OpenAI ha ofrecido un 5% de la empresa al gobierno estadounidense. El objetivo sería doble: reducir la presión reguladora y crear un fondo público, similar al de Alaska o al fondo soberano noruego, alimentado por los beneficios de la IA. Es una nueva visión de la política industrial, donde el Estado no solo regula, sino que también participa directamente en la captura del valor generado por las grandes plataformas tecnológicas. Pero la semana ha estado sobre todo marcada por el regreso de la nueva generación de modelos de Anthropic: Mythos, Fable y Sonnet. Mythos 5.1 sigue siendo de uso restringido; Fable ha regresado con una versión ligeramente diferente y con más limitaciones en ámbitos sensibles como la ciberseguridad; y Sonnet 5 se presenta como un modelo especialmente orientado a sistemas agénticos.

La próxima semana llegarán los anuncios de GPT-5.6, la nueva generación de modelos de OpenAI. Con esto habremos entrado de lleno en una nueva etapa, una generación en la que los objetivos son diferentes a los de la anterior. Estos modelos funcionan de una manera mucho más agéntica: ya no hablamos solo de sistemas que responden a prompts, sino de modelos capaces de mejorarlos, contextualizarlos y utilizar subagentes para obtener mejores resultados. En la jerga de la IA, quien hace todo esto es el harness. Y es precisamente aquí donde encontramos buena parte de las mejoras —esta vez importantes— de esta nueva generación, especialmente en los modelos más sofisticados, como Fable o Sol, el modelo grande de GPT-5.6.

También es una generación en la que herramientas como Anthropic Cowork, Claude Code o OpenAI Codex ganan mucho más protagonismo que antes. El objetivo ya no es solo asistir al usuario, sino automatizar tareas completas y ejecutar procesos mucho más elaborados y de más alto nivel. El caso más significativo es la programación, que hoy ya está en buena parte en manos de los modelos. Esto está transformando radicalmente no solo la ingeniería de software —que vive probablemente su mayor transformación en décadas—, sino incluso los mismos lenguajes de programación. Si quien programa es el modelo, entonces la simplicidad del lenguaje deja de ser tan importante: lo que cuenta es la eficiencia. Esta semana, como la anterior, veremos también muchas novedades en investigación. Hay avances importantes en el aprendizaje de los modelos, en la inferencia, en los agentes y, sobre todo, en la capacidad de estas herramientas para realizar de manera autónoma tareas de larga duración. Y esto abre la puerta a un mundo absolutamente nuevo e inédito.

OpenAI ofrece un 5% al gobierno americano

Sam Altman ha puesto sobre la mesa una propuesta explosiva: que el gobierno de Estados Unidos entre en el capital de OpenAI con una participación del 5%, valorada en unos 42.600 millones de dólares. La idea, presentada a la administración Trump, buscaría reducir la presión política sobre la seguridad de los modelos de IA y reforzar el frente estadounidense ante el avance de China. El plan iría más allá de OpenAI. Altman querría que otros gigantes como Anthropic, Google o Meta ofrecieran participaciones similares, creando una especie de fondo público inspirado en el modelo de Alaska, que reparte dividendos de los ingresos del petróleo. La cuestión de fondo es enorme: si Washington pasa a ser accionista de las grandes empresas de IA, dejará de ser solo regulador para convertirse también en propietario. Esto puede cambiar quién decide qué modelos llegan al mercado, con qué velocidad y quién captura el valor de esta nueva infraestructura. La IA ya no es solo una batalla empresarial: es una cuestión de Estado.

Anthropic Fable vuelve 

Estados Unidos ha levantado las restricciones de exportación sobre Fable 5, el modelo de Anthropic que había sido retirado del mercado en junio por motivos de seguridad nacional, junto con Mythos 5. La decisión llega después de que la empresa incorporara nuevas protecciones para bloquear usos vinculados a ciberataques y que estas salvaguardas fueran validadas por investigadores del Departamento de Comercio. El caso muestra hasta qué punto Washington está caminando sobre una línea muy fina: quiere evitar que los modelos de IA más avanzados se conviertan en una herramienta de riesgo geopolítico, pero al mismo tiempo no puede frenar demasiado a sus propias empresas si quiere competir con China. La industria espera ahora que una nueva orden ejecutiva sustituya estas decisiones improvisadas por un sistema más claro, previsible y estable de evaluación de los modelos de frontera.

Claude Sonnet 5

Anthropic ha presentado Claude Sonnet 5, probablemente su movimiento más importante desde Claude 4. La noticia no es solo que sea más rápido o más barato, sino que reduce la distancia entre los modelos intermedios y los modelos estrella. Sonnet 5 puede gestionar mejor las tareas largas, flujos de trabajo con agentes y problemas de programación y razonamiento más complejos. Además, estará disponible para todo el mundo, incluidos los usuarios gratuitos, y los desarrolladores ya lo pueden usar a través de la API de Claude. La clave es económica y estratégica: muchas empresas no necesitan siempre el modelo más potente y caro. Si Sonnet 5 ofrece un rendimiento cercano a los modelos prémium a un coste inferior, puede convertirse en el modelo por defecto para miles de desarrolladores y productos de IA.

Los robots humanoides de UBTech

La robótica china da un paso más hacia el hogar. UBTech ha presentado el U1, un robot humanoide pensado no para fábricas, sino para hacer compañía a las personas. Tiene piel de silicona, versiones masculina y femenina, capacidad para conversar, mantener contacto visual y una IA emocional que funciona localmente, sin enviar los datos a la nube. El precio todavía lo sitúa lejos del gran público —entre unos 17.600 y casi un millón de dólares—, pero el movimiento es significativo: China quiere llevar los robots humanoides del polígono industrial al comedor de casa. Y esto abre una nueva batalla tecnológica, donde ya no competirán solo los modelos de IA, sino también los cuerpos físicos que los harán presentes en la vida cotidiana.

Nano Banana 1 Lite y Gemini Omni Flash 

Google ha presentado dos nuevas piezas para acelerar la creación de contenido con IA: Nano Banana 2 Lite, su modelo de imagen más rápido y barato, y Gemini Omni Flash, un modelo de vídeo pensado para generar y editar clips con instrucciones en lenguaje natural. La jugada es clara: Google quiere convertir la IA generativa audiovisual en una herramienta industrial, no solo creativa. Nano Banana 2 Lite permite generar imágenes en unos 4 segundos y a muy bajo coste, mientras que Omni Flash lleva la misma lógica al vídeo, con edición conversacional, referencias multimodales y clips de 10 segundos. Lo más relevante no es solo cada modelo por separado, sino la combinación: generar una imagen rápidamente y luego convertirla en vídeo. Esto puede cambiar la manera en que se producen anuncios, prototipos, contenido para redes, diseño de interiores o vídeos de comercio electrónico. La batalla de la IA ya no va solo de chatbots: ahora entra de lleno en la fábrica visual de internet.

Claude Science 

Anthropic ha presentado Claude Science, una especie de laboratorio de IA pensado para acelerar la investigación científica. No es solo un chatbot para ayudar a escribir artículos: integra herramientas como bases de datos científicas, entornos de programación, visualización de proteínas, análisis genómico y acceso a recursos de computación avanzada. La promesa es clara: reducir meses —o incluso años— de trabajo repetitivo en literatura científica, análisis de datos, figuras y manuscritos. El sistema genera resultados auditablemente trazables, con código, historial y revisión automática de citas y cálculos, un punto clave en un ámbito donde el error no es una anécdota, sino un riesgo. La lectura de fondo es importante: la IA ya no quiere ser solo una herramienta de productividad general, sino una infraestructura para hacer ciencia. Si funciona, puede cambiar el ritmo de la investigación biomédica, desde el diseño de fármacos hasta la genómica. Pero también traslada una pregunta incómoda al centro del debate: ¿quién controlará las plataformas sobre las que se hará la ciencia del futuro?

AWS crea una nueva organización de Forward Deployed Engineers

Amazon Web Services hará una inversión de 1.000 millones de dólares para crear una nueva organización de forward deployed engineers: equipos de ingenieros que trabajarán directamente con los clientes para ayudarles a desplegar IA dentro de sus empresas. La decisión es significativa porque muestra hacia dónde va el negocio de la IA empresarial. Ya no basta con vender modelos, nube o herramientas: las grandes corporaciones necesitan a alguien que entre en la cocina, entienda los procesos y convierta la promesa de la IA en aplicaciones concretas. Es el modelo que Palantir popularizó y que ahora AWS adopta a gran escala. El movimiento también revela otra tendencia: las empresas combinan modelos cerrados, modelos abiertos y técnicas como la destilación para reducir costes y adaptar la IA a tareas específicas. La batalla ya no será solo quién tiene el mejor modelo, sino quién consigue que la IA funcione dentro de las organizaciones reales.

Meituan (el Glovo chino) presenta LongCat 2.0

La carrera china por reducir la dependencia de los chips norteamericanos da un nuevo salto. Meituan, el gigante chino del reparto de comida, ha presentado LongCat-2.0, un gran modelo de lenguaje de código abierto con 1,6 billones de parámetros que, según la empresa, ha sido entrenado y ejecutado íntegramente sobre clústeres de chips chinos. El movimiento es relevante porque hasta ahora la gran pregunta era si China podía competir en IA sin acceso pleno a los chips más avanzados de Nvidia. Meituan no ha revelado qué proveedores ha utilizado, pero el mensaje político e industrial es claro: Pekín quiere demostrar que puede construir modelos de IA de gran escala con tecnología propia. Este caso se añade a los esfuerzos de Zhipu, DeepSeek y otras empresas chinas por adaptar modelos a chips locales, especialmente de Huawei. La batalla de la IA ya no es solo una carrera de modelos: es también una guerra de infraestructura, soberanía tecnológica y capacidad industrial.

Cómo la IA nos cambiará la vida

Tractores autónomos en China

Camiones eléctricos autoconducidos en China

 

Robots que juegan al tenis

El valor de Tesla

Una placa solar de 93Km2 en órbita generaría toda la energía de la Tierra

Los autobuses de WeRide en Davos

La investigación IA 

A Self-Evolving Agentic System for Automated Generation and Execution of Biological Protocols-AI Lab: Shangai AI Lab – Genoria AI (Senzhen)
La IA entra también en el laboratorio biológico. Un equipo de investigación ha presentado ProtoPilot, un sistema multiagente capaz de transformar protocolos científicos en procedimientos operativos, código ejecutable y experimentos físicos en plataformas automatizadas de laboratorio. La novedad no es que la IA escriba instrucciones plausibles, sino que estas instrucciones se puedan verificar y ejecutar. ProtoPilot incorpora comprobaciones por capas, coordinación entre agentes y una biblioteca de habilidades que se actualiza con el feedback de los experimentos reales. En las pruebas, logró un 90,2% de preferencia por parte de expertos y una tasa de validación protocolo-a-código del 89,5%, muy por encima de otros sistemas comparables. La lectura de fondo es potente: la IA ya no solo interpreta artículos o ayuda a redactar protocolos, sino que empieza a cerrar el círculo entre hipótesis, diseño experimental, código, máquina y resultado. Si este camino se consolida, la investigación biomédica puede pasar de un modelo artesanal a un modelo mucho más automatizado, verificable y acelerado.

Nemotron-Labs-TwoTower: Diffusion Language-Modeling with Pretrained Autoregressive Context - AI Lab: Nvidia
Los modelos de lenguaje podrían estar entrando en una nueva arquitectura. Un equipo ha presentado TwoTower, un modelo que combina generación autorregresiva y difusión para producir texto de manera más rápida sin perder mucha calidad. La idea es separar dos funciones que hasta ahora a menudo hacía una sola red: entender el contexto y generar la respuesta. En TwoTower, una torre autorregresiva procesa los tokens netos y mantiene el hilo causal del texto, mientras una segunda torre de difusión refina bloques de texto de manera más paralela e iterativa. El resultado es un modelo que conserva el 98,7% de la calidad del modelo base, pero con una velocidad de generación 2,42 veces superior. La lectura de fondo es clara: la carrera de la IA no va solo de hacer modelos más grandes, sino de encontrar arquitecturas más eficientes. Si estos enfoques prosperan, podrían reducir costes, acelerar aplicaciones en tiempo real y abrir una alternativa a los modelos autorregresivos que dominan hoy el mercado.

 

Introducing TabFM: A zero-shot foundation model for tabular data-AI Lab: Google
Google ha presentado TabFM, un nuevo modelo fundacional pensado para trabajar con datos tabulares, es decir, las tablas que utilizan empresas, bancos, hospitales o plataformas digitales para predecir cosas como la fuga de clientes, el fraude financiero o el riesgo de una operación. La novedad es que TabFM quiere sustituir una parte muy pesada del trabajo clásico de machine learning: entrenar modelos específicos, ajustar hiperparámetros y hacer ingeniería de variables. En lugar de eso, el modelo aprende directamente del contexto de la tabla y puede hacer predicciones en una sola pasada, sin tener que entrenarse de nuevo para cada caso. El movimiento es importante porque lleva la lógica de los grandes modelos fundacionales —hasta ahora asociada sobre todo al texto, la imagen o el vídeo— al corazón de los datos empresariales. Y Google quiere integrarlo directamente en BigQuery, de manera que una empresa pueda hacer predicciones avanzadas con una simple comanda SQL. La IA deja de ser solo conversación y entra de lleno en la infraestructura cotidiana de decisión empresarial.

OpenAI ha encontrado maneras de reducir a la mitad los costes de inferencia 

La carrera de la IA no es solo conseguir más chips de Nvidia. También es aprender a sacar mucho más rendimiento de los servidores que ya existen. Según esta información, ingenieros de OpenAI habrían encontrado nuevas optimizaciones capaces de reducir a más de la mitad el coste de inferencia, es decir, el coste de hacer funcionar modelos ya entrenados. El detalle es importante porque el auténtico cuello de botella de la IA no es solo entrenar modelos gigantes, sino servir millones de respuestas cada día a un coste asumible. Aplicadas a ChatGPT para usuarios no registrados, estas técnicas habrían reducido el número de GPU necesarias a solo unos centenares, una cifra sorprendentemente baja. La lectura de fondo es clara: la batalla de la IA también se gana en la sala de máquinas. No siempre vence quien compra más chips, sino quien consigue hacer más con los mismos chips.

How agents are transforming work-AI Lab: OpenAI
OpenAI defiende que los agentes de IA ya están cambiando la unidad básica del trabajo: pasamos de conversaciones cortas con un chatbot a tareas largas delegadas a sistemas capaces de actuar durante minutos u horas, llamar a herramientas, revisar resultados e iterar hasta completar un trabajo. El caso que pone sobre la mesa es Codex. Según OpenAI, dentro de la misma compañía ha pasado de ser una herramienta sobre todo para ingenieros a convertirse en la herramienta principal de trabajo también para equipos legales, finanzas o reclutamiento. Lo más relevante es que los no programadores son los que más rápidamente están adoptando estos agentes, a menudo para hacer automatizaciones, análisis de datos, transformaciones de información o tareas técnicas que antes requerían soporte especializado. La lectura de fondo es clara: los agentes no solo hacen más eficiente una tarea existente, sino que amplían el perímetro de lo que puede hacer una persona dentro de una organización. La frontera entre perfiles técnicos y no técnicos se vuelve más porosa, y esto puede obligar a empresas, trabajadores y reguladores a repensar procesos, competencias y mercado laboral.

Otras noticias 

-Tesla y SpaceX ya funcionan como una misma maquinaria en áreas clave, con directivos compartidos y proyectos estratégicos como la Terafab de semiconductores. Esto alimenta las expectativas de que Elon Musk acabe proponiendo una fusión formal entre ambas compañías.
-Nvidia entra en Verkada con una inversión que mantiene la compañía de cámaras e IA de seguridad en una valoración de 5.800 millones de dólares. La operación refuerza la apuesta de Jensen Huang por la IA aplicada al mundo físico, mientras Verkada prepara una posible salida a bolsa.
-Anthropic da marcha atrás en una función oculta de Claude Code que rastreaba si los usuarios estaban en China o vinculados a laboratorios de IA chinos. La empresa lo justifica como una prueba contra abusos y "destilación" de modelos, pero la polémica refuerza la tensión entre seguridad, espionaje y competencia con la IA china.
-Anthropic lanza Claude Science, una aplicación para acelerar la investigación biomédica, y entra directamente en programas preclínicos para enfermedades desatendidas. La compañía también presenta Claude Sonnet 5, más capaz de planificar y navegar, mientras alerta de los riesgos de uso de la IA en biología y bioseguridad.
-Schneider Electric compra la noruega Cognite por 3.100 millones de dólares para reforzar su apuesta en IA industrial y agentes aplicados a datos con complejidad. La operación confirma que los grandes grupos de ingeniería, como Siemens, Honeywell o Rockwell, quieren convertirse también en empresas de IA.