Ayer escuché en un podcast una pregunta recurrente: “¿Es tarde para subirse al tren de la IA?”.

Todas las semanas aparecen nuevos modelos, herramientas, funciones y promesas. Es fácil marearse, sentir que uno siempre está llegando tarde o, directamente, desconectarse porque el ritmo parece imposible de seguir. Un poco para responder a ese problema existe Cada Tanto: una selección de las noticias que me parecen realmente importantes, acompañadas por algo de contexto y una lectura sobre por qué pueden cambiar nuestra forma de trabajar, crear o informarnos.

También puede pasar lo contrario: creer que ya estamos arriba del tren porque usamos ChatGPT o Claude para buscar información, resumir un documento o reescribir una nota. Pero ahí hay una trampa. Esas funciones son apenas la capa más visible y básica de estos modelos. La IA empieza a ser realmente transformadora cuando deja de ayudarnos con una tarea aislada y empieza a participar de procesos completos: investigar, comparar fuentes, analizar datos, programar, crear materiales, coordinar herramientas o ejecutar trabajos durante más tiempo con cierto grado de autonomía.

Esto no significa que todos tengamos que probar cada herramienta ni convertirnos en especialistas. De hecho, intentar seguir todas las novedades es probablemente la mejor manera de no entender ninguna. La clave, para mí es otra: escuchar qué está cambiando, identificar qué problema concreto tenemos hoy y probar si alguna de estas tecnologías puede resolverlo. Y, sobre todo, volver a intentarlo dentro de dos meses. Algo que hoy funciona mal, resulta caro o necesita demasiada supervisión puede convertirse muy rápido en una oportunidad real.

Esa es una de las particularidades de este momento. En otras etapas tecnológicas, probar una herramienta y descartarla podía ser una decisión bastante definitiva. Con la IA, una mala experiencia envejece rápido. Los modelos mejoran, bajan de precio, incorporan nuevas capacidades y empiezan a conectarse con los programas que ya usamos. Por eso, más que aprender una lista de productos, necesitamos desarrollar el hábito de revisar nuestras certezas. Lo que hace poco parecía una demostración curiosa puede convertirse en una forma práctica de trabajar.

No creo que sea tarde para subirse al tren de la IA. Tampoco creo que alcance con haberse subido una vez. Lo importante es mantener la curiosidad, probar con criterio y entender que las oportunidades no aparecen todas al mismo tiempo. Cada Tanto intenta acompañar ese proceso: bajar el ruido, señalar lo que importa y abrir preguntas antes de que los cambios se vuelvan inevitables.

Y si conocés a alguien —un periodista, un creador, un colega o simplemente una persona curiosa— a quien este newsletter pueda ayudar a entender un poco mejor lo que está pasando, compartíselo. En un momento tan ruidoso, encontrar buenas conversaciones también es una forma de no quedarse atrás.

Astra lleva la IA de la respuesta al descubrimiento

OpenAI reveló que Astra, una versión interna de su próxima familia de modelos, produjo diez avances en problemas abiertos de matemática e informática teórica. Entre ellos aparece la primera construcción explícita de un grupo no sófico —una búsqueda abierta desde 1999—, una refutación de la conjetura de rigidez de Connes, una solución a la conjetura de volumen de Ehrhart y resultados sobre tres problemas de Paul Erdős. La compañía estima que las ejecuciones exitosas costaron unos 2.000 dólares en tokens y publicó las demostraciones junto con certificados formales en Lean.

El resultado es impactante, pero necesita contexto. OpenAI reconoce que algunos trabajos resuelven problemas y otros representan avances sustanciales, y que los manuscritos fueron preparados por humanos con ayuda del mismo modelo. Además, el matemático de Anthropic Levent Alpöge afirmó haber reproducido cinco resultados con Claude Fable en 24 horas, usando una consigna genérica y sin acceso a internet. Eso no invalida a Astra, pero sugiere que el salto podría no pertenecer a un único modelo: varios sistemas de frontera estarían entrando en una etapa donde pueden explorar problemas científicos de forma autónoma.

La discusión sobre si una IA merece una Medalla Fields es llamativa, aunque quizá se adelanta al problema real. La cuestión más importante es qué pasa cuando producir una demostración cuesta miles de dólares y horas de cómputo, pero revisarla, comprenderla y ubicarla dentro de una disciplina sigue dependiendo de comunidades humanas. La IA puede estar reduciendo drásticamente el costo de descubrir; todavía no resolvió quién valida, atribuye y decide qué descubrimientos importan.

OpenAI vuelve a bajar el precio de la inteligencia

OpenAI redujo con fuerza el precio de GPT-5.6: Luna pasa a costar 0,20 dólares por millón de tokens de entrada y 1,20 por salida —una baja del 80%—, mientras Terra queda en 2 y 12 dólares, un 20% menos. Sol mantiene sus tarifas, pero suma un modo rápido que ofrece hasta 2,5 veces más velocidad por el doble de precio. La estrategia es clara: reservar el modelo más avanzado para las tareas críticas y volver mucho más barata la automatización cotidiana y de gran volumen.

La reducción no surge solamente de comprar más chips. OpenAI asegura que Sol ayudó a reescribir y optimizar el código que ejecuta sus propios modelos, aumentando más de un 15% la eficiencia de generación de tokens y reduciendo un 20% el costo total de servicio. Es un círculo interesante: los modelos más capaces empiezan a colaborar en el abaratamiento de la siguiente capa de inteligencia, y parte de ese ahorro se traslada ahora a los clientes.

Lo importante es cómo cambia la economía de los agentes. A estos precios, Luna puede encargarse de clasificar documentos, ejecutar pasos rutinarios, probar código o sostener procesos en segundo plano, mientras Sol interviene solo cuando hace falta más razonamiento. OpenAI presenta a Luna como líder en costo por tarea, aunque sus comparaciones deben leerse como métricas propias. Aun así, la tendencia es difícil de ignorar: el costo de la inteligencia está cayendo y empieza a volver rentables flujos de trabajo que hace pocos meses eran demasiado caros para operar a escala.

Nuevos Modelos

• Perplexity lanzó Model Council, una función que enfrenta las respuestas de varios modelos dentro de una misma consulta. La apuesta es convertir la comparación —y no la confianza en un único sistema— en parte del producto.
• Alibaba lanzó Qwen3.8-Max, un modelo de 2,4 billones de parámetros que busca competir con Anthropic y superar a Kimi K3 de Moonshot. El lanzamiento refuerza el avance chino en IA de frontera pese a las restricciones de acceso a modelos estadounidenses.
• La china MiniMax presentó H3, un modelo multimodal abierto capaz de generar y editar video 2K con audio estéreo desde texto, imágenes, video o audio. La apuesta combina calidad audiovisual y pesos abiertos en un terreno cada vez más competitivo.
• Black Forest Labs lanzó FLUX 3 Video, un modelo multimodal que genera clips HD de hasta 20 segundos con audio nativo a partir de texto o imágenes. La empresa también prepara versiones abiertas, reforzando su apuesta por competir en video sin depender de modelos cerrados.

Seguridad

• Anthropic reveló que tres modelos de Claude, incluido Opus 4.7, escaparon de entornos de prueba y comprometieron infraestructura real creyendo que seguían en una simulación.
• Google retiró en menos de un día la integración de Nano Banana 2 en Google Earth después de que el investigador Henk van Ess demostrara que podía fabricar escenas falsas sobre imágenes satelitales reales. El problema no fue solo la generación, sino que las falsificaciones heredaban la credibilidad de una herramienta usada históricamente para verificar hechos.
• La Casa Blanca convocó a OpenAI, Anthropic, Meta y Google para revisar un marco voluntario de pruebas de ciberseguridad sobre modelos de frontera antes de su lanzamiento. La iniciativa puede ayudar a detectar fallas críticas, aunque su impacto dependerá de que los laboratorios acepten participar y de cuánta transparencia exista.
• La Comisión Europea ya puede revisar, bloquear y multar a proveedores como OpenAI, Anthropic y Google bajo la Ley de IA de la UE. El cambio marca el fin del “lanzar primero y corregir después” para los modelos de frontera en Europa.
• Interpol advirtió que la IA ya aparece en el 55% de los ciberdelitos reportados en África, con pérdidas que superaron los US$484 millones y una explosión de estafas, phishing y deepfakes. El continente funciona como señal temprana de un problema global: los atacantes escalan más rápido que las defensas.

Qué está pasando

• Google DeepMind presentó Gemini Robotics ER 2, un modelo de “razonamiento encarnado” que actúa como cerebro de planificación para robots y permite coordinar varias máquinas en espacios compartidos. La apuesta es pasar de robots aislados a sistemas capaces de colaborar entre sí.
• Disney reemplazará GitHub Copilot, Kiro y Amazon Q por Codex, mientras mantiene Claude y Cursor, después de que varios ingenieros reportaran poco uso y baja calidad. El cambio marca el paso del “copiloto” que sugiere al agente que ejecuta tareas completas desde la terminal.
• Estudios de Nuvei y otras consultoras muestran que los consumidores aceptarían antes que la IA compre alimentos o productos básicos que viajes, lujo o servicios financieros. Más que confianza, parece delegación de lo irrelevante: la autonomía empieza donde el riesgo y el valor son bajos.
• Google DeepMind desarmó el equipo original de AlphaFold, reasignó investigadores a Gemini y perdió figuras como el Nobel John Jumper, que se fue a Anthropic. El giro muestra que incluso un éxito científico histórico queda subordinado a la carrera por construir modelos generales.
• La Comisión Europea obligó a Google a abrir Android a asistentes rivales como Claude y ChatGPT y a compartir datos de búsqueda bajo la Ley de Mercados Digitales. Además, desde el 2 de agosto rigen las normas de transparencia de la Ley de IA, aunque las obligaciones para sistemas de alto riesgo se postergaron hasta diciembre de 2027.
• Wayne Liang, cofundador de HeyGen, dejó un clon suyo con IA atendiendo clientes y volvió para encontrar 132 ventas y US$3 millones en oportunidades, pero también planes inventados y datos internos filtrados. El caso resume bien el dilema de los agentes: pueden multiplicar resultados, pero sin límites claros también multiplican el riesgo.
• PwC encontró que el 86% de los ejecutivos financieros en EE. UU. valora más las habilidades de IA que un MBA para muchos nuevos empleados, mientras el 91% ya paga más por ese perfil. La paradoja es que las empresas aceleran contratación y capacitación aunque el 77% todavía no pueda demostrar un retorno claro de sus inversiones en IA.
• Levy Street usó Fable 5 para construir en 48 horas la base de un MMO abierto que ya suma casi 70.000 personajes y miles de aportes humanos y de IA. La señal es fuerte: cuando crear se abarata tanto, la ventaja deja de estar en producir y pasa a estar en elegir qué merece existir.

Para qué sirve

Esta nueva sección va a recopilar una serie de herramientas y para qué sirven (se va a ir ampliando).

• n8n.io: es para armar flujos de automatización (por ejemplo para chatbots y scrraping).
• Codex: reemplaza el chat común con Codex y Work, herramientas para gestionar tu computadora.
• Suno: para hacer música y canciones.
• Desing Arena: para diseñar componentes usando varios modelos de diferentes empresas.

Nos vemos en la próxima entrega!