Este está siendo un agosto de vértigo para la inteligencia artificial. En pocas semanas, Anthropic ha consolidado su liderazgo empresarial, varios modelos chinos se han situado a la altura de los mejores sistemas norteamericanos y la guerra de precios ha dejado de ser una posibilidad para convertirse en el nuevo campo de batalla.

El cambio más profundo, sin embargo, es económico. La industria ya no se conforma con ganar benchmarks. Los laboratorios necesitan ingresos, cuota de mercado y distribución. Claude se ha integrado en los flujos de trabajo profesionales y una parte importante del crecimiento de Anthropic llega a través de AWS, Azure o Google Cloud. La competición se desplaza del chatbot visible a la infraestructura invisible de las empresas.

Al mismo tiempo, China está alterando el equilibrio de fuerzas. Moonshot, Z.ai, DeepSeek y Alibaba ya compiten de tú a tú con los norteamericanos en programación y otras tareas profesionales. Lo hacen, además, a precios mucho más bajos y a menudo con pesos abiertos. La pregunta para los líderes es incómoda: ¿cuánto tiempo se puede cobrar una prima si una alternativa suficientemente buena cuesta una fracción del precio?

Google ejemplifica otra tensión. La rivalidad entre DeepMind y el equipo responsable de Gemini ha desembocado en la salida de figuras como Jeff Dean, Sanjay Ghemawat, Quoc Le y Oriol Vinyals, que han creado Discovery Loop con la ambición de redefinir la manera de hacer ciencia. Detrás hay una decisión estratégica: competir en la frontera o aprovechar la posición privilegiada de Google Cloud para distribuir los modelos de todo el mundo. Si los modelos acaban convirtiéndose en una commodity, quizás la plataforma será más valiosa que el laboratorio.

Mientras tanto, la robótica también avanza, y lo hace muy deprisa. Unitree, uno de los grandes fabricantes chinos de robots, ha debutado en la Bolsa de Shanghái con una revalorización del 629% en la apertura y del 460% al cierre, hasta alcanzar una capitalización de 41.000 millones de dólares.

La infancia de la IA ha terminado. Ganará quien combine mejor tecnología, distribución, precio y monetización, y no todos los nuevos gigantes serán norteamericanos. La carrera ya no consiste solo en construir el modelo más inteligente, sino en convertirlo en plataformas, beneficios y máquinas capaces de actuar en el mundo real.

Las noticias clave

Anthropic toma la delantera en la batalla empresarial

La carrera de la inteligencia artificial ya no se decide solo por el chatbot que acumula más usuarios. Anthropic, creadora de Claude, ha alcanzado en julio un ritmo de ingresos anualizado de 65.000 millones de dólares, frente a los 40.000 millones de OpenAI. El motor del crecimiento no es tanto el consumidor como la empresa: Claude Code y otras herramientas se están convirtiendo en una capa invisible dentro de los flujos de trabajo profesionales.

Las cifras exigen prudencia porque son proyecciones basadas en los ingresos recientes y porque OpenAI cuestiona cómo se contabilizan algunas ventas realizadas a través de los grandes proveedores de nube. Con todo, la tendencia es clara: quizás no ganará el asistente que más personas prueben, sino aquel que las empresas conviertan en una pieza imprescindible de su actividad cotidiana.

China convierte el precio en un arma competitiva

Durante años, la competición se ha medido en potencia. Ahora entra en una fase más prosaica y decisiva: el precio. Modelos de pesos abiertos de Alibaba, DeepSeek, Moonshot AI o Z.ai ofrecen resultados competitivos por una fracción del coste. Empresas como Airbnb, DoorDash o Coinbase ya los utilizan en tareas de gran volumen que no necesitan siempre el modelo más avanzado.

Este cambio favorece una arquitectura con varios proveedores: cada consulta se puede enviar al modelo que ofrezca la mejor combinación de calidad y coste. La pregunta deja de ser "¿cuál es el mejor modelo?" y pasa a ser "¿qué modelo es lo suficientemente bueno para esta tarea?". Cuando hay millones de operaciones, una diferencia pequeña por consulta puede representar millones de euros.

Qwen3.8-Max quiere trabajar durante días, no solo responder

Alibaba ha presentado Qwen3.8-Max, un modelo de pesos abiertos de 2,4 billones de parámetros, aunque solo activa 95.000 millones en cada operación. Su novedad principal es la persistencia: está concebido para asumir proyectos complejos y seguir trabajando en ellos de manera autónoma durante horas o días.

En demostraciones del fabricante, el sistema desarrolló un proyecto de software durante dieciséis días y reprodujo experimentos de un artículo científico hasta mejorar sus resultados. Hay que interpretar estas pruebas con prudencia, pero la apertura de los pesos permitirá que empresas e investigadores adapten un modelo de esta escala sin depender exclusivamente de los laboratorios norteamericanos.

La IA que programa también aprende a atacar

Z.ai ha presentado GLM-5.3, un modelo de pesos abiertos especializado en programación. Las mejoras no provienen de un nuevo modelo base, sino de un entrenamiento posterior con repositorios grandes, pruebas y tareas parecidas a las de un ingeniero. Es una demostración de que ampliar y mejorar el entrenamiento puede seguir generando saltos importantes de rendimiento.

Esta autonomía también tiene una cara inquietante. Durante el entrenamiento, el sistema desarrolló capacidades de ciberseguridad más rápidamente de lo previsto y ayudó a identificar miles de vulnerabilidades. La misma IA que puede reparar software también puede conectar errores y construir cadenas de explotación.

Los robots entran en su momento ChatGPT

Hasta ahora, enseñar una tarea nueva a un robot exigía programación especializada y cientos de ejemplos. GEN-1.5, de Generalist AI, propone una alternativa más humana: mostrarle qué debe hacer. Después de observar una demostración de entre tres y doce segundos, el robot puede intentar reproducirla sin modificar el modelo ni empezar un nuevo entrenamiento.

En las pruebas de la empresa, el sistema completó correctamente un 59% de diez tareas después de ver un solo ejemplo. Con cinco minutos de demostraciones y diez pasos adicionales de entrenamiento, la tasa subió hasta el 83%. También improvisó: después de aprender a barrer con un cepillo, utilizó un plátano como sustituto.

Todavía son acciones simples y una tasa de éxito del 59% es insuficiente para muchos entornos reales. Pero, si enseñar a un robot acaba siendo tan natural como mostrarle una acción, la robótica dejará de ser patrimonio exclusivo de los programadores. Un operario, una enfermera o un cuidador podrían decidir directamente qué debe aprender la máquina.

Cómo la IA nos cambiará la vida

Los robots ya trabajan en las fábricas chinas

También hacen música

Y ya tienen unos segundos Juegos Olímpicos

La investigación en IA


KIMI K3: OPEN FRONTIER INTELLIGENCE. AI Lab: Moonshot Kimi K3

Moonshot AI presenta Kimi K3, un modelo multimodal de 2,8 billones de parámetros y un millón de tokens de contexto. Su arquitectura solo activa una parte del sistema en cada operación, lo que reduce el coste. Está preparado para programar, utilizar herramientas y completar tareas autónomas largas.

¿Por qué es importante?
Los modelos abiertos chinos ya compiten cerca de la frontera tecnológica. Según Moonshot, el sistema es aproximadamente 2,5 veces más eficiente que su predecesor. El modelo está especialmente preparado para programar, utilizar herramientas y completar tareas autónomas de larga duración.

When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains. AI Lab: Chen Liang, Fasheng Xu — University of Connecticut

Un estudio con 9.840 negociaciones entre modelos de OpenAI, Google y Alibaba muestra que los agentes cierran el 98,9% de las operaciones. Pero la lentitud reduce hasta un 34% del valor potencial y el fabricante del modelo influye más en el reparto de la ganancia que su potencia.

¿Por qué es importante?
Antes de dejar que una IA negocie precios o contratos, por lo tanto, hay que auditar su estilo, verificar automáticamente que ningún acuerdo genere pérdidas y recordar que el prompt puede acabar funcionando como una cláusula económica invisible.

StagedWorkspace: A Versioned Workspace for Knowledge-Work Agents. AI Lab: Harvard, Raycaster AI, University of Technology Sydney, University of Washington y Stanford

Los agentes pueden leer, editar y revisar representaciones diferentes de un mismo documento. StagedWorkspace asocia cada operación a una versión concreta. En las pruebas, combinar la representación estructurada con el archivo original mejoró el éxito entre 8,3 y 12,1 puntos.

¿Por qué es importante?
La fiabilidad también depende del orden del escritorio digital. Cuando delegamos documentos o presupuestos, debemos saber qué ha leído el agente, qué ha cambiado y qué versión entrega.

From Economic Agents to Agentic Economies: A Systems Blueprint for Economic World Model. AI Lab: Shenzhen Loop Area Institute, The Chinese University of Hong Kong–Shenzhen, University of Hong Kong y Nanyang Technological University

Los Economic World Models simulan economías habitadas por consumidores, empresas, gobiernos e instituciones. El estudio describe seis niveles, desde reglas fijas hasta agentes lingüísticos, instituciones que evolucionan y gemelos digitales conectados a datos reales.

¿Por qué es importante?
Podrían permitir probar políticas, regulaciones o estrategias antes de aplicarlas. Todavía hay poca validación empírica, pero ofrecen un laboratorio para detectar efectos inesperados sin experimentar con la sociedad.