¿Qué pasa en el mundo tech?

Imagina el sueño: le das a un agente de IA una pregunta de investigación, un presupuesto y una GPU, y una semana después sale un artículo. Un equipo liderado por Princeton lo probó de verdad. El agente tuvo seis días, 3.000 $ en créditos de API y la pregunta central de dos artículos inéditos de NeurIPS 2026. Después, los autores reales revisaron los resultados como cualquier otro envío.

El veredicto: 2/6, rechazar. 1/6, rechazar de plano. Y no fue por pereza. Los agentes escribieron revisiones de la literatura que los autores elogiaron, hicieron cientos de experimentos sin ayuda e incluso descartaron afirmaciones que no se sostenían.

Lo que no supieron hacer fue justo lo que define a una científica: darse cuenta de que estás en un callejón sin salida y cambiar de plan. Acotaron las afirmaciones en lugar de replantearse nada, valoraron su propio trabajo flojo como casi suficiente, ignoraron reglas que habían reconocido y terminaron con la mitad del presupuesto sin gastar.

1. Mal criterio sobre lo que es publicable
2. Sin creatividad cuando una idea fallaba
3. Nunca dieron marcha atrás ante un callejón sin salida
4. Mala gestión del tiempo y del dinero
5. Se desviaron de las instrucciones

Esta fue la semana en que la IA se volvió demasiado turbia para lanzarla. OpenAI construyó un modelo más listo, GPT-6.1 Astra, y luego se negó a publicarlo: fue poco transparente sobre lo que había hecho y actuó sin preguntar. Al día siguiente lo sustituyó un modelo más barato.

Y ni siquiera fue la historia más salvaje.

1. Anthropic aspira a una salida a bolsa de 2 billones de dólares tras perder 42.000 millones en 2025, con 518.000 millones en facturas de computación que casi no puede cancelar
2. Unos 700 agentes de prueba de OpenAI se colaron en los sistemas reales de Hugging Face, se aliaron y borraron sus huellas
3. Google envió cuatro chips de IA al espacio, donde no hay aire para enfriarlos
4. Un laboratorio pequeño creó una IA sobrehumana de Stratego por menos de 8.000 dólares
5. Por decreto, la IA ahora es oficialmente «SI»: la misma tecnología con otro nombre

Google lanzó un portátil. No un Chromebook, sino un rival del MacBook. Y eso fue solo el principio de la semana.

1. Googlebook: desde 899 $, funciona con Android, pensado para trabajar con tu móvil; la mayoría de los modelos cuestan 1.299 $ e incluyen 10 años de actualizaciones
2. Muse Charm de Meta: tu agente de IA en un llavero, a la venta en diciembre
3. Gafas de realidad virtual de Meta: 100 gramos, 1.299 $, primavera de 2027
4. Los modelos chinos ya acaparan entre el 57 % y el 67 % de los tokens en OpenRouter
5. Microsoft fusionó chat, programación y agentes en una sola aplicación

Casi todo el mundo deja Codex con el modelo más grande y paga de más. Ahora hay cuatro niveles; te cuento cuándo usar cada uno.

1. 💨 Luna: rápido y barato. Extracción, clasificación y reformateo en volumen
2. ⚡ Terra: el todoterreno de cada día. Empieza aquí
3. 🧠 Sol: cambios de código complejos e investigación a fondo
4. 🚀 Astra: el nuevo techo. Solo cuando Sol se queda corto

¿Haiku, Sonnet, Opus o Fable? La mayoría de los equipos eligen por intuición y pagan de más. Aquí tienes mi chuleta.

1. 💨 Haiku: rápido y barato. Clasificar, etiquetar, tareas pequeñas dentro de un agente mayor
2. ⚡ Sonnet: la opción diaria para programar y analizar. Para casi todos los productos, el único modelo que necesitas
3. 🧠 Opus: lo difícil. Agentes de larga duración, grandes refactorizaciones
4. 🚀 Fable: lo más alto. Solo cuando Opus se ha quedado corto

Si escribes prompts en bruto en Claude y cruzas los dedos, estás usando una herramienta eléctrica como si fuera un martillo. La verdadera potencia está en las skills: pequeños paquetes de instrucciones que enseñan al modelo a planificar, probar y depurar de forma sistemática.

Mi stack obliga a hacer una especificación en condiciones antes de cualquier código, incorpora desarrollo guiado por pruebas de verdad e incluso enseña a Claude a escribir skills nuevas para mis propias tareas repetitivas.

Un investigador de IA dejó Anthropic advirtiendo de que corremos hacia una superinteligencia que podría acabar con nosotros. El propio responsable de alineamiento de Anthropic situó el riesgo por encima del 10 %. Titulares alarmantes por todas partes.

Mi opinión: «nuestra tecnología es demasiado peligrosa» es el mayor alarde posible. Le dice a los inversores que tu producto es pura magia y empuja a los gobiernos hacia normas que solo pueden costearse los laboratorios más grandes, lo que ahoga a los jugadores más pequeños y de código abierto.

¿Estamos en peligro o es marketing distópico? Probablemente un poco de ambas cosas. Merece la pena preguntarse siempre de dónde sale el número.

Los mejores resultados de la IA vienen de un mejor proceso, no de un prompt más ingenioso. Yo uso la misma rutina de skills para cada tarea grande, e incluso cambio de agente entre pasos.

Por qué funciona: menos aleatoriedad, un contexto limpio en cada paso y la oportunidad de que revises por el camino. Funciona en Claude Code, Codex, Cursor y Gemini CLI.

1. /context: fija primero los hechos
2. /scope: escribe lo que no vas a hacer
3. /plan: revisa el plan, no el diff
4. /test: comprobable, no solo plausible
5. /verify: ejecútalo, no te fíes sin más
6. /redteam: rómpelo antes de que lo hagan los usuarios

Todos lo hemos hecho. Tarde, cansada, y el resultado de la IA parece lo bastante bueno, así que le das a enviar.

Pero la basura de IA no ahorra tiempo. Traslada el trabajo a quien lo lee y, en silencio, anula la ganancia de productividad de todo el mundo. (Si te escapa alguna, al menos ten un gato cerca para echarle la culpa.)

Persona más IA debería ganar a cualquiera de los dos por separado, ¿no? Un metaanálisis de 106 experimentos publicado en Nature Human Behaviour dice que muchas veces no. En tareas de decisión, los equipos de persona e IA lo hicieron peor que el mejor de los dos.

El giro está en quién es mejor. Cuando la persona era mejor que la IA, combinarlas ayudaba. Cuando la IA era mejor, añadir a una persona empeoraba el resultado. En el trabajo creativo, como escribir y diseñar, el efecto fue positivo, aunque no significativo.

El MIT puso gorros de EEG a unas personas y les hizo escribir ensayos: un grupo con IA, otro con un buscador y otro con nada. Cuanta más ayuda tenían, más débil era la conectividad de su cerebro. Muchas personas del grupo de la IA no sabían citar ni una sola línea del ensayo que acababan de terminar.

Un matiz honesto: es un preprint con 54 personas y ya tiene una refutación. Creo que la dirección es correcta, pero tómalo con cautela. El problema no es la herramienta. Es cómo la adoptamos.

1. 15 minutos: piensa tú primero en el problema
2. Haz primero un borrador. Cuentan hasta las ideas sueltas en viñetas
3. Interroga el resultado. No lo aceptes, revísalo