Los resultados de Nvidia eran de los más esperados del trimestre y no han defraudado: los ingresos han crecido un 106% interanual hasta los 96.200 millones de dólares, con un margen operativo del 66%. La empresa advierte, eso sí, que el crecimiento se moderará un poco durante el próximo trimestre. "Solo" esperan crecer un 89,5%.

Son números de vértigo que nos identifican un mercado en crecimiento exponencial aunque cada día hay más participantes. Un ejemplo que hemos visto esta semana ha sido el anuncio de OpenAI de su procesador Jalapeño con un rendimiento 10x mejor que los Nvidia GB300.

Uno de los movimientos más interesantes lo ha protagonizado OpenAI, que ya no se conforma con comprar computación a los demás. La empresa también se ha apuntado a fabricar chips con Jalapeño, su propio procesador para IA, con resultados que apuntan a un salto muy importante en rendimiento y eficiencia respecto a las arquitecturas actuales de Nvidia.

Esto nos indica hasta qué punto la competición se está desplazando. La batalla ya no es solo tener el mejor modelo: también consiste en controlar los chips, la infraestructura, los centros de datos y, sobre todo, conseguir más rendimiento con cada MW instalado.

Pero la gran sorpresa de la semana ha venido, probablemente, de China.

Durante días, un modelo llamado Ox circuló casi de incógnito. Finalmente hemos sabido que era GLM 5.3 Flash. Y lo más sorprendente no es solo que su rendimiento sea muy similar al de los mejores modelos americanos, sino que también haya sido capaz de dar un nivel de servicio comparable utilizando chips chinos e infraestructura propia.

Esto es importante porque cuestiona una de las grandes premisas de los últimos años: que limitar el acceso de China a los chips más avanzados frenaría inevitablemente su capacidad para competir al primer nivel. De momento, no parece que esto esté pasando.

Mientras tanto, en Estados Unidos, tanto OpenAI como Anthropic tienen nuevas generaciones de modelos en desarrollo, pero el ritmo de lanzamientos se ha ralentizado. Entre la regulación estadounidense y las pausas internas que los propios laboratorios se imponen para reforzar la seguridad, la publicación de nuevos modelos se ha frenado temporalmente.

En China, en cambio, la carrera continúa. Pero el objetivo ya no es solo sacar el modelo que encabece los rankings. Esto sigue importando, evidentemente, pero ahora hay una batalla aún mayor: conseguir mercado.

Los ingresos de los AI Labs se están disparando. También lo hacen las inversiones en infraestructura, porque mantenerse en la carrera exige cada vez más computación. Pero la capacidad de monetizar esta infraestructura también está creciendo de manera espectacular.

Ya estamos hablando de niveles próximos a los 50 millones de dólares de ingresos anuales por MW de capacidad instalada, una cifra que hace solo unos meses parecía difícil de imaginar.

De momento, la demanda parece prácticamente ilimitada. Y, al mismo tiempo, la industria sigue encontrando maneras de extraer más rendimiento de cada unidad de computación. Lo vemos con GLM 5.3, con Jalapeño y, evidentemente, con Nvidia.

Todo apunta, por tanto, a unos años de crecimiento extraordinario de la industria de la IA.

La pregunta clave ya no es solo quién tendrá el mejor modelo, sino quién será capaz de capturar más valor, construir más centros de IA, desplegar más capacidad computacional y conseguir más mercado.

Y es precisamente por eso que restricciones como las de la nueva regulación española van en la dirección contraria: en un momento en que el resto del mundo compite por atraer infraestructura, computación e inversión, poner más obstáculos a su construcción es una manera directa de perder posiciones y finalmente perder la carrera.

Las noticias clave


Nvidia, imparable

Nvidia sigue creciendo a un ritmo extraordinario: los ingresos del trimestre alcanzaron los 96.200 millones de dólares, un 106% más que el año anterior. La demanda de infraestructura para IA sigue disparada, sobre todo entre los grandes proveedores de nube, que ya concentran más de la mitad del negocio de centros de datos de la compañía.

Pero el crecimiento tiene otra cara. Nvidia está invirtiendo y apoyando financieramente a muchas de las empresas que luego compran sus chips, desde laboratorios de IA hasta operadores de centros de datos. Los críticos lo llaman circular financing: Nvidia ayuda a financiar a sus propios clientes. La compañía lo ve como una forma de acelerar el crecimiento de la nueva economía de la IA.

Nvidia compra Hugging Face

Nvidia habría acordado comprar Hugging Face por 12.900 millones de dólares, según The Information. Hugging Face es hoy una de las principales plataformas de la IA abierta, con casi tres millones de modelos y más de un millón de aplicaciones compartidas por desarrolladores, universidades y empresas. Nvidia ya era inversora desde 2023, pero una adquisición completa le daría una posición central no solo en el hardware de la IA, sino también en el lugar donde buena parte de la comunidad publica, distribuye y prueba modelos.

La importancia de la operación va más allá del precio. Nvidia domina los chips que hacen funcionar la IA y, si controla también Hugging Face, pasa a estar presente en otra capa esencial del ecosistema: la distribución de los modelos. Esto puede reforzar aún más su posición, pero también abre preguntas sobre la independencia del open source: una parte importante de la infraestructura abierta de la IA quedaría en manos de la misma empresa que vende la computación que la hace posible.

El misterio del GLM 5.3 Flash

El misterioso modelo Ox Alpha, que había aparecido anónimamente en OpenRouter y rápidamente había escalado posiciones en los rankings, es en realidad GLM-5.3 Flash, el nuevo modelo de Z.ai. Tiene 320.000 millones de parámetros, pero solo activa 18.000 millones en cada inferencia, lo que reduce mucho el coste computacional. Es multimodal y está especialmente pensado para programación, razonamiento y agentes capaces de trabajar durante largos periodos. Según Z.ai, supera a GLM-5.2 con aproximadamente una décima parte del coste y se acerca a Claude Opus 4.8 en varios tests de programación y agentes.

Lo más interesante es lo que esto dice sobre la competición global en IA. GLM-5.3 Flash se publica con pesos abiertos y, durante las pruebas como Ox Alpha, funcionó íntegramente sobre chips chinos. Esto refuerza una tendencia cada vez más clara: empresas como Z.ai pueden ofrecer modelos abiertos con capacidades cercanas a los mejores modelos propietarios, pero a costes muy inferiores. La batalla de la IA, por lo tanto, ya no es solo quién tiene el modelo más potente, sino quién puede ofrecer esta inteligencia de manera más barata, abierta y eficiente.

El nuevo procesador de OpenAI

OpenAI ha presentado Jalapeño, su propio chip para ejecutar modelos de IA, con unos resultados que, según pruebas publicadas por la compañía, superan los sistemas actuales de Nvidia en eficiencia. Jalapeño está diseñado para consumir unos 700 vatios —y en los tests se mantuvo por debajo de los 550— frente a los 1.200-1.400 vatios de los sistemas comparados. Con el mismo presupuesto energético, OpenAI afirma que puede hacer entre 1,5 y 1,9 veces más trabajo de IA y hasta cuatro veces más en tareas interactivas típicas de los agentes.

Hay, sin embargo, un segundo elemento todavía más interesante: la IA también empieza a diseñar el software que hace funcionar los chips. Codex generó kernels optimizados para Jalapeño que, en algunos casos, funcionaron hasta 1,8 veces más rápido que los escritos por los ingenieros de OpenAI. El chip empezará a instalarse en los centros de datos de la compañía a finales de año. OpenAI continuará comprando GPUs de Nvidia, pero el movimiento muestra hacia dónde va la industria: los grandes laboratorios de IA intentan controlar cada vez más toda la pila tecnológica, desde el modelo hasta el chip, para reducir costes, consumo energético y dependencia de proveedores externos.

DeepSeek alcanza los 70M de dólares de ingresos

DeepSeek está demostrando que los modelos chinos no solo pueden competir en prestaciones, sino también convertirse en negocio. Entre enero y julio de 2026 facturó unos 70,7 millones de dólares, casi diez veces más que en todo 2025. Todavía pierde dinero —unos 106 millones de dólares en siete meses—, pero lo hace con una estructura de costes sorprendentemente eficiente: el margen bruto global es del 44,6% y, en el negocio de acceso a los modelos vía API, alcanza el 82,9%.

Estas cifras son pequeñas comparadas con OpenAI o Anthropic, pero explican por qué DeepSeek despierta tanto interés entre los inversores. La compañía prepara una nueva ronda de financiación que podría valorarla en unos 70.000 millones de dólares y trabaja con bancos de inversión para salir a bolsa en Shanghái en 2027. Su ventaja es clara: ha conseguido reducir mucho el coste de ejecutar los modelos, haciendo más trabajo con menos chips. En una industria donde la computación es una de las principales gastos, esta eficiencia puede acabar siendo tan importante como tener el modelo más avanzado.

Cómo la IA nos cambiará la vida


Las Olimpiadas de los Robots 1 año después

Los Robotaxis llegan a Madrid


Se muere menos en los hospitales con IA

Los robots aprenden deprisa

Camiones autodirigidos


La investigación en IA

GLM 3.5 Flash —AI Lab: Z.ai

Z.ai ha presentado GLM-5.3-Flash, un modelo multimodal de 320.000 millones de parámetros que solo activa 18.000 millones en cada inferencia. Esta arquitectura le permite superar a GLM-5.2 en muchos benchmarks de programación y agentes con aproximadamente una décima parte del coste, y acercarse en algunos tests a Claude Opus 4.8. Antes del lanzamiento, Z.ai lo probó anónimamente como Ox Alpha en OpenRouter, donde se convirtió rápidamente en uno de los modelos más utilizados, servido íntegramente sobre chips chinos.

Por qué es importante
GLM-5.3-Flash muestra que la competición en IA ya no gira solo en torno a tener el modelo más potente, sino a hacer más con menos computación. Z.ai afirma que ha reducido fuertemente el coste de inferencia, que puede trabajar con contextos muy largos y que su sistema funciona a escala sobre hardware chino con costes por token comparables a los de GPUs Nvidia. Además, los pesos son públicos, lo que refuerza la presión de los modelos abiertos chinos sobre los modelos propietarios occidentales.

The Organizational Singularity —AI Lab: Peter H. Diamandis

Peter Diamandis denomina “singularidad organizativa” el momento en que una persona, equipada con agentes de IA, puede hacer el trabajo que antes requería equipos enteros. Según esta visión, la IA está reduciendo drásticamente los costes de coordinación, marketing, operaciones o atención al cliente, lo que permite empresas mucho más pequeñas y una nueva ola de emprendimiento. Esto podría llevar a un mundo con muchas más empresas, pero con plantillas un 75-80% más reducidas, donde el papel humano se centraría sobre todo en la estrategia, la creatividad, las relaciones y la orquestación de los sistemas de IA.

Por qué es importante
La tesis plantea un cambio más profundo que la simple automatización de puestos de trabajo: la IA podría cambiar la misma arquitectura de la empresa. Si coordinar agentes y servicios externos se vuelve muy barato, algunas funciones que justificaban grandes organizaciones podrían desaparecer o fragmentarse. Diamandis resume la paradoja afirmando que la IA puede destruir empleo tradicional mientras crea nuevas empresas y formas de trabajo; pero el mismo texto recoge una objeción importante: no todos los trabajadores desplazados podrán convertirse fácilmente en emprendedores, y una destrucción rápida de empleo también podría reducir la demanda agregada.

EnvHarness: Awakening Static Worlds for Agent Learning —AI Lab: Univ. St Louis, Google Cloud, Univ. of North Carolina

Los agentes basados en LLM aprenden interactuando con entornos, pero estos entornos suelen ser estáticos y construidos manualmente, de modo que dejan de ser útiles cuando el agente mejora. EnvHarness propone una capa programable que envuelve un entorno existente y modifica su comportamiento sin tocar su lógica ni el verificador original. Encima, EnvRigger observa cómo actúa el agente, detecta dónde falla y genera automáticamente componentes de EnvHarness para crear situaciones que ataquen precisamente estas debilidades. En cinco benchmarks y cuatro dominios, el sistema mejora hasta 9 puntos el rendimiento en casos no vistos y reduce un 9,8% los pasos de ejecución.

Por qué es importante
La idea clave es pasar de entornos estáticos a entornos que coevolucionan con el agente. En lugar de entrenar un agente siempre contra el mismo conjunto de tareas, el entorno identifica continuamente qué todavía no sabe hacer y genera nuevos retos específicamente dirigidos a estos puntos débiles. Esto proporciona una señal de aprendizaje más rica para el reinforcement learning y reduce mucho la necesidad de construir nuevos benchmarks o verificadores a mano. En esencia, es un paso hacia agentes que pueden mejorar de manera más continua porque su "campo de entrenamiento" también evoluciona con ellos.