Radar de inteligencia artificial
xArtisans · Edición diaria
2 septiembre 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

La IA cruza la pantalla: toca máquinas, rebobina vídeos y pide permiso para entrar en el historial clínico

Cómo leer este reloj

Un estándar intenta ordenar el mundo físico, Gemini administra su propia atención audiovisual y OpenAI conecta datos sanitarios. El ahorro existe; la responsabilidad no se puede automatizar.

La portada de hoy

La IA decide qué tocar, qué mirar y qué historia clínica leer

Anthropic conecta agentes con máquinas, Gemini elige qué fragmentos de vídeo mirar y ChatGPT entra en el historial clínico: tres avances que convierten permisos, trazabilidad y revisión humana en parte del producto.

🎧 El día en vozEl resumen del día contado por Alba · 3 min 37 sVoz sintética generada con IA · Alba I.
La viñeta del día
Viñeta diaria de Sol con el contador exacto QUEDAN 624 DÍAS DE 1000

La IA ya toca la máquina, rebobina el vídeo y hojea el historial; el humano conserva la responsabilidad. · Sol

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

Lo que hoy hace correr el reloj

Robótica · infraestructura

Un idioma común para que el agente toque el mundo

Anthropic abre una vista previa de MHS para conectar instrumentos incompatibles; la interfaz reduce traducciones, no elimina el riesgo físico.

La inteligencia artificial ya no se conforma con leer una pantalla. Anthropic ha abierto una vista previa de investigación de Model Hardware Standard (MHS), una especificación compartida para que agentes de IA puedan descubrir, entender y operar equipos físicos programables. El campo de pruebas no es una casa llena de robots domésticos, sino laboratorios y plantas industriales: microscopios, manipuladores de líquidos, brazos robóticos, cámaras y sistemas láser. Es una diferencia importante. La empresa no anuncia una autonomía física general ni un estándar terminado; propone una capa común para reducir el trabajo artesanal que hoy exige conectar máquinas incompatibles.

El problema que intenta resolver resulta menos vistoso que una demostración de robótica, pero condiciona todo lo demás. Un laboratorio puede tardar semanas o meses en integrar instrumentos de distintos fabricantes. Cada uno expone su propia interfaz, guarda parte de su conocimiento en manuales y depende de especialistas que saben qué puede hacerse, en qué orden y con qué límites. Cuando se añade un modelo, aparece otra traducción: convertir las intenciones del agente en órdenes que la máquina acepte y que no salten sus restricciones. MHS quiere convertir esa sucesión de adaptadores a medida en una interfaz repetible.

Un vocabulario común para máquinas distintas

La pieza central es un controlador estandarizado. Traduce entre el dispositivo y un conjunto pequeño de primitivas, como leer una temperatura o escribir un nuevo valor. También publica una descripción de las características de la máquina: qué mide, qué puede ajustarse y qué límites de seguridad deben imponerse. Parte de ese contexto puede expresarse en lenguaje natural. El ejemplo de Anthropic es el peso de un brazo robótico, un dato que quizá no sea evidente en el código pero sí importa para manipularlo con seguridad.

Después, el agente puede acceder al dispositivo mediante MCP, línea de comandos o archivos de código. Esa combinación separa dos ritmos. El modelo puede supervisar un experimento, interpretar resultados y decidir el siguiente paso; las secuencias rápidas o repetitivas pueden empaquetarse en un programa determinista. Anthropic cuenta que Claude ajustó un láser, observó el desplazamiento del haz con una cámara y repitió el ciclo hasta entenderlo. Luego convirtió lo aprendido en un script. La escena no demuestra que el modelo «comprenda» la óptica como un científico: demuestra una forma práctica de pasar de exploración probabilística a ejecución reproducible.

La vista previa empezó como una colaboración con HHMI Janelia Research Campus. En pruebas tempranas, Genentech coordinó un manipulador de líquidos, un brazo y un lector de placas para un ensayo de proteínas. Investigadores de Carnegie Mellon afirman haber ejecutado experimentos de dosis-respuesta unas tres veces más rápido. QuEra permitió que un agente controlara parte del sistema láser de sus ordenadores cuánticos y comunicó una recuperación automática del bloqueo de frecuencia en el 99,3% de los casos. Son resultados aportados por los participantes y por el proveedor; no equivalen todavía a una evaluación independiente ni garantizan el mismo rendimiento fuera de esos montajes.

La seguridad no cabe en una API

La promesa fuerte del estándar es que los límites de una máquina puedan declararse y aplicarse de manera consistente. Pero una interfaz común no vuelve seguro un sistema por sí sola. Reduce la improvisación en el enlace entre software y hardware; no elimina errores del modelo, sensores defectuosos, permisos demasiado amplios ni fallos físicos que el software interpreta mal. Anthropic reconoce un caso revelador: en Genentech, Claude tuvo que ser guiado para entender que la espuma en una muestra era un problema material y no un error informático. La corrección exigía actuar sobre el mundo, no reintentar una llamada.

Ese límite es el centro editorial de la noticia. Un agente puede recibir un catálogo de capacidades y restricciones, pero sigue aprendiendo el mundo físico principalmente a través de texto e imágenes. Peso, inercia, fricción, contaminación o fatiga de un componente no siempre se manifiestan como un mensaje limpio. En un chat, una respuesta equivocada puede corregirse; en un brazo, una centrífuga o un láser, el error puede romper una muestra, un instrumento o algo más. Por eso la vista previa incorpora socios que deben construir evaluaciones de seguridad antes de una futura publicación como código abierto.

También hay un límite de cobertura: MHS sólo funciona con hardware dotado de interfaz programable. Los equipos cerrados o antiguos necesitan nuevos controladores y cooperación del fabricante. AWS, Automata, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face y Raspberry Pi figuran entre las organizaciones que prueban o preparan compatibilidad. Esa lista importa porque un estándar triunfa menos por la elegancia de su documento que por la cantidad de máquinas reales capaces de hablarlo.

Lo que cambia hoy

Para los equipos de laboratorio, MHS podría abaratar la integración y conservar conocimiento que ahora vive en manuales y en la memoria de unos pocos técnicos. Para los fabricantes, abre una vía para ofrecer sus dispositivos como herramientas descubribles por agentes. Para quienes gobiernan esos sistemas, obliga a responder preguntas que el software empresarial podía posponer: qué persona autoriza una acción, qué registro queda, qué operaciones son reversibles y cuándo un humano debe recuperar el control.

No estamos ante el «momento USB» de la robótica porque la especificación sigue en investigación, el acceso es limitado y la seguridad aún se está definiendo. Sí aparece una pieza de infraestructura que faltaba. La IA física no avanza sólo con modelos mejores; necesita un contrato entre la intención estadística y la máquina concreta. Anthropic intenta escribir ese contrato. El mérito se medirá cuando otros modelos, otros fabricantes y evaluadores ajenos puedan probar que las mismas órdenes producen comportamientos previsibles y que los límites sobreviven a un agente que se equivoca.

Fuente: Anthropic · Model Hardware Standard Research Preview.

Leer el artículo →
Vídeo · agentes

Gemini decide qué segundo merece ser visto

El nuevo bucle busca y remuestrea fragmentos para gastar menos tokens; cada ahorro añade una decisión invisible sobre lo que queda fuera.

Mirar un vídeo con inteligencia artificial ha significado hasta ahora convertirlo en una entrada estática: muestrear fotogramas a un ritmo fijo, añadir audio o transcripción y enviar el paquete al modelo. Ese método obliga a pagar por escenas irrelevantes y puede perder justo el instante que responde a la pregunta. Google DeepMind presenta hoy otra estrategia para Gemini: el modelo decide qué fragmento necesita, a qué velocidad debe revisarlo y si conviene consultar imágenes, sonido o texto. La empresa lo llama comprensión de vídeo agéntica.

La función llega a Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite para vídeos subidos y enlaces de YouTube mediante la API de Gemini en Google AI Studio y Gemini Enterprise Agent Platform. No es un nuevo modelo ni un precio separado. Se activa indicando un procesamiento «agentic» y utiliza la tarifa normal de tokens. Según las pruebas publicadas por Google, puede reducir el consumo de tokens hasta un 88%, el coste hasta un 66% y aumentar la precisión hasta un 7%. El «hasta» manda: son máximos medidos por el proveedor en determinados conjuntos de evaluación, no un descuento uniforme para cualquier archivo.

De ingerirlo todo a buscar lo necesario

En el procesamiento estático, el desarrollador elige una frecuencia —un fotograma por segundo por defecto, ajustable— y acepta el intercambio entre detalle y coste. Con pocos fotogramas, una transición breve, un gesto rápido o una anomalía pueden desaparecer. Con muchos, una clase de noventa minutos se transforma en una factura enorme aunque la pregunta se refiera a treinta segundos. El nuevo bucle permite que Gemini explore primero, localice zonas prometedoras y vuelva a muestrearlas con más resolución temporal.

DeepMind describe cuatro usos: recuperar momentos de menos de un segundo, buscar una señal dentro de vídeos largos, detectar anomalías y contar acciones u objetos repetidos. La diferencia práctica no consiste en «ver como una persona», sino en disponer de una herramienta interna para cargar segmentos concretos. El razonamiento genera una hipótesis de búsqueda; la herramienta aporta el trozo; el modelo comprueba si basta o vuelve a mirar. Es el mismo patrón que han adoptado los agentes que consultan documentos o ejecutan código, aplicado a una línea de tiempo audiovisual.

Rohan Doshi, Senior Product Manager de Google DeepMind, resume el cambio al explicar que el sistema determina «what to watch, at what speed, and through which modality». La frase es verificable en el anuncio oficial y define también el nuevo riesgo: una respuesta puede fallar no sólo porque el modelo interprete mal lo observado, sino porque decida no mirar el lugar correcto. Ahorrar tokens exige una política de atención; esa política se convierte en parte del sistema que debe evaluarse.

El ahorro también puede ocultar una omisión

En una búsqueda sencilla —encontrar el momento en que cambia una diapositiva— el bucle resulta intuitivo. En vigilancia, control de calidad, seguros o revisión de incidentes, no basta con mostrar una respuesta convincente. Hay que conservar qué intervalos se inspeccionaron, con qué frecuencia y por qué otros quedaron fuera. Una anomalía breve puede ser el dato decisivo. Si el modelo reduce el coste ignorándola, la eficiencia contable habrá empeorado la decisión.

El anuncio aporta comparaciones en LongVideoBench y ejemplos de conteo rápido y búsqueda de agujas en grabaciones extensas. También sostiene que Gemini 3.7 Flash queda en la frontera entre precisión y coste de los modelos probados. Falta información pública suficiente para convertir esos gráficos en una regla general: los resultados dependen del tipo de vídeo, la pregunta, la duración, la compresión y la presencia de transcripción. Tampoco sabemos aún cómo se comporta el sistema ante montajes adversarios, subtítulos erróneos o audio que contradice la imagen.

La privacidad tampoco desaparece porque se procesen menos tokens. La función admite archivos subidos y YouTube; en entornos empresariales habrá que examinar retención, región, permisos y uso de los datos con las condiciones concretas del servicio. El hecho de que el modelo consulte sólo fragmentos relevantes puede reducir cómputo, pero el sistema sigue necesitando acceso al vídeo. Para material sensible, esa distinción debe explicarse antes de vender el ahorro como protección.

Un nuevo coste por resultado, no sólo por minuto

La economía del vídeo con IA deja de ser una multiplicación simple de duración por frecuencia de muestreo. Cada pregunta puede abrir una ruta distinta por el archivo. Una consulta precisa quizá requiera pocos fragmentos; otra, formulada con ambigüedad, puede activar múltiples búsquedas. Los equipos deberán medir coste por respuesta revisada y no quedarse con la cifra máxima del anuncio. También conviene separar el coste de inferencia del trabajo humano que valida el momento encontrado.

Google planea extender estas mejoras a la aplicación Gemini y, en los próximos meses, a «Ask YouTube». Eso lleva la técnica desde la API hasta usuarios que no verán el bucle interno. La interfaz tendrá que distinguir entre una respuesta apoyada en todo el vídeo y otra construida a partir de una selección. En periodismo, educación o investigación, enlazar el minuto exacto y permitir abrir el contexto no es un detalle: es la manera de convertir la búsqueda automática en evidencia revisable.

La noticia de hoy no es que Gemini «entienda los vídeos». Es que empieza a administrarlos como una tarea: busca, vuelve atrás, cambia de velocidad y elige canal. Puede ser más barato y más preciso que tragarse cada segundo con el mismo peso. También añade una decisión invisible que merece registro. El agente ya no sólo responde sobre lo que vio; decide qué merece ser visto.

Fuente: Google DeepMind · Introducing agentic video understanding with Gemini, 1 de septiembre de 2026.

Leer el artículo →
Salud · datos sensibles

El historial clínico entra en el chat; el consentimiento no cabe en una casilla

OpenAI conecta Epic y nueve fuentes públicas a ChatGPT for Healthcare, con controles empresariales y una nueva obligación de trazabilidad.

OpenAI ha conectado ChatGPT for Healthcare con entornos de Epic y ha añadido un complemento que consulta nueve fuentes públicas sanitarias. La novedad permite que organizaciones autorizadas lleven al asistente notas de citas, resultados de laboratorio, medicación y documentación de especialistas, o que integren ChatGPT dentro del flujo del historial clínico electrónico. También incorpora acceso estructurado a recursos como PubMed, DailyMed, ClinicalTrials.gov, RxNorm y coberturas de CMS. La promesa es reunir contexto disperso; la obligación es demostrar que cada acceso estaba permitido y que cada síntesis puede corregirse.

El lanzamiento no está dirigido a una cuenta personal que sube documentos médicos por su cuenta. La integración con el EHR se ofrece a organizaciones sanitarias y requiere administración del espacio, elegibilidad y configuración regulada. OpenAI enumera controles empresariales como acceso basado en roles, inicio de sesión único y registros de auditoría, y señala que, con el acuerdo de socio comercial aplicable, pueden configurarse flujos compatibles con HIPAA. La compatibilidad no es automática ni convierte cualquier uso en conforme: depende del contrato, la configuración, el propósito y las prácticas de cada entidad.

Una pregunta sencilla cruza muchos permisos

El producto propone preguntas que un clínico reconoce: qué cambió desde la última visita, qué resultados recientes conviene revisar, si hubo cambios de medicación o qué seguimientos siguen pendientes. ChatGPT reúne información relevante y remite a los elementos del historial que sustentan el resumen. Esa última parte es esencial. En medicina, una frase fluida no puede sustituir el dato original, su fecha, el profesional que lo registró ni el contexto en que se tomó una decisión.

La conexión puede funcionar en dos direcciones de interfaz: llevar contexto autorizado del EHR a ChatGPT o incrustar la asistencia dentro del propio historial. En ambos casos, la utilidad depende de mantener los permisos existentes. Un médico, una enfermera, un investigador y un equipo administrativo no deberían ver lo mismo sólo porque comparten una herramienta conversacional. El asistente hereda una red de derechos, excepciones y responsabilidades que ya era compleja antes de añadir un modelo.

El complemento Healthcare Public Data cubre nueve fuentes oficiales y permite trabajar con registros, campos, identificadores y versiones. Un equipo puede comparar criterios de elegibilidad de ensayos, confirmar la etiqueta y advertencias de un medicamento o revisar una política de cobertura. Es un avance sobre la búsqueda abierta porque acota la procedencia, pero no elimina conflictos entre versiones, cambios regulatorios ni diferencias entre evidencia científica y decisión clínica. La respuesta debe mostrar de qué fuente sale cada afirmación y cuándo fue actualizada.

Las cifras del proveedor y lo que no prueban

OpenAI comunica que colabora con cientos de médicos de 60 países, 49 idiomas y 26 especialidades, y que estos profesionales han revisado más de 700.000 respuestas. Para evaluar el trabajo con contexto de EHR, médicos puntuaron 4.363 respuestas distribuidas en 27 casos de uso —entre ellos preparación de visita, cronologías, revisión de medicación y resúmenes de traspaso— y consideraron seguras el 99,1%. En otra evaluación, más del 93% de las respuestas sobre cada una de cinco fuentes conectadas recibieron una valoración de precisión «buena» o superior.

Son datos relevantes, pero proceden del anuncio de la empresa. «Seguro» no significa correcto en cada detalle, y un porcentaje agregado puede ocultar el impacto desigual de los errores. Un 0,9% de respuestas no consideradas seguras merece análisis por categoría y gravedad, especialmente si la herramienta se usa a gran escala. Tampoco se publican en el anuncio todos los casos, rúbricas, desacuerdos entre evaluadores ni resultados por idioma o especialidad. La lectura responsable es que existe un programa de evaluación amplio, no que el riesgo clínico haya quedado resuelto.

La herramienta se presenta para apoyar trabajo que profesionales y equipos revisan. Esa frontera debe sobrevivir al despliegue. Si el ahorro de tiempo convierte el resumen en una verdad que nadie contrasta, la supervisión descrita en el producto será nominal. Conviene diseñar controles que no dependan de una advertencia al pie: enlaces al historial, marcas de información ausente, avisos ante contradicciones y registro de quién aceptó o corrigió la salida.

Consentimiento, propósito y posibilidad de rectificar

El historial clínico contiene más que diagnósticos. Incluye hábitos, salud mental, tratamientos reproductivos, información familiar y notas que pueden afectar empleo, seguros o relaciones personales. Que una organización tenga acceso legal a un dato no responde por sí solo a si debía usarlo para una tarea concreta. El principio de mínimo privilegio exige limitar tanto la persona como el propósito y el periodo. Una integración útil debería permitir saber qué documentos leyó el sistema, qué dato descartó y cómo retirar o corregir información.

También existe el problema de la propagación. Una síntesis errónea puede copiarse a un informe, un correo, una presentación o software generado por Codex. OpenAI destaca precisamente que el mismo espacio gobernado conecta herramientas de negocio. Esa continuidad ahorra pasos, pero amplía el radio de una mala interpretación. La trazabilidad debe acompañar al contenido cuando sale del chat; no basta con conservar un registro en la conversación original.

Para el paciente, la cuestión de fondo no es si la respuesta suena médica, sino si puede comprender y disputar el uso de sus datos. ¿Sabe que una IA intervino? ¿Puede pedir el origen de una afirmación? ¿Existe una persona responsable de rectificarla? ¿La decisión final se tomó sobre el historial original o sobre un resumen? Estas preguntas no atacan la utilidad del producto. Son las condiciones para que el contexto conectado no se convierta en poder opaco.

ChatGPT entra así en uno de los sistemas más sensibles de una organización. Puede reducir búsquedas mecánicas y acercar evidencia oficial al trabajo clínico. Pero la calidad de un asistente sanitario no se mide sólo por cuánto reúne, sino por cuánto permite verificar, limitar y corregir. En salud, el contexto es valioso precisamente porque pertenece a alguien.

Fuente: OpenAI · Healthcare organizations can now connect EHR and additional industry data to ChatGPT, 1 de septiembre de 2026.

Leer el artículo →

Más noticias del día

El resto del pulso
IA local · técnica

Doscientos siete kernels para que WebGPU deje de ser sólo una promesa portátil

Hugging Face publica kernels WebGPU para inferencia local en navegador. Es la única pieza técnica del día: no demuestra que cualquier portátil pueda sustituir a la nube, pero reduce una barrera concreta para ejecutar parte de la IA cerca del usuario. Su efecto práctico habrá que medirlo por compatibilidad, memoria y rendimiento real.

Hugging Face publica kernels WebGPU para inferencia local en navegador. Es la única pieza técnica del día: no demuestra que cualquier portátil pueda sustituir a la nube, pero reduce una barrera concreta para ejecutar parte de la IA cerca del usuario. Su efecto práctico habrá que medirlo por compatibilidad, memoria y rendimiento real.

Abrir la fuente del día

Leer el artículo →
Vídeo · análisis

Apple y la decisión de alquilar la inteligencia o guardarla en casa

Nate B. Jones interpreta la renovación de Mac como una apuesta por más memoria y cómputo local. Es análisis editorial, no anuncio oficial ni prueba de que una máquina personal iguale a un centro de datos. Aporta una pregunta útil: qué tareas justifican pagar infraestructura propia y cuáles necesitan la elasticidad de la nube.

Nate B. Jones interpreta la renovación de Mac como una apuesta por más memoria y cómputo local. Es análisis editorial, no anuncio oficial ni prueba de que una máquina personal iguale a un centro de datos. Aporta una pregunta útil: qué tareas justifican pagar infraestructura propia y cuáles necesitan la elasticidad de la nube.

Abrir la fuente del día

Leer el artículo →
Vídeo · guía

Pesos, VRAM y cuantización sin vender la máquina doméstica como gratis

La guía explica que un modelo local es un archivo ejecutado por el propio ordenador y aterriza los compromisos: privacidad y ausencia de coste por token a cambio de hardware, energía, mantenimiento y modelos más pequeños. Es material introductorio, no una comparativa de rendimiento ni de seguridad.

La guía explica que un modelo local es un archivo ejecutado por el propio ordenador y aterriza los compromisos: privacidad y ausencia de coste por token a cambio de hardware, energía, mantenimiento y modelos más pequeños. Es material introductorio, no una comparativa de rendimiento ni de seguridad.

Abrir la fuente del día

Leer el artículo →
Interfaces · agentes

MCP Apps: la herramienta deja de devolver sólo texto

El equipo de Copilot explica MCP Apps como una extensión que permite a las herramientas ofrecer interfaces HTML interactivas dentro del asistente, en un iframe aislado. Es una presentación de producto, no una evaluación independiente; vale como señal de que el agente empieza a necesitar interfaz y contexto visual, no sólo llamadas de herramienta.

El equipo de Copilot explica MCP Apps como una extensión que permite a las herramientas ofrecer interfaces HTML interactivas dentro del asistente, en un iframe aislado. Es una presentación de producto, no una evaluación independiente; vale como señal de que el agente empieza a necesitar interfaz y contexto visual, no sólo llamadas de herramienta.

Abrir la fuente del día

Leer el artículo →
Acceso · coste total

La IA local cambia tokens por VRAM, electricidad y mantenimiento

La ejecución local evita parte de la cuota mensual y del pago por uso, además de conservar archivos en la máquina. No es gratis: traslada el coste a memoria, hardware, energía, tiempo de configuración y límites de modelo. La decisión sana no es nube contra local, sino qué coste compra una entrega correcta en cada tarea.

La ejecución local evita parte de la cuota mensual y del pago por uso, además de conservar archivos en la máquina. No es gratis: traslada el coste a memoria, hardware, energía, tiempo de configuración y límites de modelo. La decisión sana no es nube contra local, sino qué coste compra una entrega correcta en cada tarea.

Abrir la fuente del día

Leer el artículo →
Acceso · contratos

GPU compartida y pago por token reparten la factura de manera distinta

NaN ofrece GPU compartida legal con cuotas y límites publicados; OpenRouter muestra modelos y precios por uso. La suscripción compra un borde conocido, mientras que el token compra flexibilidad y convierte cada reintento o contexto largo en coste. La comparación útil sigue siendo coste por resultado revisado, no la promesa de acceso ilimitado.

NaN ofrece GPU compartida legal con cuotas y límites publicados; OpenRouter muestra modelos y precios por uso. La suscripción compra un borde conocido, mientras que el token compra flexibilidad y convierte cada reintento o contexto largo en coste. La comparación útil sigue siendo coste por resultado revisado, no la promesa de acceso ilimitado.

Abrir la fuente del día

Leer el artículo →
Investigación · fuentes

Papers del día

Las cuatro piezas técnicas y periodísticas del brief cerrado, con fuentes verificadas y radar completo.

Anthropic propone un estándar de hardware para que un agente toque el mundo físico con menos improvisación

El Model Hardware Standard Research Preview plantea una interfaz común entre modelos y dispositivos físicos. Es una propuesta de la propia empresa, no una auditoría de robots desplegados; precisamente por eso hay que leerla como infraestructura en prueba. Lo relevante es material: cuando un agente pasa del chat a una cámara, un brazo o un sensor, los permisos, el aislamiento y el comportamiento verificable dejan de ser detalles de UX.

Abrir la fuente

Gemini convierte el vídeo en una tarea para agentes: mirar, buscar y encadenar acciones

DeepMind presenta capacidades de comprensión de vídeo agéntica en Gemini. La novedad no se reduce a resumir un clip: propone localizar momentos, razonar sobre secuencias y usar ese material dentro de flujos de trabajo. Es un lanzamiento del proveedor; sus límites reales dependerán de disponibilidad, privacidad de los archivos y pruebas fuera de la demo.

Abrir la fuente

ChatGPT Health conecta historiales clínicos: el contexto útil llega con un problema de consentimiento incluido

OpenAI comunica conexiones con EHR y fuentes sanitarias adicionales para organizaciones de salud. El cambio es humano antes que técnico: una herramienta conversacional puede recibir información de enorme sensibilidad. Utilidad, trazabilidad, permisos y posibilidad de corregir una mala interpretación pasan a importar más que el tono fluido de la respuesta.

Abrir la fuente

Más de 200 kernels WebGPU para IA local: la técnica que intenta quitar fricción entre el modelo y el navegador

Hugging Face publica kernels WebGPU para inferencia local en navegador. Es la única pieza técnica del día: no demuestra que cualquier portátil pueda sustituir a la nube, pero reduce una barrera concreta para ejecutar parte de la IA cerca del usuario. Su efecto práctico habrá que medirlo por compatibilidad, memoria y rendimiento real.

Abrir la fuente

Hemeroteca · repositorio

Vídeos y ediciones anteriores

Ediciones anteriores

  1. 01 sepUn robot con cuerpo, acceso local y la factura que no sale en la demo
  2. 30 agoLa IA sale a la pista, escucha mejor y obliga a mirar quién vigila el clic
  3. 29 agoLa seguridad de la IA empieza a automatizarse justo cuando los agentes salen del chat
  4. 28 ago
  5. 27 agoLa carrera agéntica ya no se gana sólo con un modelo: se gana con memoria, entorno y frenos
  6. 26 agoLa ventaja agéntica se está mudando del modelo al sistema que lo hace trabajar
  7. 25 agoEl agente ya migra repositorios enteros; el problema es que casi nunca termina bien
  8. 24 agoEl agente se abarata por fases, pero sigue necesitando una autoridad que diga ‘esto está bien’
  9. 23 agoDomingo sin gran anuncio: el trabajo agéntico sigue ganándose en el arnés, no en el titular
  10. 22 agoEl agente aprende del trabajo real; la autonomía sigue necesitando pruebas y llaves cortas
  11. 21 agoLos agentes empiezan a aprender del trabajo real; la factura sigue dependiendo del arnés
  12. 20 agoLa carrera agéntica se juega en el arnés: aprender, corregirse y pagar la infraestructura sin incendiar la factura
  13. 18 agoLo que el agente no tiene delante, se lo inventa: la frontera mide hoy la disponibilidad del dato
  14. 16 agoLa IA ya no vende solo modelos: compra el código, marca las palabras y multiplica el daño
  15. 15 agoLos agentes aprenden a recordar y replicar; el negocio aprende a cobrar el acceso
  16. 14 agoLa frontera agéntica aprende que el arnés también piensa —y también falla
  17. 13 agoLa frontera agéntica descubre que el control vale más que otra capa de autonomía
  18. 12 agoLos agentes aprenden a evolucionar, pero la factura se decide en la arquitectura
  19. 11 agoLa frontera agéntica se desplaza del modelo al sistema que lo controla
  20. 10 agoLos agentes empiezan a borrar memoria, auditarse y medir el error de verdad
  21. 09 agoLa autonomía aprende a desconfiar de su propio historial
  22. 08 agoLa autonomía aprende a rendir cuentas
  23. 07 agoEl agente empieza a programar su propio arnés
  24. 05 agoLos agentes ya acumulan experiencia; todavía no saben convertirla en oficio
  25. 04 agoEl agente que no vuelve a mirar trabaja sobre un mundo que ya cambió
  26. 03 agoEl agente barato no será un modelo: será una memoria que no llama al modelo
  27. 02 agoLos agentes aprueban porque sus jueces son demasiado blandos
  28. 01 agoLa siguiente frontera no es otro modelo: es fabricar mejores tareas, recuerdos y entornos
  29. 31 julEl agente ya actúa; el problema es quién certifica que no se ha equivocado
  30. 30 julLos agentes ya hacen la ingeniería; el criterio de investigación sigue sin automatizarse
  31. 29 julSin nueva remesa de arXiv: la frontera está en verificadores externos y coste por tarea
  32. 28 julUn agente fiable necesita pruebas pegadas al estado y memoria antes de la pregunta
  33. 27 julEl agente fiable empieza por controlar el bucle, no por confiar en el modelo
  34. 26 julEl agente empieza a entrenarse dentro de su propio arnés
  35. 25 julOpus 5 convierte la frontera en herramienta diaria
  36. 24 julEl arnés ya forma parte del modelo: entrenar agentes reales exige memoria, verificación y vigilancia continua
  37. 23 julLa frontera agéntica se desplaza del prompt a la infraestructura: memoria íntegra, verificación separada y skills bajo sospecha
  38. 22 julEl agente serio ya no solo intenta: sabe cuándo insistir, cuándo escalar y a quién vigilar
  39. 21 julEl agente fiable empieza a prever las consecuencias antes de tocar la pantalla
  40. 20 julMás agentes no siempre ayudan: el cuello de botella está en lo que se pierde al pasarse el relevo
  41. 19 julEl agente deja de improvisar: memoria compartida, planes visibles y costes medidos por trabajo terminado
  42. 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
  43. 17 julLos agentes dejan de ir a ciegas: estado persistente, evidencia visual y taxonomías de fallo para sistemas que ya tocan el mundo real