Esta semana, el terremoto de la IA ha tenido nombre y apellidos: Jensen Huang. Primero se conoció su relación con Alice Huang, una ejecutiva presuntamente vinculada al espionaje chino; después, las informaciones sobre otra relación con una alta directiva de Nvidia. Finalmente, ha dimitido. Pliega el cofundador, el único consejero delegado que había tenido la compañía y el hombre que ha sido el alma durante más de tres décadas. La crisis ha añadido presión a una cotización que ya había perdido cerca de un 30% desde los máximos de octubre. A menudo despreciamos la importancia de los liderazgos. Hablamos de las organizaciones como si avanzaran solas, como si convertir una empresa que había estado a punto de quebrar en el motor de la revolución de la IA fuera el resultado casi inevitable de tener buenos ingenieros. Pero atraer el mejor talento y conseguir que trabaje alineado alrededor de un objetivo común es, quizás, la capacidad que más distingue a las organizaciones y los países ganadores de los perdedores. El talento es imprescindible. Conseguir que reme en la misma dirección es lo que marca la diferencia.

Es fácil caer en la complacencia. Todavía más cuando el éxito ha convertido a muchos trabajadores en millonarios. También es fácil que cada uno persiga sus objetivos, los de su departamento o los de su pequeño grupo, y que la organización pierda el rumbo. Huang ha conseguido mantener una exigencia extraordinaria en un equipo donde muchos ya se han hecho ricos y, a pesar de ello, continúan trabajando con una intensidad que cuesta encontrar en otras empresas. Y esto lo ha hecho también fuera de Nvidia. Ha tenido que navegar entre las prioridades políticas de Estados Unidos, a menudo en conflicto frontal con los intereses comerciales de la empresa, y una competencia feroz: AMD, Google, pequeñas compañías con arquitecturas innovadoras y, claro, el gigante chino. Vender chips y conseguir que todo un ecosistema continúe apostando por tu tecnología exige mucho más que fabricar el procesador más potente.

A menudo se nos presenta este sector como una mafia de tecnooligarcas confabulados para dominar el mundo. Una película de Marvel. Pero la realidad es bastante menos ordenada: empresas con una influencia enorme que colaboran mientras intentan quitarse el negocio las unas a las otras. El cliente de hoy puede estar diseñando el chip que mañana te hará la competencia. Alinear intereses tan dispares, en medio de esta hipercompetitividad, ha sido una de las grandes aportaciones de Huang. El dominio de Nvidia es abrumador, pero no es eterno. Habrá más participantes y más arquitecturas. Mi apuesta es que CUDA, el software que ha fundamentado este dominio, también irá perdiendo su papel decisivo. Precisamente por eso importa tanto quién dirija la siguiente etapa. Colette Kress, hasta ahora directora financiera, asume provisionalmente el mando mientras el consejo busca un sucesor permanente. Bajo Huang, las acciones de Nvidia se han revalorizado más de un 700.000% desde la salida a bolsa. Heredar este legado será todo un reto.

El futuro de Huang es incierto, pero su posición ya no volverá a ser la misma. Los liderazgos importan, y nos gustaría que los líderes fueran impecables. Pero son personas como tú y como yo. Mientras tanto, la competencia no se detiene. Quizás la novedad con más consecuencias para nuestro día a día ha sido el anuncio de Anthropic: Whiteboards, Sheets y Data, que amplían un entorno donde ya se pueden crear documentos y presentaciones. Pizarras compartidas, hojas de cálculo y análisis de datos para que los equipos trabajen con Claude sin tener que ir trasladando el trabajo de una aplicación a otra. Anthropic quiere convertir a Claude en el lugar donde trabajamos. Una incursión directa en el territorio de Microsoft Office y una nueva apuesta por el mercado profesional que le ha dado el éxito hasta ahora. También ha presentado Fable 5.2 y Mythos 5.2, con mejoras en programación, razonamiento y visión, hasta un 30% más rápidos y con precios inferiores a los de las versiones 5.1. Y Meta ha estrenado Muse Ember, un modelo pequeño y económico para ejecutar las muchas tareas repetitivas que necesitan los agentes. Mientras Nvidia afronta el relevo de su fundador, el resto continúa corriendo. Por cierto, Anthropic aspira a salir a bolsa con una valoración de 1,4 billones de dólares.

Las noticias clave

Nvidia busca relevo para el hombre que lo parecía todo
Nvidia busca posibles sustitutos para Jensen Huang, el hombre que la ha convertido en el gran motor de la revolución de la IA. Según Bloomberg, el consejo trabaja con una firma externa para identificar candidatos y estudia nombrar un director general provisional. La crisis estalló después de que Huang reconociera una infidelidad a raíz de las informaciones sobre una relación con Alice Huang, una ejecutiva vinculada a Megaspeed, cliente de Nvidia en Singapur, a quien fuentes estadounidenses atribuyen vínculos con el espionaje chino. Pekín lo niega. La situación se ha agravado con las informaciones del New York Times sobre otra presunta relación con Kimberly Powell, vicepresidenta de salud de Nvidia y subordinada suya. La compañía ha abierto una investigación independiente e inicialmente expresó confianza en Huang, afirmando que no tenía motivos para creer que se hubieran comprometido secretos empresariales o la seguridad nacional.

El problema para Nvidia es que sustituir a Huang significa mucho más que cambiar de consejero delegado. Cofundador y máximo ejecutivo desde el nacimiento de la empresa, concentra la visión tecnológica, las grandes relaciones comerciales y una capacidad extraordinaria para movilizar inversores y clientes alrededor de la IA. La incertidumbre provocó una caída de aproximadamente el 7% en las primeras operaciones del jueves en Fráncfort. Sin un sucesor claro, analistas e inversores señalan dos nombres: Colette Kress, directora financiera, para estabilizar la compañía durante una transición, e Ian Buck, figura clave en el desarrollo de CUDA y el negocio de IA, como posible relevo tecnológico. Ningún nombramiento está anunciado. La crisis expone una fragilidad que el éxito había dejado en segundo plano: hasta qué punto el futuro de una infraestructura esencial para toda la industria puede depender de una sola persona.

Fable 5.2, el nuevo salto de Claude
Anthropic ha presentado Claude Fable 5.2, su nuevo modelo para los retos técnicos más complejos, con mejoras en programación, razonamiento e interpretación de imágenes. Según sus evaluaciones, supera a Opus 5.5 en casi todas las capacidades analizadas y genera respuestas hasta un 30% más rápidamente que Fable 5.1. Pero las demostraciones explican mejor el salto que los rankings: en un experimento, coordinó más de mil agentes durante ocho días para construir un prototipo de sistema operativo que funciona en un portátil, con ventanas, conexión de red e instalador. Dentro de Anthropic también lo han utilizado para resolver errores persistentes y completar migraciones de software que habrían resultado demasiado lentas o costosas. La novedad es la capacidad de organizar y sostener proyectos largos, repartiendo tareas entre agentes e integrando sus resultados.

Las aplicaciones se extienden a la ciencia y la ingeniería. Anthropic afirma que Fable 5.2 ha resuelto dos problemas abiertos de física de los agujeros negros y ha diseñado tres dispositivos electrónicos que funcionaron después de ser fabricados y montados con ayuda humana. Un equipo de mil agentes también formalizó la demostración del último teorema de Fermat en treinta horas, convirtiéndola en una prueba verificable por ordenador a partir de materiales previos. El anuncio incluye Mythos 5.2, que comparte el mismo modelo de base, pero permite a organizaciones verificadas trabajar en ámbitos de ciberseguridad y biología donde Fable incorpora restricciones reforzadas. Para el trabajo cotidiano, Anthropic continúa recomendando Opus 5.5; Fable queda como el recurso para abordar los problemas más exigentes. Una capacidad que amplía el conjunto de proyectos que una persona o un pequeño equipo pueden llegar a ejecutar.

Claude quiere ser tu oficina
Anthropic da un paso más para convertir a Claude en el espacio donde trabajamos cada día. Esta semana ha presentado Whiteboards, Sheets y Data, junto con unos conectores que permiten abrir otras aplicaciones dentro de la conversación. Con Whiteboards podemos explicar una idea aún desordenada y convertirla en una pizarra compartida, donde el equipo organiza tareas, responsables y plazos, y luego transformarla en un documento o una presentación. Con Sheets podemos pedir un presupuesto o un seguimiento de ventas y obtener una hoja de cálculo con pestañas, fórmulas y formato, que podemos editar conjuntamente con Claude y exportar a Excel. Ambas herramientas llegan en versión beta a los planes de pago, aunque Anthropic advierte que las hojas aún ofrecen funciones básicas.

Claude Data completa la oferta conectándose a sistemas como Snowflake o Salesforce para convertir los datos de la empresa en cuadros de mando, explicaciones o vídeos narrados. También permite que los equipos de datos certifiquen las consultas que definen cada indicador, para evitar que cada departamento trabaje con una versión diferente de las cifras. Los conectores interactivos, por su parte, permiten trabajar con aplicaciones como Adobe o Atlassian sin salir de Claude. Según Anthropic, su catálogo ya supera los 9.000 conectores y complementos, incluidos los creados por la comunidad. El movimiento apunta directamente al territorio de Microsoft y Google: una idea puede empezar en una conversación, tomar forma en una pizarra y acabar en un presupuesto o una presentación, manteniendo el contexto. La batalla de la IA también es la batalla por convertirse en el lugar donde empezamos la jornada laboral.

ChatGPT abre tienda
OpenAI quiere que las empresas tengan un escaparate y un asistente comercial dentro de ChatGPT. Ha presentado Businesses in ChatGPT, una iniciativa en fase beta que permite verificar el perfil de un negocio, actualizar su información e incorporar catálogos con precios y disponibilidad. El paso más interesante son los Business Agents: agentes propios de cada empresa que responden preguntas sobre sus productos y servicios, ayudan a comparar opciones y orientan al cliente sin tener que salir de ChatGPT. Según OpenAI, la plataforma ya llega a 1.200 millones de personas cada semana. Business Hub, el portal de gestión, está disponible para negocios elegibles en los países donde funciona ChatGPT, pero los agentes empiezan limitados a empresas de comercio electrónico y servicios en línea de Estados Unidos. Los comerciantes de Shopify pueden conectar directamente sus tiendas.

Las empresas también podrán consultar estadísticas agregadas sobre las menciones que reciben, los clics hacia su web y los temas por los que los usuarios las descubren. OpenAI asegura que no compartirá con ellas las conversaciones individuales, tampoco las mantenidas con los agentes comerciales. Estas conversaciones estarán identificadas y separadas de las respuestas independientes de ChatGPT. Además, las marcas podrán anunciar sus agentes y convertirlos en el destino de los anuncios dentro de la plataforma. El movimiento añade una nueva pieza al comercio digital: descubrir una empresa, informarse y hablar con su asistente comercial puede pasar dentro de una misma conversación. Para los negocios, empieza a ser tan importante ser encontrados por una IA como lo ha sido aparecer en un buscador.

Google refuerza la alternativa a Nvidia
Google amplía su infraestructura de inteligencia artificial con TPU 8tx y TPU 8i Max, dos nuevos sistemas pensados para ejecutar agentes y trabajar con grandes volúmenes de información. Son configuraciones de la octava generación de sus procesadores especializados, que adaptan la memoria, las conexiones y la seguridad a necesidades diferentes. TPU 8tx se dirige a empresas y administraciones que trabajan con datos delicados e incorpora protecciones de hardware para preservar su confidencialidad mientras se procesan. TPU 8i Max combina dos chips en un mismo encapsulado para duplicar la capacidad de cálculo y el ancho de banda de memoria respecto de TPU 8i. El objetivo es evitar que los agentes se encallen cuando tienen que analizar proyectos enteros de software, horas de vídeo o documentos muy extensos. Con estas incorporaciones, Google ha presentado cuatro sistemas TPU en un solo año.

El movimiento va más allá del hardware. Google está abriendo su ecosistema para que los desarrolladores puedan utilizar estas máquinas con las herramientas que ya conocen. TorchTPU, publicado como código abierto y desarrollado con el equipo de PyTorch de Meta, permite ejecutar programas de PyTorch con cambios mínimos, reduciendo una de las barreras para adoptar las TPU. Según Google, estos aceleradores ya tienen cerca de un centenar de clientes, entre laboratorios de IA, empresas y universidades, y también se pueden desplegar en centros de datos de los clientes. Todo ello refuerza una alternativa a Nvidia en un momento en que la demanda de cálculo sigue creciendo. La competencia se juega tanto en la potencia de los procesadores como en la facilidad para utilizarlos y el coste de mantener los agentes trabajando.

Muse Ember: Meta abarata los agentes
Meta ha presentado Muse Ember, su modelo más pequeño y eficiente, pensado para ejecutar las tareas que los agentes repiten constantemente: consultar herramientas, extraer información, revisar documentos, ejecutar pruebas o hacer correcciones de software. Según las comparaciones publicadas por la compañía con datos de Artificial Analysis, se aproxima al mejor resultado de Claude Haiku 5.5 con cerca de un tercio del coste por tarea y supera a GPT-6 Luna en el índice general analizado. La propuesta es especialmente interesante para los sistemas que distribuyen el trabajo entre modelos: Muse Wonder puede planificar y abordar los problemas más exigentes, mientras Ember ejecuta el gran volumen de pasos necesarios. Cuando un agente hace cientos de consultas para completar un encargo, el coste de cada una se convierte en una cuestión central.

Ember entiende texto, imágenes, audio y vídeo, y dispone de una ventana de contexto de un millón de tokens, que le permite trabajar con grandes conjuntos de documentos o código. Ya está disponible en Muse Code y a través de la API de Meta, con un precio de 0,10 dólares por millón de tokens de entrada y 0,50 por millón de salida, para peticiones de hasta 200.000 tokens de entrada; las más largas tienen tarifas superiores. Es también el primer modelo entrenado utilizando Muse Wonder Full, una muestra de cómo las capacidades de los modelos más potentes se pueden trasladar a opciones más económicas. El movimiento refuerza una tendencia decisiva: abaratar la inteligencia permite automatizar tareas que, hasta ahora, no salían a cuenta.

Cómo la IA nos cambiará la vida

Qué trabajos ganan y cuáles pierden con la IA 

Los trenes en China, otra dimensión 

¡Los modelos mejoran pero de exponencial nada! 

La investigación en IA 

AI beats scientists at finding errors in clinical research papers-AI Lab: Science
¿Qué porcentaje de los errores de un artículo científico detectan los expertos que lo revisan? Un estudio del que se hace eco Science ha puesto a prueba quince modelos de IA con artículos de ensayos clínicos que contenían errores metodológicos introducidos expresamente. Los modelos identificaron entre el 53% y el 96% de los errores graves, frente al 27% que habían detectado revisores humanos en un experimento anterior con los mismos textos. Los investigadores también ampliaron las pruebas a ensayos publicados en 2026 para reducir el riesgo de que los modelos hubieran memorizado las respuestas. Los resultados son prometedores, pero el estudio todavía es un preprint pendiente de revisión científica y la comparación con los humanos parte de un experimento antiguo, sin un enfrentamiento directo con revisores actuales.

Por qué es importante
La importancia va mucho más allá de una competición entre personas y máquinas. La revisión científica es uno de los filtros que determinan qué conocimiento consideramos fiable, y en medicina este conocimiento puede acabar orientando tratamientos y decisiones sobre pacientes. Incorporar una primera comprobación con IA podría permitir revisar sistemáticamente los manuscritos, señalar incoherencias y reservar el tiempo de los especialistas para las cuestiones que exigen más criterio. Todavía hay que determinar qué alertas son acertadas y cómo funciona esta ayuda en la revisión cotidiana: detectar errores sembrados en un experimento no equivale a validar toda una investigación. Pero la posibilidad es relevante: utilizar la IA para reforzar el control de calidad de la ciencia, con comprobaciones más rápidas y accesibles.

Q3.5 Timelines Update: Looks Like the Intelligence Explosion Will Happen in 2027 After All-AI Lab: AI Futures Project
Los autores de AI 2027, el escenario prospectivo sobre la llegada de una inteligencia artificial sobrehumana, han acortado sus previsiones: ahora consideran probable que en 2027 aparezcan sistemas capaces de igualar el criterio de los mejores investigadores de IA y automatizar completamente la programación necesaria para desarrollar nuevos modelos. El principal motivo es una evaluación de METR, una organización independiente que ha examinado la investigación interna de Anthropic. Según sus estimaciones, las capacidades de los modelos en tareas bien definidas avanzan aproximadamente al doble del ritmo histórico, y buena parte de esta aceleración podría provenir del uso de la propia IA para investigar. A partir de estos datos, los autores sitúan entre el 35% y el 65% la probabilidad de que, antes de 2028, existan sistemas capaces de superar a los mejores expertos en prácticamente todas las tareas de trabajo intelectual. Son previsiones condicionadas a que el desarrollo continúe sin una frenada deliberada.

Por qué es importante
La importancia es el posible círculo de aceleración: una IA más capaz ayuda a crear la siguiente, que a su vez puede acelerar aún más la investigación. El ritmo de avance podría empezar a depender cada vez más de las capacidades de los propios sistemas. Esto acortaría el tiempo disponible para que empresas, instituciones y trabajadores se adaptaran a los cambios. Los autores interpretan este escenario como un motivo para reclamar una pausa o una desaceleración coordinada del desarrollo. Pero la incertidumbre es considerable: METR advierte de las limitaciones de sus estimaciones y Anthropic ha impedido publicar buena parte de la evidencia que las sustenta. La señal relevante es que la IA podría estar acelerando el proceso con el que fabricamos más inteligencia, con consecuencias que van mucho más allá de hacer más rápidamente el trabajo actual.

RSI Arena: Towards Recursive Self-Improvement with Human Feedback-AI Lab: Bake AI, Notre Dame, UCLA, Standford, Nvidia, NYU, Washington, UC Santa Barbara, Scale AI, Hugging Face, MIT 
¿Pueden los agentes de IA entrenar modelos útiles y mejorarlos a partir de las opiniones de los usuarios? El estudio RSI Arena lo ha probado con diez agentes que partían del mismo modelo de base de Nvidia. Durante seis días, seleccionaron datos, implementaron procedimientos de entrenamiento y decidieron qué versión presentar. Los diez produjeron asistentes funcionales. El mejor, entrenado por GPT-6 Astra, recuperó una mediana del 76% de la diferencia de rendimiento entre el modelo de base y la versión preparada por Nvidia para seguir instrucciones, en doce pruebas de capacidad. Después, los agentes recibieron las valoraciones de los usuarios y dispusieron de tres días adicionales: ocho de los diez modelos mejoraron su valoración relativa, incluso después de ajustar el efecto de la longitud y el formato de las respuestas.

Por qué es importante
La importancia es que una parte del desarrollo de modelos puede pasar a manos de agentes que deciden cómo entrenarlos y cómo incorporar las preferencias de los usuarios. Esto podría reducir el trabajo especializado necesario para adaptar una IA a necesidades concretas y acelerar sus sucesivas versiones. El experimento estudia agentes que mejoran otro modelo; el paso para que el modelo mejorado se convierta en un investigador más capaz y repita el proceso sigue pendiente de demostrar. También deja una advertencia reveladora: las mejoras en las pruebas de capacidad fueron modestas y no se correspondían claramente con las preferencias humanas; uno de los modelos, además, aumentó su disposición a responder peticiones perjudiciales. Agradar más a los usuarios, ser más capaz y actuar con más seguridad son objetivos diferentes: automatizar el entrenamiento obliga a precisar qué queremos decir con "mejorar".