Esta semana no hemos visto simplemente nuevos modelos de inteligencia artificial. Hemos visto algo probablemente más importante: la IA empieza a salir de la ventana del chat para actuar en el mundo digital. Desde hace más de un año, el sector intenta convertir a los agentes en la nueva gran ola de la inteligencia artificial. Hasta ahora, sin embargo, la mayoría de las propuestas no han pasado de las demostraciones espectaculares, los experimentos de usuarios avanzados o algunas aplicaciones empresariales muy concretas. Proyectos como OpenClaw, Hermes o Grok Bot han tenido un eco considerable, pero todavía no han llegado de manera significativa al gran público ni se han incorporado masivamente al funcionamiento cotidiano de las empresas.

Esto podría empezar a cambiar. Meta acaba de presentar Muse, un agente personal que no se limita a responder preguntas. Puede gestionar el calendario y el correo, enviar mensajes, rellenar formularios, hacer reservas, comprar o ejecutar encargos que requieren varios pasos. El usuario le dice qué quiere conseguir y Muse planifica el trabajo, actúa en diferentes aplicaciones y solo vuelve a consultarle cuando necesita una autorización o se debe tomar una decisión relevante. De momento, Muse solo está disponible en Estados Unidos, mediante una aplicación propia, la web y WhatsApp. Pero lo más interesante no es tanto su lanzamiento como su diseño. Cada agente trabaja dentro de un ordenador virtual propio y Meta ha incorporado un sistema de supervisión, llamado Sentinel, que controla los datos que salen de este entorno y pide permiso antes de ejecutar acciones sensibles.

En un agente con acceso al correo, a los documentos, a las compras y potencialmente al dinero del usuario, la confianza ya no es un complemento: es el producto. Grok Bot sigue una filosofía similar, pero orientada principalmente al trabajo. Sus agentes disponen de un ordenador en la nube, pueden operar permanentemente dentro de las aplicaciones de la empresa e incluso coordinarse entre ellos. Un agente puede supervisar el correo, otro actualizar el CRM y un tercero preparar propuestas comerciales, mientras un agente principal distribuye las tareas y controla el resultado. Anthropic también ofrece desde abril Claude Managed Agents, una infraestructura para que las empresas desplieguen agentes con memoria, permisos, entornos seguros, ejecución prolongada y capacidad de recuperarse después de una interrupción.

OpenAI podría aprovechar el DevDay del 29 de septiembre para presentar su propia propuesta de agentes gestionados, según funcionalidades todavía no anunciadas oficialmente que han aparecido en el código de su plataforma. En lugar de mantener y supervisar directamente al agente, la empresa le asignaría una función y OpenAI se encargaría de proporcionarle el entorno de trabajo, la memoria, los permisos y las conexiones necesarias. El próximo campo de batalla, por lo tanto, ya no será solo qué laboratorio tiene el modelo más inteligente. La competición será para construir el agente que conoce mejor al usuario, que mantiene una tarea durante horas o días, que sabe utilizar sus aplicaciones y que actúa con suficiente fiabilidad para que le confiemos una parte de nuestra vida o de nuestra empresa.

Dos resultados matemáticos espectaculares presentados esta semana refuerzan esta tendencia. Anthropic ha conseguido que decenas de agentes de Claude formalicen y verifiquen por ordenador la demostración del último teorema de Fermat. OpenAI, por su parte, afirma haber resuelto el problema de Navier–Stokes, uno de los siete Problemas del Milenio, mediante un sistema de aproximadamente 10.000 agentes coordinados. Más allá de la validación que todavía requiere este segundo resultado, ambos casos muestran que los grandes avances ya no provienen necesariamente de un único modelo, sino de equipos de agentes que exploran, colaboran y verifican mutuamente su trabajo. Esta es la gran lección de la semana. El progreso ya no depende exclusivamente de construir modelos cada vez más grandes. Depende también de darles una organización: memoria, herramientas, especialización, mecanismos de coordinación y sistemas de verificación. La era de los agentes no comenzará cuando la IA sea un poco más inteligente. Comenzará cuando esta inteligencia sea capaz de organizarse, actuar y terminar el trabajo.

Las noticias clave

Muse, el agente personal de Meta

Meta acaba de presentar Muse, un agente personal de inteligencia artificial que promete ir mucho más allá de conversar. No solo le podremos preguntar qué restaurante nos recomienda, sino pedirle que busque uno que tenga mesa el sábado a las nueve, compruebe que dispone de opciones vegetarianas y haga la reserva. También podrá concertar una visita al médico, comprar unas entradas de cine, reclamar un recibo incorrecto, gestionar la devolución de un producto o preparar un viaje comparando vuelos y hoteles. El usuario solo tendrá que explicarle qué necesita —desde su aplicación o directamente por WhatsApp— y Muse utilizará su propio ordenador virtual y navegador para hacer el trabajo.

La idea más ambiciosa es que Muse no espere siempre una orden. Si sabe que queremos correr una media maratón, aprender inglés u organizar unas vacaciones familiares, podrá preparar un plan, seguir su progreso y recordarnos qué falta por hacer. Conectado con el correo y el calendario, podría detectar que no hemos contestado un mensaje importante, proponer una respuesta o avisarnos de que hay que renovar una reserva. Pero dar a una IA esta capacidad de actuar también obliga a extremar las precauciones. Meta asegura que acciones sensibles como enviar un correo o pagar una compra requerirán la aprobación del usuario, que todo quedará registrado y que el agente no podrá ver las contraseñas ni los datos reales de la tarjeta. Muse representa, en definitiva, el salto del chatbot que nos da consejos a un mayordomo digital que hace encargos en nuestro nombre.

La IA hace en 88 horas las matemáticas que se nos han resistido durante 90 años

La inteligencia artificial acaba de superar dos fronteras matemáticas en pocos días. Primero, Anthropic anunció que decenas de agentes Claude habían convertido en solo once días la demostración del último teorema de Fermat en una prueba completamente verificable por ordenador. Claude no resolvió el problema —Andrew Wiles ya lo había hecho en 1995—, pero generó 13 millones de líneas en el lenguaje Lean y demostró cerca de 30.000 teoremas intermedios. Una tarea que debía requerir años de trabajo humano quedaba completada y comprobada automáticamente en menos de dos semanas.

Pero el salto real puede haber llegado con Navier–Stokes. OpenAI asegura que unos 10.000 agentes, trabajando coordinadamente durante 88 horas, han resuelto uno de los seis Problemas del Milenio que continuaban abiertos. Estas ecuaciones describen cómo se mueven el agua, el aire o la sangre y son esenciales para diseñar aviones, predecir el tiempo o entender la circulación sanguínea. El gran interrogante era si, partiendo de un fluido perfectamente regular, podía aparecer repentinamente una singularidad: un punto en el que la velocidad crece hasta el infinito. El nuevo sistema de OpenAI —todavía más potente que GPT-6 Astra— afirma haber demostrado que sí, ha producido una prueba de 165 páginas y la ha verificado también con Lean. Si los matemáticos independientes confirman su validez, ya no estaremos hablando de una IA que ordena o comprueba conocimiento humano, como en el caso de Fermat, sino de una IA capaz de crear matemáticas nuevas allí donde los mejores especialistas del mundo no habían podido llegar.

 

OpenAI Images 2.5

OpenAI ha presentado ChatGPT Images 2.5, una nueva generación de su modelo de imágenes que promete resultados más realistas, detallados y rápidos. La iluminación es más natural, las texturas son más ricas y, cuando trabajamos a partir de una fotografía, conserva mejor la identidad de las personas y los elementos originales. La generación también es hasta un 50% más rápida. Pero la mejora más importante llega en la edición: ahora podemos pedirle que cambie el color de un sofá, elimine a una persona o sustituya el fondo sin que modifique el resto de la fotografía. Además, mantiene mejor la coherencia después de varias correcciones consecutivas, uno de los grandes problemas de los modelos anteriores.

La nueva versión incorpora Sketch, una función que permite hacer un dibujo sencillo con el dedo y convertirlo en una imagen acabada, así como plantillas para crear carteles, logotipos o fotografías de producto. También se pueden dejar comentarios directamente sobre una zona de la imagen para indicar qué hay que retocar y compartir el prompt para que otras personas reutilicen la misma idea. Images 2.5 ya está disponible para los usuarios de ChatGPT, ChatGPT Work y Codex, mientras que las empresas pueden integrarla mediante dos versiones de la API: Flare, más rápida, y Sunburst, pensada para trabajos profesionales que requieren más precisión. 

Managed Agents

OpenAI podría aprovechar su DevDay del 29 de septiembre para presentar los llamados Managed Agents, según funcionalidades aún no publicadas detectadas en el código de su plataforma. La idea es pasar del chatbot que responde a una pregunta a una especie de empleado digital alojado en la nube, preparado para ejecutar trabajos largos y complejos. Cada agente tendría su entorno de trabajo, memoria, permisos, habilidades y conexiones con las aplicaciones que necesita. El usuario o la empresa le asignaría una función y OpenAI se encargaría de mantenerlo activo, recuperarlo si falla y registrar todo lo que hace. Anthropic ya ofrece actualmente un servicio muy similar con Claude Managed Agents. La información sobre la propuesta de OpenAI, sin embargo, aún no ha sido confirmada oficialmente por la compañía.

En la práctica, sería como contratar a un trabajador y darle un ordenador, unas instrucciones y una tarjeta de acceso limitada. Una inmobiliaria podría crear un agente que revisara los nuevos contactos, buscara inmuebles que encajen con cada cliente, preparara las visitas y actualizara el CRM. Una tienda en línea podría tener otro que controlara pedidos, reclamaciones y devoluciones, pidiendo autorización humana antes de devolver dinero. Y un despacho podría encargarle que revisara facturas, detectara impagos y preparara los correos de reclamación. La empresa no tendría que construir toda la infraestructura técnica: configuraría qué puede hacer el agente, a qué datos puede acceder y qué acciones necesitan aprobación.

La posibilidad más disruptiva es conectar estos agentes directamente con la publicidad. En lugar de clicar un anuncio y llegar a una página web, el consumidor podría entrar en contacto con un agente capaz de entender qué busca, recomendarle un producto, prepararle un presupuesto, reservar una cita o completar la compra. El anuncio dejaría de ser simplemente una puerta de entrada y se convertiría en un vendedor digital disponible las veinticuatro horas. Si OpenAI confirma esta apuesta, los managed agents podrían transformar tanto el funcionamiento interno de las empresas como el negocio publicitario que hoy dominan Google y Meta.

Cómo la IA nos cambiará la vida

Mark Zuckerberg anunciando Muse

 

Visión por ordenador en 10 líneas de Python 

El CyberCab Chino

 

Los CyberCabs invaden Texas

La investigación en IA 

The Job Apocalypse is postponed – An AI jobs boom is here - AI Lab: The Economist

El apocalipsis laboral anunciado por la inteligencia artificial todavía no ha llegado. Según The Economist, en Estados Unidos la IA podría haber creado cerca de un millón de puestos de trabajo desde 2023, frente a unos 200.000 despidos atribuidos a esta tecnología. Buena parte del nuevo empleo proviene de la construcción de centros de datos y de toda la infraestructura que necesitan: electricistas, ingenieros de red, técnicos de refrigeración o especialistas en mantenimiento. También crecen profesiones como los ingenieros de IA, los formadores de modelos o los directores de inteligencia artificial. Mientras tanto, los trabajos más rutinarios sí retroceden: el empleo en atención al cliente ha caído cerca de un 10% y el de los secretarios y administrativos, alrededor de un 15%.

Por qué es importante

Estos datos cambian el debate: la cuestión no es simplemente cuántos puestos de trabajo destruirá la IA, sino qué trabajos desaparecerán, cuáles se crearán y quién podrá hacer la transición entre unos y otros. Como ya ocurrió con internet, la tecnología sustituye determinadas tareas, pero también genera nuevas empresas, infraestructuras y profesiones que antes no existían. El verdadero riesgo, por lo tanto, quizás no es un mundo sin trabajo, sino una transformación tan rápida que deje atrás a los trabajadores, las empresas y los territorios que no dispongan de la formación y la capacidad de adaptación necesarias.

GPT-6 Astra, Looped Transformers, and Hidden Reasoning-AI Lab: Sebastian Raschka

 GPT-6 Astra destaca especialmente en matemáticas, programación, creación gráfica y, sobre todo, en la capacidad de utilizar un ordenador: puede mover el ratón, navegar por los menús y trabajar con programas como lo haría una persona. Una de las claves podría ser —OpenAI no lo ha confirmado— una arquitectura de transformador en bucle. En vez de hacer pasar la información una sola vez por muchas capas diferentes, el modelo reutiliza repetidamente las mismas capas, como si revisara varias veces un problema antes de responder. Esto le permite profundizar más en el cálculo sin tener que aumentar proporcionalmente el número de parámetros, aunque cada repetición sigue consumiendo capacidad de computación.

Por qué es importante

Esta arquitectura cuestiona la idea de que, para conseguir una IA mejor, solo hay que construir modelos cada vez más grandes. Los bucles pueden permitir modelos más compactos y eficientes, capaces de dedicar más esfuerzo a los problemas difíciles y menos a los sencillos. Algunas investigaciones apuntan a que pueden reducir entre un 6,8% y un 18% el coste de entrenamiento necesario para alcanzar un mismo rendimiento. También se ha especulado que este "pensamiento interno" hace más opaco el razonamiento de Astra, pero el autor no ve pruebas: una cadena de razonamiento más corta también puede significar simplemente que el modelo se equivoca menos y necesita rectificar menos antes de encontrar la respuesta.

Eliciting Weak-to-Strong Generalization with On-Policy Reverse Distillation

AI Lab: Kaist AI, Toronto, Mila, Montreal, CIFAR 

La generalización de débil a fuerte plantea una pregunta decisiva: ¿puede un modelo avanzado aprender de un modelo más limitado y acabar superándolo? Los sistemas de destilación tradicionales intentan que el alumno imite al maestro y, por tanto, pueden heredar su techo. El nuevo método On-Policy Reverse Distillation (OPRD) evita este problema: el modelo débil no dicta la respuesta correcta, sino que señala una dirección útil, y esta orientación solo se refuerza cuando un verificador confirma que el alumno está mejorando. En los experimentos, los modelos entrenados con OPRD consiguen mejores resultados con menos actualizaciones y conservan un estilo propio, en lugar de convertirse en copias del profesor.

Por qué es importante

Entrenar completamente cada nueva generación de modelos puede costar cientos de millones de dólares. OPRD permitiría reutilizar el conocimiento de modelos anteriores o combinar varios expertos especializados sin quedar limitado por sus capacidades. Es como si un alumno muy brillante pudiera aprovechar las pistas de profesores menos capaces sin copiar sus errores ni adoptar sus limitaciones. Esto podría abaratar y acelerar el desarrollo de nuevas generaciones de IA y, sobre todo, ayudarnos a entrenar sistemas que en el futuro sean más inteligentes que los propios supervisores encargados de guiarlos.