La IA ha estado en el punto de mira de la campaña, con propuestas concretas para frenar su desarrollo. Algunas de las candidaturas que las defendían han ganado. Ahora habrá que ver cuáles pasan de los discursos a los permisos, a los presupuestos y a las leyes. La propuesta más radical es la de Bernie Sanders y el congresista demócrata Greg Casar: prohibir permanentemente la superinteligencia y suspender el desarrollo de los modelos más avanzados hasta que un nuevo departamento federal establezca las condiciones de seguridad. El proyecto prevé penas de hasta veinte años de prisión por determinadas infracciones. Todavía es una propuesta, pero sitúa una frontera política sobre la capacidad de las máquinas: una IA que supere el rendimiento cognitivo humano en la mayoría de ámbitos quedaría prohibida. Junto a este debate, hay otro con consecuencias inmediatas: las limitaciones a los centros de datos. Aquí el rechazo tiene una explicación muy tangible. Los vecinos temen que el consumo de estas instalaciones encarezca la electricidad, mientras las dificultades de conexión empujan algunos proyectos a instalar generación propia con gas, con emisiones contaminantes. La infraestructura avanza más lentamente que la demanda.

En España conocemos bastante bien este desajuste. Las redes saturadas, la planificación insuficiente y la lentitud administrativa se convierten en un freno para la industria, la movilidad eléctrica y la IA. El problema también es llevar la electricidad hasta donde se necesita y hacerlo a tiempo. Cuando esta infraestructura llega tarde, aparecen tensiones sobre los costes y el suministro. Y la factura eléctrica es una cuestión que los electores entienden perfectamente. La gran pregunta es cuál será la respuesta política. Los estados y las administraciones locales tienen una influencia directa sobre los permisos, el urbanismo y las condiciones de instalación. Texas será especialmente interesante: los demócratas han ganado el gobernador y la Cámara de Representantes estatal, mientras que los republicanos conservan el Senado. El poder queda repartido en uno de los territorios donde más se está jugando la carrera de la IA.

¿Qué pasará en Texas? ¿Qué pasará con Elon Musk, que tanto ha contribuido a financiar a los republicanos y que ha concentrado buena parte de sus negocios? Son dos grandes incógnitas. En Washington, la nueva mayoría demócrata también tendrá más capacidad para impulsar regulación y fiscalizar a las empresas, aunque tendrá que contar con la presidencia de Trump. El riesgo estratégico es evidente: si Estados Unidos convierte la preocupación por la IA en un frenazo general, pueden dar una ventaja decisiva a China. ¿Acabaremos usando modelos chinos en centros de datos chinos? Mientras tanto, el uso de la IA avanza y transforma profesión tras profesión. Las cuentas de Anthropic han revelado un dato impensable hace solo un año: el valor del Claude que consumen internamente, calculado a precios de venta al público, ya supera el gasto mensual de personal sin remuneración en acciones. Es una comparación de valor comercial que ilustra hasta qué punto la capacidad de cálculo se ha incorporado al trabajo.

La otra cifra es todavía más espectacular: el volumen diario de código incorporado por ingeniero durante el tercer trimestre de 2026 es más de cuarenta y cinco veces superior a la media de 2024. Cuarenta y cinco veces. Más código no equivale automáticamente a cuarenta y cinco veces más productividad, pero el cambio de escala es enorme: en septiembre, más del 90% de este código lo había escrito Claude. Con agentes trabajando en paralelo, un equipo puede multiplicar el trabajo que ejecuta en pocos días. ¿Qué aplicaciones y mejoras resultarán de ello? Esta es una de las preguntas más interesantes de los próximos meses. En esta línea, SemiAnalysis ha presentado GDPx, un benchmark con 206 tareas de once ámbitos profesionales. Los agentes disponen habitualmente de hasta ocho horas por encargo y deben trabajar en entornos realistas, buscando información y utilizando herramientas. Los resultados son muy bajos: Opus 5.5 encabeza la clasificación con un 12% de puntuación global y, en finanzas y derecho, prácticamente todos los modelos obtienen un cero cuando se pide completar satisfactoriamente la tarea.

La distancia con los benchmarks espectaculares es considerable. Este nuevo benchmark puede orientar el desarrollo hacia los problemas que impiden acabar un trabajo real: mantener el hilo, encontrar los datos relevantes, detectar errores y llegar a un resultado utilizable. Un buen resultado en un examen todavía deja mucho camino hasta poder delegar todo un proceso profesional. La semana también ha recordado que la fragilidad digital tiene consecuencias físicas. Incidentes atribuidos a ciberataques han alterado las temperaturas de neveras y congeladores de supermercados de nueve países europeos, obligando a tirar alimentos. No se ha acreditado que se utilizara IA. Pero, a medida que aumenten las capacidades de los agentes, proteger los sistemas que controlan instalaciones reales será todavía más urgente.

Finalmente, investigadores del MIT han publicado un trabajo en el que un modelo grande modifica directamente los pesos de uno pequeño. GPT-6 Astra corrige un problema de bucles repetitivos de Qwen3.5-0.8B alterando solo el 0,016% de los pesos. El acierto en MATH-500 pasa del 7,9% al 48,1%. Esto abre una vía para reparar y adaptar modelos con intervenciones muy precisas. Con acceso a los pesos, también se podrían alterar algunas restricciones impuestas durante el entrenamiento, tanto políticas como vinculadas a peticiones sobre ciberataques o usos químicos peligrosos. El experimento no ha probado estos usos, pero muestra una capacidad de intervención interna que apunta hacia modelos capaces de participar directamente en el desarrollo de otros modelos y, más adelante, en su propia mejora. Y, claro, ¡seguimos teniendo modelos nuevos y mejores!

Las noticias clave

Las midterm y la IA
Bernie Sanders y el congresista demócrata Greg Casar han llevado al Congreso una propuesta para prohibir la superinteligencia y suspender el desarrollo de los modelos más avanzados hasta que una nueva autoridad federal establezca las condiciones de seguridad. El proyecto prevé penas de hasta veinte años de prisión por determinadas infracciones. Todavía no es ley ni representa una posición compartida por todo el Partido Demócrata, pero sitúa la suspensión del desarrollo tecnológico entre las opciones políticas que se discuten en Washington. La dificultad será definir qué capacidades justifican la prohibición y conseguir que esta tenga efectos más allá de los laboratorios estadounidenses.

Esta presión coincide con una resistencia mucho más inmediata en los centros de datos: 46 de las 47 votaciones locales resueltas este año han favorecido limitar su despliegue. Una preocupación central es que su consumo eléctrico acabe encareciendo la factura de los hogares. El conflicto tiene, por lo tanto, una base económica concreta: quién asume los costes de la expansión de la IA y quién recibe los beneficios. También hay municipios que han apostado por acoger estas instalaciones con retornos palpables. En New Albany, en Ohio, los acuerdos con los operadores generan ingresos que financian parques, equipamientos e infraestructuras locales. Esto no elimina las discrepancias, pero muestra la importancia de las condiciones negociadas. Para las empresas, anunciar inversiones multimillonarias tiene un valor limitado si los vecinos prevén una electricidad más cara y no identifican ninguna mejora en los servicios que reciben.

Cuando los tokens valen más que los sueldos
Las cuentas de Anthropic contienen un dato que anticipa cómo pueden cambiar las empresas: en abril, el valor de su consumo interno de Claude ya superaba el gasto mensual de personal, excluyendo la remuneración en acciones. La comparación está hecha a precios de venta al público, de modo que no equivale al coste real que soporta la compañía. Pero ilustra hasta qué punto la capacidad de cálculo se ha integrado en el trabajo cotidiano. El presupuesto de tokens empieza a ser una decisión sobre cuánta capacidad de producción se pone a disposición de los trabajadores.

Otro indicador es todavía más contundente: durante el tercer trimestre de 2026, el volumen diario de código incorporado por ingeniero fue más de 45 veces superior a la media de 2024. En septiembre, más del 90% de este código lo había escrito Claude. Producir más código no equivale automáticamente a generar más valor, pero el cambio organizativo es sustancial: los ingenieros dirigen y revisan agentes que ejecutan tareas cada vez más largas. Para los directivos, esto obliga a revisar una práctica muy extendida: controlar el gasto en IA sin medir el trabajo que permite hacer. Ahorrar tokens puede acabar saliendo caro si limita la capacidad de los trabajadores.

ChatGPT pone las imágenes en movimiento
OpenAI ha presentado Images 2.6, que incorpora la creación de GIFs a ChatGPT y Codex: animaciones breves en bucle que se pueden generar a partir de una descripción o de una imagen. Una fotografía de producto, una mascota de marca o un esbozo pueden convertirse en una pieza animada. La actualización también mejora la consistencia de los personajes y de los productos entre ediciones sucesivas. Para quien trabaja en comunicación, esta continuidad tiene una utilidad evidente: permite explorar variantes de una campaña conservando los elementos que definen su identidad.

Las novedades para los desarrolladores apuntan en la misma dirección. Flare prioriza la velocidad, mientras que Sunburst está orientado al detalle y a las ediciones precisas. La posibilidad de señalar directamente qué zona hay que modificar da más control sobre los retoques, y la salida en SVG permite obtener gráficos vectoriales que se pueden ampliar y editar para incorporarlos a webs, aplicaciones o materiales impresos. En conjunto, OpenAI continúa acercando la generación de imágenes al proceso de producción de diseño. Para las empresas, la ganancia potencial es reducir el tiempo entre una idea, sus revisiones y una pieza que se pueda publicar.

Sequoia cierra en Londres: Europa pierde influencia
Sequoia cierra su oficina de Londres y dirigirá las inversiones europeas desde Silicon Valley. La explicación del fondo es reveladora: considera que puede identificar y apoyar a los grandes emprendedores europeos sin mantener una presencia local. El movimiento forma parte de una reorganización para simplificar la estructura y tomar decisiones más rápidamente en un mercado transformado por la IA. Pero la consecuencia europea es concreta: tres de los cuatro socios de Londres han rechazado trasladarse a Estados Unidos y dejarán de hacer nuevas inversiones con Sequoia. La firma continuará invirtiendo en Europa, pero prescindirá de buena parte del equipo que buscaba oportunidades desde el territorio.

El cierre se suma a las salidas de Andreessen Horowitz y Coatue. En plena expansión de la IA, algunos de los grandes inversores estadounidenses consideran que pueden prescindir de una base europea. Es una señal del poco peso del continente en los centros de decisión de esta industria: Europa produce investigadores, emprendedores y empresas valiosas, pero estos activos todavía no le aseguran una posición central en la asignación del capital. Cuando los inversores concentran sus equipos en Silicon Valley, refuerzan la proximidad con las empresas, los laboratorios y las redes profesionales de aquel ecosistema. Para Europa, el riesgo es aportar talento e ideas mientras el capital y la capacidad de decidir se acumulan en Estados Unidos.

Cómo la IA nos cambiará la vida

Robots dentistas

 

Revolut utiliza Open Weights 

 

Los camiones eléctricos llegan al 50% en China

La investigación en IA 

Sparks of Weight-Space Programming-AI Lab: MIT CSAIL – Rikya Takehi 
Investigadores del MIT CSAIL han publicado un experimento en el que GPT-6 Astra modifica directamente los pesos de Qwen3.5-0.8B, los parámetros numéricos que determinan cómo funciona el modelo. Con acceso a Python y a problemas de práctica, Astra identifica una causa de los bucles repetitivos que impiden a Qwen terminar las respuestas. La corrige alterando solo el 0,016% de los pesos, sin recurrir al descenso del gradiente del entrenamiento convencional. En MATH-500, el acierto pasa del 7,9% al 48,1%. Los autores llaman a esta aproximación weight-space programming: utilizar el razonamiento de un modelo para diagnosticar y reescribir partes de otra red neuronal.

Por qué es importante
La importancia es que podría hacer la edición de los modelos más accesible y automatizable. Con acceso a los pesos, una IA podría ayudar a reparar errores, adaptar comportamientos o debilitar algunas salvaguardas incorporadas durante el entrenamiento, como las que hacen rechazar determinadas peticiones. Otras investigaciones ya han demostrado que estos mecanismos de rechazo se pueden alterar interviniendo en el interior de los modelos. También apunta hacia una vía de automajora: un sistema que detecte errores, proponga modificaciones internas y compruebe si funcionan antes de incorporarlas. El experimento del MIT repara una capacidad bloqueada en otro modelo; todavía no demuestra que una IA pueda editarse y mejorarse a sí misma. Pero abre la posibilidad de que los modelos participen cada vez más directamente en la construcción y la evolución de sus sucesores.

Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories-AI Lab: Google Research and Cornell University 
El trabajo Language Models Need Sleep propone que los modelos alternen la actividad con periodos de "sueño" dedicados a consolidar lo que han aprendido. Durante el uso, un modelo puede incorporar información al contexto de una conversación, pero esto habitualmente no modifica sus pesos ni se convierte en conocimiento permanente. La propuesta introduce dos etapas: primero consolida la memoria de corto plazo en parámetros persistentes, ampliando la capacidad disponible; después, en la fase de "sueño", genera y selecciona ejemplos sintéticos con los que continúa entrenándose. Los experimentos muestran mejoras en aprendizaje continuo, incorporación de conocimientos y generalización a partir de pocos ejemplos.

Por qué es importante
La consecuencia potencial es que un asistente pueda acumular experiencia útil después del despliegue. En una empresa, podría consolidar procedimientos, criterios y excepciones aprendidos durante el trabajo, y practicar con casos generados por él mismo para mejorar su aplicación. Esto acercaría la IA a un proceso de aprendizaje sostenido: utilizarla hoy podría contribuir a hacerla más competente mañana. El "sueño" es una metáfora para un ciclo automatizado de entrenamiento, con arquitectura y reglas definidas por los investigadores. La dificultad será determinar qué experiencias merecen convertirse en conocimiento estable: incorporar información nueva sin deteriorar lo que el modelo ya sabía y aprender de los errores sin acabar consolidándolos.

RSI Arena: Towards Recursive Self-Improvement with Human Feedback-AI Lab: Notre Dame, B ake AI, UCLA, Stanford, Nvidia , NYU, Washington, Santa Clara, Scale AI, Hugging Face, MIT 
El experimento RSI Arena ha puesto a diez modelos avanzados a hacer de desarrolladores de inteligencia artificial. Cada uno parte del mismo modelo base de NVIDIA y dispone de seis días, mil horas de GPU y 300 dólares para consultar modelos vía API. Los agentes seleccionan los datos, implementan los procedimientos de entrenamiento y eligen la versión final. Los diez consiguen producir asistentes funcionales. El mejor, entrenado por GPT-6 Astra, reduce un 76% la diferencia entre el modelo base y la versión Instruct de NVIDIA, tomando la mediana de doce pruebas de capacidad. Es una demostración concreta de que parte del trabajo de postentrenamiento se puede delegar a agentes.

Por qué es importante
Después, los investigadores les dan las valoraciones humanas de sus asistentes y tres días más para mejorarlos. Ocho de los diez asistentes aumentan su puntuación relativa de preferencia, incluso corrigiendo el efecto de la longitud y el formato de las respuestas. Pero los avances en las pruebas de capacidad son modestos y uno de los asistentes se vuelve más propenso a cumplir peticiones perjudiciales. El resultado muestra tanto la posibilidad de automatizar el desarrollo como la importancia de definir qué significa mejorar: gustar más a los usuarios no garantiza resolver mejor las tareas. Los agentes entrenan otro modelo; la automajora del mismo sistema entrenador sigue siendo un paso pendiente. El feedback humano, sin embargo, ya puede orientar un proceso de desarrollo ejecutado por la IA.