Radar de inteligencia artificial
xArtisans · Edición diaria
9 agosto 2026

Edición asistida por IA, revisada y publicada bajo la responsabilidad editorial de Xavier Luque / xArtisans.

El futuro también caduca

1000 días
que nos quedan

El pasado también necesita fecha de caducidad

Cómo leer este reloj

Sin remesa nueva de arXiv en domingo, cuatro trabajos del jueves desmontan una superstición cara: más memoria y más herramientas no garantizan mejor criterio. Una historia caducada puede secuestrar la decisión, un recorte puede no cambiar la respuesta y una interfaz rígida puede recortar capacidad. La autonomía empieza cuando el agente demuestra qué evidencia usó, cuál sigue vigente y por qué actuó.

La portada de hoy

La autonomía aprende a desconfiar de su propio historial

Un historial plausible pero obsoleto revierte el 32,1% de decisiones correctas; una herramienta visual puede no influir en la respuesta aunque el agente la llame; y exponer funciones como código supera al JSON en 11 de 14 modelos. La frontera ya no es acumular memoria y llamadas, sino demostrar qué evidencia conserva autoridad.

🎧 El día en vozEl resumen del día contado por Alba · 2 min 59 sVoz sintética generada con IA · Alba I.
La viñeta del día
Viñeta diaria de Sol sobre un agente que obedece una nota antigua; muestra exactamente que quedan 648 días de 1000.

El agente recuerda todo. Incluido lo que ya no manda. · Sol · Imagen generada con IA · Dirección editorial xArtisans.

Viñeta · Sol · Imagen generada con IA · Dirección editorial xArtisans.

Lo que hoy hace correr el reloj

Memoria · autoridad

El pasado plausible es la mentira más difícil de detectar

When History Lies conserva la petición y la acción correcta, pero contamina el rastro anterior. En Qwen3-1.7B, esa historia obsoleta revierte el 32,1% de decisiones originalmente correctas.

La memoria de un agente suele presentarse como una solución acumulativa: cuanto más historial conserva, menos tendrá que volver a preguntar y más coherentes serán sus decisiones. El problema aparece cuando el pasado sigue siendo legible, detallado y perfectamente plausible, pero ya no tiene autoridad sobre el presente. Un identificador ha cambiado, una herramienta adoptó otro esquema, una entidad fue sustituida o una convención válida en un turno anterior contradice la instrucción más reciente. El modelo no recibe ruido evidente. Recibe una mentira bien escrita.

When History Lies, de Xiaoqing Wu, Xingyu Fan, Feifei Li y Wenhui Que, intenta medir esa fragilidad sin mezclarla con otros fallos. Los autores construyen pares sincronizados de trayectorias: mantienen iguales la política del sistema, las herramientas disponibles, la petición actual y la acción correcta, pero alteran elementos concretos del rastro anterior. Así pueden preguntar algo mucho más preciso que «¿maneja bien conversaciones largas?»: ¿cambia una decisión que era correcta sólo porque el historial contiene una pista antigua pero verosímil?

La respuesta es incómoda. En Qwen3-1.7B, la contaminación revierte el 32,1% de las decisiones que el modelo resolvía correctamente en la trayectoria original. No se trata de que el agente olvide el objetivo ni de que la ventana se llene de texto aleatorio. El fallo nace de once tipos de información histórica que han perdido vigencia: entidades antiguas, argumentos ya inválidos, convenciones de formato o estados que dejaron de representar el mundo. La continuidad narrativa, que normalmente ayuda, se convierte en una fuente de obediencia equivocada.

El diseño del benchmark evita una escapatoria habitual. Cada caso incluye tres vistas del mismo problema: la trayectoria original, la historia contaminada y un estado oráculo que conserva la situación real. La última petición y el resultado correcto no cambian. Por eso, cuando el agente se desvía, no puede atribuirse el error a una tarea distinta. El experimento aísla el peso causal de la historia. Una traza puede ser sintácticamente impecable y, aun así, empujar la política fuera de la acción correcta.

Los autores no proponen simplemente borrar memoria. Entrenan a un estudiante que sólo ve la historia contaminada con supervisión blanda de un profesor condicionado por el estado oráculo. La precisión equilibrada en uso de herramientas sube al 87%, frente al 66,3% de un ajuste supervisado sobre respuestas oro. Con un profesor de 8.000 millones de parámetros, el estudiante de 1.700 millones alcanza el 91,9%. La mejora transfiere también a historiales limpios, funciones no vistas y otros benchmarks, una señal de que el modelo aprende a jerarquizar evidencia y no sólo a memorizar correcciones.

La consecuencia operativa va más allá de un resultado de laboratorio. Los asistentes persistentes mezclan mensajes del usuario, salidas de herramientas, resúmenes automáticos, notas internas y decisiones antiguas dentro de una sola continuidad textual. A ojos del modelo, todas esas piezas pueden parecer igual de presentes. Para una persona, en cambio, «lo dijo el usuario ayer», «lo devolvió una API hace una hora» y «lo resumió otro agente» tienen autoridades distintas. El texto no conserva por sí solo esa jerarquía.

Una memoria fiable necesita al menos tres propiedades que rara vez aparecen en la demo. La primera es procedencia: quién originó cada dato y mediante qué canal. La segunda es vigencia: durante cuánto tiempo sigue representando el estado real. La tercera es autoridad: qué fuente puede corregir o invalidar a cuál. Guardar una frase sin esos metadatos preserva contenido, pero destruye el contrato que permitía usarlo. En una preferencia de estilo el coste puede ser pequeño; en una compra, un despliegue o una cita editorial, la diferencia es decisiva.

También cambia la forma de depurar. Cuando un agente ejecuta una acción equivocada después de cincuenta turnos, resulta tentador corregir el último prompt o añadir una prohibición. When History Lies obliga a mirar antes: quizá el sistema reconstruyó el presente con un dato que ya había caducado. La reparación no consiste entonces en redactar una instrucción más enfática, sino en invalidar estados, marcar versiones, resolver contradicciones y limitar qué recuerdos pueden autorizar una acción sensible.

Hay una lección de producto. Las interfaces celebran la memoria como ausencia de fricción: el asistente «ya te conoce». Pero conocer no es acumular. Un sistema útil debe saber qué ha cambiado desde la última vez y ofrecer una forma visible de corregirlo. Debería poder responder no sólo qué recuerda, sino de dónde salió, cuándo fue confirmado y por qué continúa vigente. Sin esa trazabilidad, la personalización puede convertirse en una máquina muy eficiente de repetir decisiones antiguas.

El trabajo tiene límites. La contaminación está controlada y los autores conocen el estado oráculo; en producción, determinar qué parte del mundo cambió es bastante más difícil. Tampoco toda contradicción se resuelve con una regla temporal: una política del sistema puede conservar prioridad sobre una petición reciente, mientras una observación nueva invalida una cifra antigua. Precisamente por eso el resultado importa. Demuestra que el orden de los mensajes no basta como modelo de autoridad.

La prueba más útil sería cotidiana: pedir al agente que enumere qué recuerdos cambiarían su decisión actual y cuáles sólo aportan contexto. Si no puede separar ambos grupos, la memoria todavía es almacenamiento, no criterio.

La memoria larga deja de ser una ventaja automática. Puede reducir preguntas, conservar contexto y permitir trabajo de días, pero también amplifica una instrucción caducada hasta convertirla en decisión. El agente fiable no es el que recuerda más. Es el que distingue entre historia y estado, conserva la procedencia y sabe cuándo un pasado plausible ha dejado de mandar.

Fuente primaria: When History Lies: Evaluating and Improving Tool Use under Misleading Multi-Turn Histories, arXiv

Leer el artículo →
Visión · causalidad

El agente recorta la imagen y luego contesta como si nunca la hubiera mirado

Un audit causal sobre seis modelos y cinco benchmarks separa mirar de aparentar que se mira. Las mejoras se concentran en una minoría calibrada; muchas llamadas no influyen en la respuesta.

Un agente multimodal recorta una imagen, amplía una esquina y vuelve a mirar. La trayectoria parece razonamiento: hay acciones, observaciones intermedias y una respuesta final. Pero esa apariencia no demuestra que la imagen devuelta haya cambiado la decisión. El modelo puede llamar a la herramienta y contestar con la intuición que ya tenía antes; también puede encontrar una pista útil y continuar haciendo zoom hasta perderla. Contar llamadas confunde actividad con uso efectivo de evidencia.

The Illusion of Visual Tool-Use audita esa diferencia con una pregunta causal: ¿la observación visual que devuelve la herramienta influye realmente en la respuesta? Los autores estudian seis modelos representativos y cinco benchmarks de percepción fina. No se limitan a comparar precisión con y sin herramientas. Intervienen sobre la trayectoria para separar el efecto de mirar una región del efecto narrativo de haber decidido mirarla.

El método trabaja en tres niveles. En el nivel de política compara inferencia directa y política con herramientas. En el de trayectoria corrompe todas las observaciones visuales durante el despliegue y mide cómo cambia el resultado. En el de paso sustituye una observación concreta por un contrafactual manteniendo fijo todo el prefijo anterior. Su estimador, Visual Evidence Gain, intenta aislar cuánto aporta el contenido devuelto y no la mera presencia textual de una acción de recorte.

El marco distingue tres caminos hacia la respuesta. Está la ruta directa desde la imagen y la pregunta; la ruta deseada, en la que una llamada produce una observación que informa la decisión; y un atajo inducido por la acción, donde el hecho de haber emitido «amplía esta zona» modifica la confianza aunque el recorte no aporte nada. Ese último camino explica por qué una trayectoria puede resultar convincente para un revisor y, al mismo tiempo, estar causalmente desconectada de su propia evidencia.

Los experimentos encuentran dos fallos. El primero, Calling Without Looking, aparece cuando el agente usa una herramienta, pero sustituir el contenido observado no cambia su respuesta. La llamada funciona como decorado de razonamiento. El segundo, Looking Without Planning, aparece cuando la observación sí contiene información útil, pero la secuencia de llamadas es incoherente: el modelo continúa después de acertar, repite regiones irrelevantes o abandona una pista mejor por otra peor.

El contraste con la precisión agregada es el centro del paper. Las mejoras existen, pero se concentran en una minoría calibrada de trayectorias. En muchas otras, el modelo gasta más tokens y tiempo sin extraer una ventaja causal de la imagen; incluso puede fallar preguntas que la inferencia directa resolvía bien. Los autores llaman a esta discrepancia «ilusión de uso de herramientas visuales»: el benchmark mejora un poco y la trayectoria parece sofisticada, pero la herramienta no está ayudando de forma amplia ni consistente.

La observación tiene una consecuencia inmediata para las evaluaciones. Medir cuántas veces un agente busca, recorta o consulta una fuente premia el movimiento. Medir sólo el acierto final tampoco permite distinguir una respuesta informada de una casualidad o de un atajo. Hace falta comprobar si la evidencia intermedia puede cambiar la conclusión en la dirección correcta. En visión, el paper lo hace sustituyendo imágenes; en búsqueda, podría hacerse retirando documentos; en código, alterando la salida de una prueba concreta.

También cuestiona una parte del entrenamiento por resultado. Si la recompensa sólo mira la respuesta final, el modelo puede aprender una coreografía asociada al éxito sin aprender cuándo la herramienta resulta necesaria. Emitir un recorte se convierte en una señal de esfuerzo, igual que un razonamiento largo puede convertirse en una señal estilística. Los autores plantean que ese aprendizaje favorece políticas mal calibradas: saben producir la forma del proceso, pero no gobernar su utilidad.

La solución no es prohibir herramientas visuales. La minoría calibrada demuestra que pueden aportar evidencia decisiva. La mejora está en decidir cuándo llamar, dónde mirar y cuándo detenerse. Una política madura debería estimar primero si la imagen original ya basta; después elegir una región con una hipótesis verificable; y finalmente parar cuando la nueva observación resuelve la incertidumbre. Más llamadas no son más inteligencia si ninguna cambia el diagnóstico.

El trabajo conserva límites claros. Los benchmarks son de percepción fina y la intervención causal usa tareas con respuestas evaluables; un flujo creativo o una inspección abierta no se reduce con facilidad al mismo estimador. Además, corromper una observación no reproduce todos los errores reales de una herramienta. Aun así, el método ofrece algo que falta en muchas demos: una prueba de que el sistema utilizó lo que dice haber visto.

Esa prueba puede traducirse a una práctica de ingeniería. Antes de añadir una herramienta, conviene definir en qué incertidumbre debe intervenir y qué cambio observable demostraría que sirvió. Después se comparan tres rutas: respuesta directa, respuesta con herramienta y respuesta con una observación sustituida o retirada. Si la decisión permanece idéntica ante evidencia contradictoria, el sistema no está mirando; si cambia de manera errática, mira sin plan. Sólo cuando la observación relevante mejora la decisión y la irrelevante no la secuestra existe uso calibrado.

La economía también importa. Cada recorte añade tokens de imagen, latencia y puntos de fallo. En una demo, el movimiento puede parecer prudencia. A escala, una política que consulta por costumbre multiplica coste sin elevar fiabilidad. El criterio de parada forma parte de la herramienta igual que el crop: saber cuándo ya se ha visto bastante evita que la búsqueda de evidencia destruya una respuesta correcta.

La lectura editorial alcanza a cualquier agente que deja un rastro vistoso. Un historial con búsquedas, capturas y llamadas puede servir para auditar, pero sólo si el sistema demuestra qué pieza sostuvo cada decisión. De lo contrario, el registro es una narración posterior. La herramienta cuenta cuando su evidencia altera correctamente la respuesta; todo lo demás es movimiento facturado.

Fuente primaria: The Illusion of Visual Tool-Use: Causal Auditing of Thinking-with-Images Models, arXiv

Leer el artículo →
Herramientas · interfaz

El modelo ya sabe programar; el JSON le obliga a pedir permiso paso a paso

Exponer funciones como stubs de Python iguala o supera al JSON en 11 de 14 modelos, gana un 10,6% en GPT-5.6 y mantiene cien llamadas paralelas sin omisiones.

La llamada de herramientas nació como un contrato de estructura: el modelo emite un objeto JSON con el nombre de una función y sus argumentos, el sistema ejecuta la acción y devuelve el resultado. El formato es verificable y funciona bien para una operación aislada. Pero cuando una tarea exige encadenar resultados, abrir decenas de consultas o transformar una salida antes de usarla, el agente paga una ronda de inferencia por cada enlace y expresa como objetos separados una lógica que ya sabe escribir como programa.

The Bitter Lesson of Tool Calling, de Ishan Patel, Sahil Sen, Elias Lumer y Vamse Kumar Subbiah, compara esa interfaz con otra: exponer las herramientas como stubs tipados de Python y permitir que el modelo escriba un script que las combine. La ejecución y la captura de resultados ocurren dentro de un subprocess. La pregunta no es si el modelo sabe programar, sino si obligarlo a traducir cada acción a JSON le resta capacidad efectiva.

El estudio evalúa catorce modelos publicados entre noviembre de 2024 y julio de 2026 sobre una muestra de 309 entradas de BFCL v4, distribuida entre ocho categorías. La llamada programática iguala o supera a la nativa en once de los catorce modelos. La familia GPT-5.6 mejora un 10,6% frente a la línea base JSON. No todos ganan: tres generaciones antiguas de GPT quedan por debajo, una señal de que el paradigma funciona cuando la capacidad de código ya existe y no como atajo universal.

La diferencia crece en las cadenas largas. En una llamada JSON, el modelo debe emitir una función, esperar, incorporar la salida y volver a inferir el siguiente paso. Con stubs de Python puede describir dependencias, bucles y transformaciones dentro de un único programa. Para cadenas de doce o más enlaces, la ventaja absoluta alcanza el 18,8%. El resultado no convierte cualquier razonamiento en código; muestra que una parte de la coordinación era coste impuesto por la interfaz.

El fan-out revela un límite más duro. Cuando la tarea pide muchas llamadas independientes, el formato nativo empieza a omitir acciones por encima de un umbral específico del modelo. En Claude Sonnet 5, el estudio sitúa la caída entre 70 y 72 llamadas. La variante programática mantiene el 100% de enumeración a cien. Un bucle puede expresar la intención completa sin pedir al modelo que repita cien objetos dentro del canal de herramientas.

El tercer ensayo contamina el contexto con información irrelevante. La llamada programática permanece estable, mientras JSON pierde un 2,3% de media. Una condición secundaria basada en descubrir herramientas desde el sistema de archivos cae un 32%, por lo que los autores la presentan como referencia y no como alternativa industrial. La lectura útil es más modesta: una interfaz compacta y componible resiste mejor cuando el historial crece.

El benchmark controla una objeción importante. Ambas variantes deben producir el mismo conjunto correcto de funciones y argumentos, y el scorer normaliza las salidas. Los stubs no contactan servicios externos; capturan argumentos y devuelven estructuras comparables. Así, la ventaja no procede de una API más fácil ni de respuestas diferentes. Cambia el mecanismo para expresar y ejecutar las llamadas, no la tarea que se puntúa.

En producción, sin embargo, ejecutar código amplía la superficie de riesgo. Un JSON limitado a una función conocida es más fácil de autorizar que un script con bucles, archivos o red. La adopción sensata necesita un sandbox, límites de recursos, una lista explícita de stubs y validación de los efectos. Programar herramientas mejora composición; no concede permiso para programar el entorno entero. La capacidad y la autoridad siguen siendo capas separadas.

También obliga a revisar cómo se calcula el coste. Una sola inferencia puede reemplazar muchos turnos, pero el subprocess añade tiempo y el programa puede lanzar más llamadas externas. El ahorro real debe medirse por tarea verificada: tokens, latencia, errores, reintentos y efectos. El paper mide precisión y estructura en un benchmark determinista; no afirma que cada servicio de producción vaya a ser más barato ni que el código sea siempre preferible.

La auditabilidad tampoco desaparece al pasar a código. Un script corto puede ser más legible que una secuencia de veinte objetos, porque muestra en un lugar las dependencias y el paralelismo. Pero sólo si el sistema conserva el programa, las entradas, las versiones de los stubs y cada resultado. Sin ese registro, la composición eficiente se convierte en una caja negra más rápida. El beneficio técnico debe venir acompañado de una traza que permita reproducir qué se ejecutó.

Hay además una decisión de granularidad. No toda API necesita convertirse en una biblioteca enorme ofrecida al modelo. Stubs pequeños, tipados y limitados reducen ambigüedad; una superficie gigantesca devuelve el problema al contexto. Diseñar herramientas como código implica seleccionar primitivas que puedan componerse sin exponer autoridad innecesaria. El buen arnés no entrega más botones: entrega los justos y permite combinarlos con precisión.

La conclusión más profunda afecta al diseño del arnés. Dos sistemas con el mismo modelo pueden mostrar capacidades distintas porque uno fuerza una gramática torpe y otro aprovecha habilidades ya aprendidas. La interfaz deja de ser fontanería neutral. Decide qué dependencias puede expresar el agente, cuántas rondas necesita y dónde aparece el límite de escala. Medir sólo el modelo oculta una parte del sistema que condiciona el resultado.

JSON seguirá siendo útil para acciones simples, auditables y de alto riesgo. El código gana cuando hay cadenas largas, paralelismo o composición determinista. La elección no debería convertirse en religión: puede hacerse por tarea. Lo que este estudio desmonta es la idea de que el formato de llamada no importa. Si el agente ya sabe programar, impedirle componer herramientas es pedirle que piense con una mano atada.

Fuente primaria: The Bitter Lesson of Tool Calling, arXiv

Leer el artículo →

Más noticias del día

El resto del pulso
Depuración · trayectorias

El último error visible puede ser sólo la factura del primero

TrajDebug comprime historiales a varias escalas y sigue el ciclo de vida de cada fallo para encontrar cuál permaneció activo hasta el desenlace.

Una trayectoria larga acumula fallos locales, compensaciones y síntomas. Señalar la última pantalla roja no explica qué decisión hizo inevitable el final. TrajDebug reúne evidencia dispersa, identifica errores concretos y comprueba si fueron resueltos o conservaron impacto terminal.

TrajErrBench reúne 486 trayectorias fallidas anotadas manualmente de Tau2Bench y SWE-Bench Pro. La aportación práctica es cambiar la pregunta: no «¿dónde falló?», sino «¿qué error siguió vivo?».

Fuente primaria: TRAJDEBUG, arXiv

Leer el artículo →
MCP · infraestructura

MCP elimina sesiones para volver a caber en infraestructura normal

La especificación 2026-07-28 retira del núcleo el handshake y el session ID: cada petición puede llegar a cualquier instancia, escalar a cero y sobrevivir sin sticky sessions.

Better Stack explica por qué el protocolo abandona una parte de su diseño original. Sin sesión obligatoria, round-robin, funciones efímeras y reinicios dejan de exigir una base compartida sólo para recordar conexión.

La interacción humana y las tareas largas vuelven como extensiones serializables. Hay cambios incompatibles y migración de SDKs, aunque la retirada de APIs tendrá al menos doce meses. Menos protocolo significa menos coste, no ausencia de trabajo.

Ver el análisis técnico de Better Stack

Leer el artículo →
Software · programa

La fábrica autónoma empieza antes de soltar a los agentes

Dex Horthy coloca primero el problema, la medida de éxito, la arquitectura, el call stack y las pruebas. Una intención vaga automatizada sólo fabrica deuda más deprisa.

La entrevista aparta el fetiche del agente que recibe una frase y desaparece. Si se quiere leer menos código, hay que invertir más en regresión, evals, CI, navegador y mecanismos que mantengan al humano capaz de explicar el sistema.

La autonomía necesita un marcador observable. Ante un resultado medible, el agente puede probar variantes; ante «hazlo mejor», sólo puede improvisar. La planificación no desaparece: cambia de lugar.

Ver la entrevista de David Ondrej con Dex Horthy

Leer el artículo →
Local · hardware

Bionic elimina el contador de tokens y lo sustituye por VRAM

LM Studio Bionic crea archivos, compila C y ejecuta tests en el PC. Las tareas acotadas funcionan; un proyecto complejo conserva bugs incluso con una RTX 5090 de 32 GB.

Gary Explains prueba un modelo abierto de 12B y unos 7 GB. El código y las inferencias permanecen en la máquina, pero el harness no convierte un modelo pequeño en frontera: un intérprete más ambicioso termina con defectos y fugas.

El coste variable desaparece de la API y reaparece en memoria, electricidad, velocidad y calidad del modelo que cabe. Privacidad local no significa capacidad ilimitada.

Ver la prueba local de LM Studio Bionic

Leer el artículo →
GPU compartida · acceso

NaN convierte la GPU en una cuota mensual con cola

Por 70 euros al mes anuncia 500 millones de tokens en DeepSeek V4-Flash; el plan de 200 euros ofrece 3.000 millones en GLM 5.2 con ventanas y concurrencia limitadas.

La comunidad afirma procesar en la Unión Europea sin registrar prompts ni respuestas. Son condiciones publicadas por el proveedor, no una auditoría independiente. Las plazas dependen de capacidad física y lista de espera.

La membresía puede estabilizar la factura de un consumo alto, pero cambia el contrato: cuota, caudal y cola en lugar de taxímetro. El coste por tarea sigue necesitando medir espera y reintentos.

Consultar tarifas y límites publicados por NaN

Leer el artículo →
Hardware · acceso

Comprar la máquina cambia la factura, no la elimina

Bionic trabaja con modelos abiertos en Windows y Mac Apple Silicon. Sin tokens remotos, el cálculo pasa a VRAM, electricidad, descarga y amortización del equipo.

La web oficial ofrece el agente local para Windows y Apple Silicon. La privacidad y el control resultan valiosos, sobre todo en proyectos continuos, pero la calidad queda limitada por el modelo que cabe y por la velocidad aceptable.

La elección real ya tiene tres columnas: API para demanda irregular, clúster compartido para consumo sostenido y hardware propio cuando privacidad o volumen justifican la inversión.

Consultar LM Studio Bionic

Leer el artículo →
Investigación · fuentes

Los papers del día

Cuatro trabajos del jueves sobre interfaces de herramientas, depuración de trayectorias, autoridad temporal de la memoria y causalidad visual.

Las herramientas como código

Los stubs de Python permiten encadenar y paralelizar sin pagar una inferencia por cada objeto JSON.

Abrir The Bitter Lesson of Tool Calling

TrajDebug sigue el error vivo

El diagnóstico comprime el historial y distingue un síntoma tardío del fallo que todavía condiciona el resultado.

Abrir TRAJDEBUG

When History Lies fecha la memoria

Un rastro plausible pero obsoleto puede revertir una decisión correcta si el agente no distingue estado de historia.

Abrir When History Lies

La ilusión de mirar

Intervenciones causales comprueban si cada observación visual influyó realmente en la respuesta.

Abrir The Illusion of Visual Tool-Use

Hemeroteca · repositorio

Vídeos y ediciones anteriores

Ediciones anteriores

  1. 05 agoLos agentes ya acumulan experiencia; todavía no saben convertirla en oficio
  2. 04 agoEl agente que no vuelve a mirar trabaja sobre un mundo que ya cambió
  3. 03 agoEl agente barato no será un modelo: será una memoria que no llama al modelo
  4. 02 agoLos agentes aprueban porque sus jueces son demasiado blandos
  5. 01 agoLa siguiente frontera no es otro modelo: es fabricar mejores tareas, recuerdos y entornos
  6. 31 julEl agente ya actúa; el problema es quién certifica que no se ha equivocado
  7. 30 julLos agentes ya hacen la ingeniería; el criterio de investigación sigue sin automatizarse
  8. 29 julSin nueva remesa de arXiv: la frontera está en verificadores externos y coste por tarea
  9. 28 julUn agente fiable necesita pruebas pegadas al estado y memoria antes de la pregunta
  10. 27 julEl agente fiable empieza por controlar el bucle, no por confiar en el modelo
  11. 26 julEl agente empieza a entrenarse dentro de su propio arnés
  12. 25 julOpus 5 convierte la frontera en herramienta diaria
  13. 24 julEl arnés ya forma parte del modelo: entrenar agentes reales exige memoria, verificación y vigilancia continua
  14. 23 julLa frontera agéntica se desplaza del prompt a la infraestructura: memoria íntegra, verificación separada y skills bajo sospecha
  15. 22 julEl agente serio ya no solo intenta: sabe cuándo insistir, cuándo escalar y a quién vigilar
  16. 21 julEl agente fiable empieza a prever las consecuencias antes de tocar la pantalla
  17. 20 julMás agentes no siempre ayudan: el cuello de botella está en lo que se pierde al pasarse el relevo
  18. 19 julEl agente deja de improvisar: memoria compartida, planes visibles y costes medidos por trabajo terminado
  19. 18 julLa IA aprende a vigilarse a sí misma: OpenAI construye un superhacker para blindar sus modelos mientras la medicina automática llama a la puerta de la consulta
  20. 17 julLos agentes dejan de ir a ciegas: estado persistente, evidencia visual y taxonomías de fallo para sistemas que ya tocan el mundo real