución aislados, las herramientas de evaluación y el núcleo del motor. Añade además una conexión directa con las conversaciones de Teams y un modo de evaluación que repite cada caso varias veces para medir una tasa de éxito en lugar de una sola ejecución. Google informa además de tareas largas más rápidas. Fuente : https://github.com/google/adk-python/releases/tag/v2.14.0
Una bandeja de entrada para los agentes que trabajan durante horas
Plannotator saca una bandeja de entrada pensada para los agentes que funcionan mucho tiempo: el agente deja allí sus preguntas, sus bloqueos, sus planes y sus maquetas, y sigue trabajando. La persona abre la bandeja cuando tiene tiempo, responde o anota, y esa respuesta pasa a ser el siguiente turno de la sesión. Todo se queda en la máquina y las conversaciones se agrupan por hilos. El repositorio es libre y el proyecto publicó varias versiones el 8 de noviembre. Fuente : https://plannotator.ai/inbox/
📊 Tendencia
Esta mañana no hay ninguna estrella nueva: se ven las piezas invisibles. La memoria que un agente guarda entre dos sesiones, la revisión confiada a un desconocido, el precio de una intrusión dirigida por un modelo que cualquiera puede descargar, el agente que sale a investigar una caída sin que nadie lo llamara, la bandeja que le devuelve sus preguntas y la licencia que decide si lo descargado se puede vender. La pregunta del día ya no es qué modelo es el mejor, sino en qué condiciones puede trabajar un agente dentro de una empresa: con una memoria acotada, una mirada nueva sobre su propio trabajo, un perímetro escrito y el derecho a ganar dinero con el resultado.