Los laboratorios pusieron número a su propia aceleración y pidieron que alguien los vigile

El caso de la semana

Un informe publicado esta semana por el programa de IA y política pública de la Universidad de Cambridge (CASP) sostiene que la investigación y desarrollo de modelos de IA se está automatizando lo bastante rápido como para comprimir años de progreso en meses, y pide que los gobiernos instalen supervisión antes de que eso ocurra. Lo firman Geoffrey Hinton, Yoshua Bengio y Andrew Barto —los tres con Premio Turing— junto a ejecutivos en funciones de los laboratorios que construyen esos modelos: Jakub Pachocki de OpenAI, Eric Horvitz de Microsoft y Jack Clark de Anthropic.

• La cifra que sostiene el argumento la reportaron las propias empresas. El informe cita que en agosto de 2026 Anthropic declaró que sus sistemas de IA completaban el 26% del trabajo interno de investigación y desarrollo de IA con supervisión humana solo de alto nivel, frente al 1% cinco meses antes. En septiembre OpenAI reportó que sus sistemas resolvían con regularidad tareas de investigación que a una persona le tomarían días. El punto no es la magnitud sino la pendiente: es el único proceso de automatización que acelera su propia automatización.

→ https://casp.ac/reports/intelligence-explosion

• Lo que llaman "explosión de inteligencia" tiene una definición operativa, no metafísica. Los autores la definen como un ciclo en el que los sistemas de IA ayudan a construir sucesores más capaces, y cada generación acorta el tiempo hasta la siguiente. No afirman que vaya a ocurrir: afirman que hoy no hay forma de saber si está ocurriendo, porque nadie fuera de los laboratorios mide qué fracción de la I+D ya está automatizada. En el mundo trabajan en I+D de frontera solo algunos miles de investigadores, así que automatizarla equivaldría a sumar millones de trabajadores a ese proceso.

→ https://qz.com/hinton-ai-researchers-intelligence-explosion-warning-100226

• Las tres recomendaciones son concretas y ninguna es voluntaria. Primero, visibilidad: auditores incorporados en las empresas de frontera y reporte obligatorio de indicadores de automatización de I+D. Segundo, capacidad de frenar: límites de velocidad de desarrollo, monitoreo de experimentos, entornos aislados de ejecución y acuerdos internacionales con herramientas de verificación. Tercero, preparación social: planes de respuesta ante incidentes y capacidad ciudadana para detectar e impugnar usos dañinos.

→ https://casp.ac/reports/intelligence-explosion

También esta semana

• Costos. Meta empezó a cobrar el 1 de octubre los mensajes de servicio y de utilidad en la WhatsApp Business Platform, la API con la que las empresas atienden clientes por WhatsApp. Hasta ahora, responder dentro de la ventana de 24 horas que abre un cliente al escribir era gratis; desde octubre esos mensajes se cobran por unidad, igual que las plantillas. Además, desde agosto Meta cobra su propio agente conversacional, Meta Business Agent, por tokens a US$2 por millón: unos 4 a 5 centavos de dólar por mensaje.

→ https://developers.facebook.com/documentation/business-messaging/whatsapp/pricing/non-template-messages

• Infraestructura. Cloudflare abrió el 30 de septiembre la beta cerrada de Monetization Gateway, un mecanismo para que el dueño de un sitio, una API o un servidor MCP cobre a los agentes de IA por cada solicitud. Funciona con el código HTTP 402 (Payment Required), previsto desde los inicios de la web y nunca usado: el servidor responde con instrucciones de pago, el agente autoriza y recibe el recurso. Liquida en USDC sobre la red Base mediante el protocolo x402 de Coinbase, por ahora solo entre partes con sede en Estados Unidos.

→ https://blog.cloudflare.com/monetization-gateway-beta/

• Modelos. La alemana Aleph Alpha publicó el 3 de octubre Kolibri, un modelo de pesos abiertos bajo licencia Apache 2.0 con 78,1 mil millones de parámetros totales de los que solo 3,46 mil millones se activan por token (arquitectura de mezcla de expertos, o MoE: el modelo enruta cada token a un subconjunto de sus parámetros, de modo que el costo de inferencia corresponde a la fracción activa y no al total). Soporta hasta un millón de tokens de contexto y está entrenado en inglés y alemán.

→ https://www.testingcatalog.com/aleph-alpha-releases-open-weight-kolibri-with-1m-context/

• Mercado. Los datos anuales de tráfico web publicados por OneLittleWeb muestran el desplazamiento completo: comparando julio 2025–junio 2026 contra el período anterior, Bing perdió 23,87 mil millones de visitas (−49%), Wikipedia 9,85 mil millones (−16%) y Facebook 9,71 mil millones (−8%), mientras ChatGPT sumó 22,25 mil millones (+51%), Gemini 7,27 mil millones (+494%) y Claude 3,99 mil millones (+366%). Son estimaciones de terceros, no registros de servidor.

→ https://onelittleweb.com/digital-market-intelligence/popular-websites/

• Gobernanza. En la misma cumbre en que se firmó la orden ejecutiva del 29 de septiembre que obliga al ejecutivo estadounidense a decir "superinteligencia" en lugar de "inteligencia artificial", los líderes de los principales laboratorios estadounidenses firmaron un acuerdo separado, el llamado SI accord. Contiene principios y compromisos de control interno y auditoría, todos voluntarios; el presidente los describió como "moralmente vinculantes". No crea obligación legal ni mecanismo de verificación.

→ https://www.foxbusiness.com/politics/trump-signs-executive-order-rebranding-ai-super-intelligence-tech-titans-ink-separate-accord

• Regulación. La misma orden ejecutiva (EO 14434) encarga al asesor presidencial de ciencia y tecnología proponer legislación que fije una definición federal de "SI" y enmiende los estatutos vigentes que hoy dicen "AI", entre ellos la National Artificial Intelligence Initiative Act y la CHIPS and Science Act. No fija plazos ni aborda la preemción de las leyes estatales, lo que abre el escenario de que estados y gobierno federal legislen sobre la misma tecnología con términos distintos.

→ https://www.wiley.law/alert-Executive-Order-Rebrands-AI-as-Super-Intelligence-and-Signals-Potential-Federal-Legislative-Changes

Qué considerar

Uso no es impacto, y la brecha entre ambos ya es medible. La observación más repetida entre quienes implementan IA en empresas grandes es que las métricas de adopción llegaron a niveles que antes se habrían celebrado —cuentas activas, dotación con licencia— sin que aparezca nada en el estado de resultados. No es un problema de herramienta sino de atribución: en ventas, cobranza o atención al cliente hay métricas directas de negocio y el cálculo es trivial, pero en el grueso del trabajo de conocimiento no existe forma limpia de atribuir a una licencia un movimiento en el resultado. Las métricas que sobreviven al escrutinio son tres: tasa de finalización de tareas antes y después, horas liberadas por procesos efectivamente automatizados —con su tasa de error—, y el cambio en la composición de los cargos que la empresa abre. La pregunta "cuánto creció el negocio por darle esta licencia a esta persona" no tiene respuesta defendible y conviene dejar de prometerla.

La capa de distribución dejó de ser gratis, y eso cambia el modelo de negocio de los agentes. Meta cerró la ventana de 24 horas que permitía responder gratis a un cliente en WhatsApp, y Cloudflare habilitó el cobro por solicitud a los agentes que leen sitios y APIs. Hasta ahora el costo variable de un agente conversacional era básicamente el modelo; de aquí en adelante hay que sumar el canal y, cuando el agente navegue, la fuente. Un flujo que resolvía una consulta en seis mensajes de ida y vuelta pasó a costar además seis mensajes facturados. Conviene recalcular el costo por conversación resuelta antes del próximo ciclo de facturación y evaluar si rinde resolver en menos turnos, aunque cada turno sea más largo.

La frontera abierta avanzó, pero el salto de laboratorio a producción sigue sin darse en los tamaños chicos. La lectura que gana tracción entre quienes llevan flujos agénticos a producción es que los modelos abiertos de 27 a 35 mil millones de parámetros rinden bien en pruebas públicas y mal en flujos reales con validación estricta: eligen mal las herramientas, las llaman mal y planifican mal, y en un flujo con reintentos el error no se diluye, se acumula hasta que el proceso no termina. La contraparte razonable es que buena parte de eso es diseño y no modelo, pero la experiencia en dominios con exigencia documental —procesamiento de evidencia legal, por ejemplo— sitúa el umbral práctico bastante por encima de los 30 mil millones de parámetros. Donde los modelos chicos ganan con claridad es en tareas únicas y acotadas: un extractor afinado, un reclasificador de resultados de búsqueda, un clasificador. Conviene separar el vocabulario antes de decidir: un agente con libertad de decisión y un flujo agéntico con reglas propias y nodos de IA no necesitan el mismo modelo ni el mismo presupuesto.

La gobernanza se bifurcó, y ninguna de las dos pistas te cubre. La industria firmó compromisos voluntarios sin verificación la misma semana en que un grupo de investigadores pidió auditoría obligatoria. La conclusión práctica no es apostar a cuál pista gana, sino dejar de esperar que la pista externa resuelva el problema interno: qué datos salen hacia qué proveedor, qué pasa si ese proveedor cambia términos o retira un modelo con poco aviso, y quién firma que un resultado generado por IA puede comunicarse a un cliente.

Lanzamientos y modelos

El lanzamiento con más sustancia técnica del período fue Kolibri. La combinación de 78,1 mil millones de parámetros totales con 3,46 mil millones activos por token lo deja en un punto poco poblado: capacidad de modelo grande a costo de inferencia de modelo chico, con licencia Apache 2.0, que permite uso comercial y despliegue propio sin negociar con el proveedor. Para equipos con restricciones de salida de información, es la primera opción abierta del año que compite con los modelos cerrados medianos.

→ https://aleph-alpha.com/downloads/tech-report.pdf

En el extremo opuesto del mercado, el precio del acceso por API siguió bajando. GPT-6 Luna, el nivel económico de la familia que OpenAI lanzó el 22 de septiembre, cuesta US$0,10 por millón de tokens de entrada y US$0,50 de salida; GPT-6 Sol, el nivel alto, US$2 y US$10. El punto de equilibrio contra una API barata se corrió: un cálculo de retorno de hardware hecho hace seis meses hoy da otro resultado.

→ https://www.yottalabs.ai/post/gpt-6-sol-luna-pricing-vs-astra-open-models-2026

Movimientos de industria

La redistribución del tráfico web dejó de ser tendencia y pasó a ser hecho contable. La caída de Bing —casi la mitad de sus visitas en un año— se explica en parte por una distorsión previa: cuando Microsoft lanzó su asistente conversacional en 2023, la única forma de probarlo era entrar al buscador desde la web, lo que infló la base de comparación. La de Wikipedia es de otra naturaleza y más grave para quien depende de contenido abierto: el contenido se sigue consumiendo, pero a través de asistentes que no devuelven ni la visita ni el donante. Es el problema que el cobro por solicitud de Cloudflare intenta resolver.

En el mercado local, la francesa Mistral AI cerró la compra de Pimento, una empresa de publicidad con IA generativa fundada en París en 2022 por el ingeniero chileno Tomás Yany, ex investigador de visión computacional en Apple, junto a Florent Facq. El precio no es público: registros societarios revisados por Sifted lo sitúan en unos US$14,6 millones entre efectivo y acciones, mientras el francés L'Informé habla de US$4,4 millones. La herramienta genera avisos y animaciones cortas para Meta, TikTok, Google y Pinterest a partir de un brief de marca, y la usaban más de 180 marcas. Es la tercera adquisición de Mistral en 2026.

→ https://www.meganoticias.cl/nacional/533036-chileno-ex-apple-vende-startup-ia-pimento-mistral-ai-02-10-2026.html

Regulación y gobernanza

La orden ejecutiva que renombra la categoría y el acuerdo voluntario firmado el mismo día comparten una característica: ninguno impone obligaciones verificables. Para quien vende al Estado estadounidense el riesgo cercano es administrativo: bases y formularios que empiezan a usar un término que las leyes aún no definen.

El contraste con el informe de Cambridge es el dato de la semana. Que ejecutivos de OpenAI, Microsoft y Anthropic firmen un documento pidiendo auditoría obligatoria sobre la automatización de su propia I+D, la misma semana en que sus empresas firman compromisos voluntarios sin verificación, admite dos lecturas: hay desacuerdo real dentro de los laboratorios sobre cuánto autogobierno basta, o la firma individual permite decir en público lo que la firma corporativa no. Ninguna es tranquilizadora, y ambas aconsejan lo mismo a quien compra: tratar los compromisos de un proveedor como declaraciones revocables, no como garantías contractuales.

Para tu lista

• Kolibri, pesos y reporte técnico. Modelo MoE abierto bajo Apache 2.0, con el detalle de arquitectura y evaluaciones. Útil si evalúas despliegue on-premise.

→ https://aleph-alpha.com/downloads/tech-report.pdf

• GLiNER2.5-Decide. Modelo abierto muy pequeño, entrenado para una sola función: devolver una decisión estructurada con sus datos. Buen complemento dentro de un flujo que por lo demás usa un modelo grande.

→ https://huggingface.co/fastino/GLiNER2.5-Decide

• Building effective agents, de Anthropic. Artículo de ingeniería de 2024 que separa flujo agéntico de agente. Sigue siendo la referencia más clara para decidir qué parte de un proceso necesita un modelo con libertad y qué parte, reglas.

→ https://www.anthropic.com/engineering/building-effective-agents

• Resumen ejecutivo del informe de la explosión de inteligencia. Resumen breve y sin jerga, con las tres líneas de recomendación. Es el documento al que van a referirse las discusiones regulatorias de los próximos meses.

→ https://casp.ac/reports/intelligence-explosion