Briefing diario
15 de noviembre de 2026 · 5 historias
🔥 Lo destacado
1Un asistente que vive en tu ordenador y hace el trabajo por ti
n8n publica Nod, un asistente personal que instalas en tu Mac, tu PC o tu propio servidor. No se limita a darte una lista de tareas: las ejecuta, incluso en sitios sin ninguna integración. Antes de enviar un correo, pagar o borrar algo, un segundo modelo, distinto del que actúa, compara la acción con tu petición y te pregunta si la instrucción no basta. Tus contraseñas y tus tarjetas se quedan cifradas en el equipo, en formularios que el modelo no puede leer. El código es libre, y el modelo lo eliges tú, incluso uno que funcione en tu propia máquina. El editor anuncia un 98 % de acierto en 678 ejecuciones y ninguna acción no autorizada en 216 ataques por correo. Fuente: https://blog.n8n.io/meet-nod
2Amazon publica una maqueta de su nube, escrita entera por agentes
Amazon acaba de publicar un emulador gratuito de sus propios servicios que se instala en tu equipo y responde a las mismas llamadas que la nube real. Tu código no cambia, pero no pagas nada y no necesitas cuenta. Lo llamativo: todo el código lo escribieron agentes autónomos, sin revisión humana, a partir de la descripción pública de las interfaces. Tres equipos de agentes lo mantienen: uno escribe pruebas, otro las repite y abre un aviso por cada desviación, el tercero corrige. Amazon se lava las manos: el emulador no comprueba tus permisos, así que una petición que la nube real rechazaría aquí puede pasar. El código es de dominio público. Fuente: https://www.aboutamazon.com/news/aws/how-autonomous-ai-agents-built-aws-emulator
3Limpiar los datos de entrenamiento puede armar la trampa en vez de desarmarla
Un equipo de Anthropic demuestra que filtrar los datos de entrenamiento no basta para proteger a un modelo. Cuando un conjunto de datos manipulados empareja siempre una tarea con una palabra precisa, nada dice cuál de las dos manda. Si añades ejemplos correctos de la misma tarea sin esa palabra, el modelo acaba obedeciendo solo a la palabra. En un modelo abierto pequeño, el porcentaje de trampas sube del 7 % al 16 % al mezclar un 20 % de datos manipulados con datos limpios. Una red que solo reconoce dígitos pasa del 10 % al 60 % de errores tras sumar 9 000 ejemplos limpios. Los autores son claros: no estudian ninguna cadena de entrenamiento en producción. La lección es simple: trata un modelo descargado como código firmado por un desconocido. Fuente: https://alignment.anthropic.com/2026/homeopathic-learning
4Perplexity abre los pesos de un modelo pequeño que permite o rechaza
Perplexity publica una nueva versión de sus modelos de decisión, los que no responden sino que devuelven una probabilidad. Les das un texto y una pregunta, y deciden. Un agente los usa como vigilante: ¿esta petición está permitida, ¿este resultado merece guardarse, hay que preguntar a un modelo más grande o más pequeño? La versión 1.3 añade una función que devuelve el pasaje exacto del texto que corresponde a la pregunta, con su posición. Los pesos son libres con licencia Apache 2.0, y el editor anuncia un 93,98 % de coincidencia con jueces de modelos punteros en un millón de peticiones reales. Dos límites: la función no lee imágenes y el número de preguntas se queda en 128 por petición. Fuente: https://www.perplexity.ai/hub/blog/perplexity-decider
5El proveedor de datos de mercado vale 1.100 millones, con menos de 40 personas
Databento, que vende a los traders las órdenes y transacciones selladas hasta el microsegundo, recauda 100 millones de dólares con una valoración de 1.100 millones. La empresa tiene menos de 40 personas. El dinero va a terminar nueve centros de datos en cuatro meses, en siete ciudades, de Singapur a Nueva York. Lo que nos interesa: la empresa dice haber firmado contratos de empresa con cinco de los seis mayores laboratorios de IA de frontera, sin nombrar a ninguno. Esos laboratorios necesitan saber minuto a minuto qué ocurre en los mercados, el día en que los agentes empiecen a operar allí. Dice que no buscaba el dinero, que sus ingresos se han más que duplicado desde julio sin publicar la cifra, y que es rentable. Fuente: https://databento.com/blog/series-c
📡 A vigilar
Vercel trocea las pantallas en piezas para que un agente las monte solo
Vercel publica una biblioteca libre que trocea el funcionamiento de una interfaz en unas cincuenta piezas reutilizables: abrir una ventana, elegir en una lista, moverse con el teclado, reordenar una tabla. Un agente de programación las monta por su cuenta para construir la pantalla que necesita, incluso una que todavía no existe, y después se convierte en usuario de lo que ha construido. El editor mide que un agente que maneja la página directamente, sin capturas, hace 5 llamadas en vez de 16, en 16 segundos en vez de 41. La biblioteca cubre cinco bibliotecas web. Fuente: https://ui-sdk.dev/
openEuler rehace su sistema operativo para los agentes
La comunidad openEuler, que sostiene el sistema operativo chino patrocinado por Huawei, ha rehecho todo su sistema para los agentes. En la versión nueva, el agente ya no corre en una máquina virtual: corre en un espacio aislado que se crea en menos de 50 milisegundos. Diez mil de esos espacios arrancan en diez segundos, según las medidas del editor. La memoria de los agentes se gestiona por capas, y la parte de riesgos bloqueados sube del 50 % al 95 %. La versión está prevista para diciembre. Fuente: https://www.openeuler.org/en/interaction/summit-list/summit2026
Tres agentes trabajando a la vez en vez de uno detrás de otro
MuleSoft, la filial de Salesforce que conecta el software empresarial, ya permite probar un equipo de agentes en tu equipo antes incluso de ponerlo en marcha. Y cuando un paso tiene que llamar a tres agentes a la vez, ahora arrancan juntos: en vez de esperar al final, esperas al más lento. En el ejemplo del editor, una factura de 4 segundos, una llamada de soporte de 3 y una ficha de cliente de 5 se resuelven en 5 segundos en lugar de 12. El orden se respeta cuando importa. Fuente: https://blogs.mulesoft.com/automation/build-test-and-run-trusted-agent-orchestrations-faster-whats-new-with-agent-broker/
DeepSeek abre al exterior las herramientas de su propia aplicación
DeepSeek abre a los desarrolladores las funciones que su aplicación pública ya usaba: buscar en la web, leer un enlace, tragarse un documento, leer texto en una imagen, transcribir una voz. El editor también las vende por separado, con un precio que se suma al de los tokens. El modelo afectado es V4.1-Flash, y hay una maqueta libre para probar el conjunto. Conviene recordar: no es una novedad, las herramientas de búsqueda y de lectura de páginas existen desde el 19 de octubre. Fuente: https://api-docs.deepseek.com/news/news261113/
📊 Tendencia
Hoy los agentes salen de la ventana de conversación y entran en el taller. Amazon los pone a escribir el código y a probarlo gratis en tu máquina; n8n instala el tuyo en casa, con un segundo modelo que dice no cuando tu instrucción no basta; MuleSoft hace que tres agentes trabajen a la vez en vez de hacerlos esperar. Al otro lado, el guardián se endurece: Anthropic muestra que limpiar los datos de entrenamiento puede armar la trampa en vez de desarmarla, y Perplexity abre los pesos de un guardián capaz de decir no por unos céntimos. Y la capa de datos empieza a tener precio: Databento llega a 1.100 millones de dólares con menos de 40 personas. Lo que cuenta no es lo potentes que sean los agentes, sino cuánto permiso les concedes.