Briefing diario
18 de noviembre de 2026 · 5 historias
🔥 Lo destacado
1Tencent abre los pesos de Hy4 flash: la licencia nos deja trabajar
Los pesos del modelo Hy4 flash de Tencent ya están disponibles: el repositorio tiene 148 archivos de pesos y se pueden descargar. Lo interesante no es la parte técnica, es el contrato. La licencia leída dentro del repositorio no es la licencia libre habitual: añade dos umbrales. Por encima de 50 millones de dólares de facturación mundial, o de 100 millones de usuarios activos mensuales, hace falta una autorización escrita del proveedor. Por debajo, el uso es libre, y Noruega no aparece en ninguna cláusula de exclusión, al contrario que en varios modelos chinos recientes. El modelo tiene 220 mil millones de parámetros en total, de los que 11,3 mil millones trabajan en cada palabra. Dicho de forma sencilla: es un alquiler con dos tramos de precio, y mientras usted se quede por debajo del umbral paga la tarifa normal. Source : https://huggingface.co/tencent/Hy4-flash
2OpenAI abarata el texto ya leído, y el trabajo en equipo deja de ser artesanal
OpenAI ha actualizado sus dos modelos, Astra para las tareas difíciles y Sol para el día a día. La cifra que cambia la factura de las sesiones largas: el texto ya leído cuesta ahora 0,40 dólares en lugar de 1, es decir un 60 % menos. Eso es exactamente lo que se paga cuando un agente vuelve a leer el mismo archivo una y otra vez. El otro cambio es más discreto: la interfaz oficial ya puede repartir partes del trabajo en agentes auxiliares, sin trucos caseros. El modelo más potente baja a 8 dólares por millón de palabras leídas, antes eran 10. Para un servicio que vende un resultado terminado en vez de fichas, esa es la línea que cuenta. Source : https://platform.openai.com/docs/models/gpt-6.2-astra
3Anthropic deja que su aplicación cobre al cliente final
Por primera vez, una aplicación puede cobrar el uso de Claude directamente en la cuenta de su propio cliente. El cliente vincula su cuenta, la aplicación decide en cada llamada quién paga y el cliente fija un límite mensual. Si el cobro falla, la petición se rechaza en lugar de facturarse al desarrollador. Dos límites a tener en cuenta: solo se benefician los clientes que pagan directamente a Anthropic, y las garantías de confidencialidad del cliente dejan de aplicarse a esas peticiones. La imagen es sencilla: es el tique de la caja del proveedor de acceso, pero pertenece al cliente. Source : https://docs.anthropic.com/en/release-notes/api
4Un estudio cifra el precio de repartir: se detectan menos conflictos
Cuando reparte una investigación entre varios agentes, devuelven más afirmaciones contradictorias: 50,2 % frente a 68,7 %. Pero detectan menos: 16,2 % frente a 13,2 %. El resultado parece paradójico y no lo es: la detección es mejor cuando un solo agente vio las dos afirmaciones y peor cuando están repartidas. Es decir, el problema no es el número de agentes, es la separación de la información. Los autores concluyen que el paso de información del trabajador al jefe es el objetivo prioritario. Para nosotros la regla es simple: que quien haya visto las dos versiones las contraste una al lado de la otra. Source : https://arxiv.org/abs/2611.22245
5Model ML levanta 250 millones de dólares con agentes al 2 % del precio
La empresa londinense Model ML recauda 250 millones de dólares y queda valorada en 1,5 mil millones. Automatiza el trabajo repetitivo de los banqueros de inversión: modelos financieros, presentaciones, informes. Su argumento económico es una cifra: sus agentes funcionan con modelos abiertos y operan, según la empresa, alrededor del 2 % del coste de los modelos de punta, sin medición independiente. Lo demás es una cuestión de modelo de negocio: el agente no vende fichas, vende trabajo terminado. Esa es la diferencia entre cobrar por el consumo y cobrar por un resultado. Source : https://techcrunch.com/2026/11/17/model-ml-raises-250m-to-automate-investment-banking-grunt-work/
📡 A vigilar
Microsoft prepara el contexto de la empresa para todos los agentes
Microsoft presenta IQ, una capa que reúne el trabajo de las personas, los datos de la empresa, los documentos de referencia y la web, con más de 350 conectores de terceros. El punto interesante: un módulo de empresa preparado en Microsoft puede reutilizarlo otro asistente, incluidos los de OpenAI y Anthropic. Prepare el contexto una vez y reutilícelo en todas partes. Source : https://azure.microsoft.com/en-us/blog/introducing-the-new-microsoft-iq-putting-your-organizations-intelligence-to-work-in-every-agent/
NVIDIA deja de vender chips a China y vigila sus exportaciones
Dos anuncios el mismo día. La dirección dijo en la llamada de resultados que la empresa ya no envía chips de centro de datos a China, aunque Washington lo autorizaba: se habían vendido 2,4 mil millones de dólares el trimestre anterior y no se prevé ninguno para el siguiente. En paralelo, el consejo crea un comité permanente de seguridad nacional y control de exportaciones, que se reúne al menos una vez por trimestre. Source : https://nvidianews.nvidia.com/news/nvidia-board-of-directors-establishes-national-security-and-export-control-oversight-committee
Liquid AI mide el error de confianza con 0,8 puntos de precisión
Estos modelos no redactan texto: devuelven una probabilidad para cada respuesta posible y ahora aceptan audio. El error de calibración es de 0,8 puntos sobre trece bancos de pruebas, frente a 3,7 del equivalente de Perplexity y 7,2 de un modelo de punta. Si el modelo dice 80 %, acierta el 80 % de las veces, así que se puede fijar un umbral a partir del cual interviene una persona. Source : https://www.liquid.ai/blog/d1-2
Datadog conecta las pruebas en producción con la factura de los agentes
Puede repartir el tráfico al azar entre dos versiones de un agente y medir lo que cambia de verdad: el coste, la latencia, los errores. El ejemplo publicado: cambiar de modelo bajó el coste estimado un 44,3 % sin pérdida de calidad, y las llamadas a herramientas que fallaban sirvieron para corregir el agente antes de desplegarlo. Source : https://www.infoq.com/news/2026/11/datadog-ai-agent-observability/
📊 Tendencia
Las noticias de hoy cuentan una misma historia: los agentes salen del laboratorio y entran en las organizaciones, con consecuencias que se pueden medir. Un proveedor chino publica los pesos de su modelo con una licencia que permite usarlo a empresas pequeñas. Otro baja el precio del texto ya leído, porque ahí se esconde la factura de una sesión larga. Un tercero deja que sea la aplicación la que cobre al cliente final, lo que cambia la forma de vender un agente. Y un estudio cifra lo que ya sospechábamos sin medir: repartir el trabajo entre varios agentes devuelve más contradicciones y detecta menos. En la práctica, para usted: sus agentes cuestan menos al funcionar, pero exigen vigilancia sobre cómo se comparte la información entre ellos.