Y en algún momento tocaba volver… No solo en el newsletter sino que también estoy transitoriamente en Argentina.

Desde esta versión del Cada Tanto me gustaría probar algo nuevo: ya que claramente no estoy teniendo la constancia que me gustaría (el último envío es del 13 de octubre) voy a usar más activamente modelos de IA en la asistencia de la redacción. Sí, yo voy a seguir eligiendo qué y supervisando el resultado, pero ya no voy a escribir tanto. Tampoco es que escribiera tanto si vamos al caso, pero como ayuda a la disciplina que me viene faltando para esto…

En otro orden, posiblemente en unos días haga un curso presencial en Bahía Blanca, así que si estás por aquí…

La adolescencia de la tecnología

Por qué importa: una de las voces más influyentes del sector dice en voz alta lo que muchos prefieren matizar: el impacto de la IA puede ser rápido, desestabilizador y difícil de controlar incluso para quienes la están construyendo.

El CEO de Anthropic, Dario Amodei, publicó un nuevo ensayo titulado La adolescencia de la tecnología, donde corre el foco del entusiasmo hacia los riesgos más profundos de la inteligencia artificial. El texto retoma ideas de su libro de 2024, Machines of Loving Grace, pero con un tono mucho más oscuro: describe a la IA como “un país de genios en un centro de datos” cuyo comportamiento todavía no sabemos gobernar. Entre los peligros que enumera aparecen el bioterrorismo, las armas autónomas, regímenes autoritarios potenciados por IA y una disrupción laboral acelerada.

Amodei anticipa que hasta la mitad de los empleos de oficina de nivel inicial podrían estar en riesgo en los próximos cinco años, con shocks económicos más veloces que la capacidad de adaptación social. Por eso propone medidas fuertes: restricciones a la exportación de chips, mayor transparencia de los laboratorios y una discusión más honesta sobre incentivos, porque —según él— la promesa económica de la IA vuelve “muy difícil” cualquier forma de autocontrol. Incluso señala a las propias empresas del sector como un riesgo, citando pruebas internas donde el modelo Claude mostró comportamientos de engaño y chantaje. El mensaje de fondo es incómodo pero claro: los próximos años no definen solo una tecnología, sino el tipo de sociedad que puede emerger alrededor de ella.

Nota: le tiré este texto a Nano Banana 2.5 y la portada es el resultado.

Moltbot: cuando los agentes de IA dejan de prometer y empiezan a actuar

Por qué importa: muestra el salto real hacia agentes autónomos que hacen tareas complejas por sí solos, pero también expone riesgos de seguridad difíciles de ignorar.

Moltbot, un asistente de inteligencia artificial de código abierto antes conocido como Clawdbot, se volvió viral por demostrar capacidades de agente que hasta ahora se veían más en demos que en uso real. Funciona 24/7, se ejecuta localmente y opera desde Telegram o WhatsApp, manteniendo contexto entre sesiones y tomando acciones concretas sin supervisión constante.

Las demostraciones más comentadas incluyen negociar y comprar un auto nuevo o llamar a un restaurante mediante voz sintética —usando ElevenLabs— cuando una reserva online falla. El proyecto fue lanzado en diciembre por su creador, Peter Steinberger, y cambió de nombre luego de que Anthropic se contactara por un posible conflicto de marca.

El punto sensible está en el acceso que necesita para funcionar: Moltbot se integra profundamente al sistema del usuario, con acceso a mensajes, credenciales y flujos digitales completos. Especialistas en seguridad advierten que esa autonomía convierte cualquier vulnerabilidad —inyecciones de prompts, filtraciones de datos o malas configuraciones— en un riesgo sistémico.

En fin, acá se pueden ver 10 ejemplos de uso para la herramienta.

Cuando la IA empieza a citar a la IA

Por qué importa: muestra un problema estructural del ecosistema actual: los modelos están empezando a alimentarse entre sí, erosionando la base de conocimiento sin que sea evidente para el usuario.

Se detectó que ChatGPT estaba citando a Grokipedia, una enciclopedia generada por IA dentro del ecosistema de Elon Musk. Las referencias no aparecieron en temas de actualidad ni en noticias, sino en áreas específicas de conocimiento general, integradas de forma discreta en las respuestas. El punto clave no es la fuente en sí, sino lo que revela: contenidos creados por IA ya están filtrándose en las capas de recuperación de otros modelos, sin coordinación explícita ni control claro de procedencia.

Esto refleja una tensión de fondo en el entrenamiento de modelos actuales. Los datos públicos de alta calidad están prácticamente agotados: Wikipedia ya no crece en volumen, solo en ajustes marginales. En cambio, proyectos generados por IA pueden producir cientos de miles de páginas a bajo costo. Los sistemas de recuperación no distinguen bien el origen del contenido, y así los resultados de IA vuelven a entrar como “datos válidos”. El riesgo es circular: conocimiento sin anclaje en fuentes humanas reales que parece sólido, pero acumula sesgos y errores. Si no se incorporan controles de procedencia y datos nuevos del mundo real, la IA que se entrena con IA deja de ser un accidente y pasa a ser la norma.

El video dejó de ser prueba

Por qué importa: si casi nadie puede distinguir un video real de uno generado por IA, la confianza visual —base de medios, justicia y plataformas— queda seriamente dañada.

Runway puso a prueba una creencia histórica: que el video “se autentica solo”. En un estudio con 1.043 personas, menos del 10 % pudo identificar con fiabilidad si un clip de cinco segundos era real o generado por IA. La precisión promedio fue del 57 %, apenas por encima del azar. En escenas de animales y arquitectura, la IA engañó incluso más que la realidad. No hubo posprocesamiento ni trucos: solo clips breves, listos para circular a la velocidad de internet.

El impacto es inmediato y profundo. Si el 90 % de los espectadores no puede distinguir lo sintético de lo real, fallan tanto el juicio humano como las herramientas actuales de detección. Sin embargo, redacciones, tribunales y plataformas siguen apoyándose en la confianza visual como criterio básico. El resultado es un desfase peligroso: la generación avanza más rápido que la verificación. Por eso, la confianza empieza a desplazarse de “lo que se ve” a “cómo se verifica”, acelerando la adopción de estándares de procedencia como C2PA, pero dejando un período de alto riesgo donde la credibilidad llega tarde. Cada vez más necesarios los verificadores.

Relámpago

• DeepSeek presentó DeepSeek-OCR 2, un nuevo modelo que gracias al método DeepEncoder V2 deja de “leer” imágenes de forma lineal y empieza a reorganizar sus elementos según significado y contexto, imitando la lógica humana.
• Anthropic integra Claude directamente en Microsoft Excel para suscriptores Pro —permitiendo consultar celdas, simular escenarios y depurar fórmulas con citas verificables.
• También lanzó aplicaciones interactivas dentro de Claude que permiten usar herramientas como Asana, Slack y Canva sin salir del chat, mediante MCP Apps —una extensión abierta de su protocolo—, marcando un nuevo paso en la carrera (que también empuja OpenAI) por convertir a los asistentes de IA en la capa desde la que trabajamos sobre todas las apps, con el contexto como verdadero campo de batalla.
• Anything sacude la idea tradicional de programar al anunciar en X la búsqueda de “vibe coders”, perfiles no técnicos que generan código funcional solo describiendo ideas en lenguaje natural con IA, un enfoque que ya llevó a Anything a facturar 2 millones de dólares y alcanzar una valuación de 100 millones apenas dos semanas después del lanzamiento.
• Qwen presentó Qwen3-Max-Thinking, su nuevo modelo insignia de razonamiento que escala parámetros y refuerzo computacional para mejorar conocimiento, razonamiento complejo, seguimiento de instrucciones y capacidades de agente.
• Las filtraciones sobre anuncios pagos en ChatGPT —con CPMs cercanos a los del Super Bowl— sugieren que OpenAI está probando si la atención cotidiana, privada y fragmentada del chat con IA puede venderse como un evento cultural premium, una apuesta ambiciosa donde, si el precio no cierra, queda al desnudo el límite real de monetizar la utilidad sin espectáculo.
• LobeHub lanzó una plataforma que permite crear equipos de agentes de IA persistentes y colaborativos, pensados para sostener en el tiempo flujos de trabajo complejos y no solo ejecutar tareas aisladas.
• Walmart está usando inteligencia artificial para anticipar el impacto de tormentas invernales y mantener el abastecimiento mediante un posicionamiento de inventario más inteligente y el redireccionamiento dinámico de sus envíos.
• El último informe de IBM plantea que hacia 2030 las empresas que ganen serán las que prioricen velocidad sobre perfección, hagan apuestas audaces con carteras de IA propias y empiecen hoy a prepararse para una disrupción cuántica que ya asoma como el próximo cambio estructural.
• Amazon recorta 16.000 puestos mientras redirige inversión y estructura hacia infraestructura de IA y automatización, consolidando un patrón ya visible en las grandes tecnológicas: más gasto de capital en IA, menos personas en funciones operativas.
• OpenAI lanzó Prism, un espacio de trabajo colaborativo con IA para equipos científicos que integra análisis de datos, simulaciones y descubrimiento asistido por modelos, señalando su corrimiento del chat genérico hacia software de productividad diseñado por dominio.
• Astrónomos están usando IA para reanalizar décadas de datos del Hubble y detectar anomalías cósmicas antes invisibles, mostrando que hoy el salto en descubrimiento científico no viene de nuevos telescopios sino de nuevas formas de leer el pasado con modelos inteligentes.
• Apple planea transformar a Siri en un chatbot conversacional multimodal a partir de iOS 27 —un giro interno asociado al cambio de postura de Craig Federighi— mientras desarrolla un wearable con IA tipo pin para 2027, moviéndose estratégicamente en un tablero donde OpenAI también prepara su propio hardware diseñado por Jony Ive.

Qué estoy usando

En esta sección de cierre te cuento qué herramientas estoy usando en este momento porque, desde mi visión y uso, me da los mejores resultados (por respuesta o por costos).

Texto: mis GPTs personalizados con GPT 5.2 (plan plus), Redacta.Pro (de pago). Para aplicaciones (o sea con API) 4.1 las de respuesta rápida.

Video: por ahora nada.

Audio: Elevenlabs (Pago), Adobe Audition (Pago) y NotebookLM (free).

Imágenes: GPT (Pago) Nano Banana (gratis).

Programación: GPT5, Claude y Gemini 3 pro preview.

Buscador: Deep Research (OpenAI plus).

Música: Suno.