Un tipo rubio aparece sentado frente a una pantalla gigante. De repente mueve la mano izquierda, en la que tiene algún tipo de puntero virtual, y dice "Crea un círculo amarillo... allí". Acto seguido, en efecto, aparece un círculo amarillo en pantalla. 

La demo "Put that there" no parece a priori demasiado espectacular, pero es que fue creada hace casi 50 años, en 1979. La realizó el MIT Architecture Machine Group y apuntaba a un futuro en el que le diríamos cosas a una máquina y esa máquina las haría.

Ese futuro está al fin mucho más cerca, y lo está de la mano de GPT-6 Astra.

Esa es la gran revolución, creemos, de este modelo. 

Olvidémonos un momento de los benchmarks

No la de los benchmarks, que están muy bien pero solo cuentan parte de la historia. Lo demuestra el hecho de que en unos puntúe increíblemente bien y en otros el resultado sea mucho menos espectacular. Por ejemplo: ha saturado el prestigioso test ARC-AGI-3 y ha logrado un 99,9% (Opus 5 llegó al 30,2%). Eso, por cierto, no significa que GPT-6 Astra sea AGI.

Sorprende que en Artificial Analysis GPT-6 Astra "solo" puntue con 61 puntos cuando Fable 5.1 llega a los 66 e incluso el reciente Muse Spark 1.3 llega a 62.

También es inquietante que haya saturado también ExploitBench (Opus 5 llegaba al 70%). Eso da buena cuenta de su capacidad en el ámbito de la ciberseguridad, algo de lo que ya avisaba OpenAI hace un par de días. Al presentarlo definitivamente, eso sí, tratan de tranquilizarnos afirmando que es el modelo de IA más alineado que jamás han creado. Según ellos, será difícil (pero no imposible) que haga cosas que no debe.

Sus resultados en muchos benchmarks son, insistimos, excepcionales, aunque curiosamente en Artificial Analysis solo logra quedar empatado con Fable 5 con 61 puntos, algo lejos de los 66 de Fable 5.1. 

En Xataka

"Hola, computadora": el futuro que nos pinta la IA de Anthropic ahora es el mismo que planteaba Star Trek en 1986

El análisis de esta plataforma. eso sí, destaca que su uso de tokens por tarea es relativamente bajo, pero estamos ante el modelo más caro de la historia de OpenAI: 10 dólares por millón de tokens de entrada y 50 dólares por millón de tokens de salida.  

Todo llamativo, sin duda, pero vamos a lo que vamos.

"Pon eso ahí"

Chris Schmandt estudiaba en el prestigioso MIT en 1977 cuando vio un anuncio de uno de sus departamentos para trabajar en un proyecto de "programación gráfica en PL/I", un arcano lenguaje de la década de los 60. 

Se apuntó, y eso le llevó a manejar uno de los primeros sistemas que podían "dibujar" píxeles en una pantalla. Eso acabó llevándole a desarrollar la citada demo "Pon eso ahí" ("Put that there") que hoy nos parece prehistoria de la tecnología pero que entonces fue visionaria y espectacular: tú le hablabas a una máquina, y la máquina hacía lo que decías.

La humanidad no ha dejado de perseguir esa idea desde entonces, aunque solo la hemos visto realmente cumplida en una industria: la del cine, que una y otra vez ha hecho realidad ese sueño tanto en series ('Star Trek', 'El coche fantástico'), como en películas ('Her' es el mejor ejemplo reciente, diría). 

Pero costaba llegar a hacer que ese futuro cristalizase. Con GPT-4o ya hubo un salto espectacular que nos permitía hablar con las máquinas de forma natural. y en el Google I/O de mayo de 2025 Project Astra nos mostró ese futuro en el que arreglar una bici con ayuda de la IA era coser y cantar.

Pero eso de que las máquinas realmente hicieran cosas por nosotros no estaba del todo a punto. Lograban hacer algunas cosas, pero no siempre del todo bien y al final siempre teníamos que 1) usar teclado y ratón para ir corrigiendo a las máquinas en cada paso y 2) la voz no era aún la interfaz definitiva.

Ahí es donde entra GPT-6 Astra. O donde promete entrar, al menos.

GPT-6 quiere hacer cosas por nosotros en nuestro PC

El nuevo modelo de OpenAI se presentaba al mundo con un vídeo singular. Uno que precisamente se iniciaba con un fragmento de esa citada demo de 1979, para luego viajar a 2026 e ir mucho más allá con la tecnología actual.

Pero claro, lo de dibujar un círculo amarillo era solo el principio. A partir de ahí los protagonistas de ese vídeo promocional muestran cómo utilizan GPT-6 Astra para convertir ese punto amarillo en parte de un cohete y luego en un videojuego, o cómo creaban una presentación sobre diseño de ropa, o cómo compraban una mesa cuya foto tenían guardada en algún lado en su ordenador, o cómo ayudaban a redactar un documento legal a un abogado. 

La demo no era especialmente espectacular porque en realidad muchas de esas cosas "más o menos" ya se las podíamos pedir a la IA. Y lo del tipo comiendo comida china mientras juega a su videojuego "vibecodeado" (argh, terrible palabro) es un poco demasiado, pero la idea que nos traslada es la que este modelo al fin nos va a permitir todo eso que las películas y las series llevan décadas mostrándonos.

Decirles a las máquinas qué queríamos, y que ellas lo hicieran.

El concepto no es en absoluto nuevo, pero son muchos los modelos de IA que llevan tiempo avanzando en ese ámbito. Hay benchmarks que precisamente muestran que aquí GPT-6 Astra puede marcar un antes y un después: OSWorld 2.0 muestra la capacidad de una IA para manejar un ordenador: GPT-5.6 Sol conseguía un 65,7% y Claude Opus 5 un 70,2%, pero Astra pega otro pequeño empujón con el 72,6%. En el test ScreenSpot-Pro, una prueba que mide la capacidad de la IA para localizar correctamente elementos de una interfaz, Astra llegaba al 92,7%. 

En Xataka

En 1987, un sistema operativo japonés intentó convertirse en el "Windows asiático": terminó en la Nintendo Switch

En OpenAI precisamente destacaban que este era "el mejor modelo de uso en uso de un ordenador" gracias a la velocidad, precisión y seguridad de este tipo de control del ordenador. "Puede rellenar formularios online, actualizar registros de clientes en un CRM, y organizar tu calendario", indican en su anuncio oficial, entre otros ejemplos. Pero hay muchos más ejemplos, como el de la competición de Excel en la que GPT-6 logra ser cuatro veces más rápido que el ganador de la competición en 2023, o el de generar un testamento con la jerga legal perfecta sin despeinarse en apenas unos segundos.

Del vibe coding al "vibe doing"

Ya habíamos visto algo parecido en un ámbito muy específico de la industria tecnológica: crear pequeñas aplicaciones y herramientas se ha vuelto sorprendentemente accesible gracias a estos modelos de IA, y el célebre vibe coding permite que cualquiera pueda conseguir resultados que hace apenas unos años exigían saber programar

He vivido el "milagro" del vibe coding: así es como he programado una app de Android TV sin tener ni idea de programar

Lo que pasa es que esto no va de vibe coding, sino de vibe doing.

La idea ya no se limita a que la IA desarrolle y programe código por ti en tu ordenador, sino de que lo haga prácticamente todo por ti en tu ordenador. Y todo controlado por la voz, aunque por supuesto puedas seguir usando ratón y teclado.

Esa capàcidad de actuar directamente sobre la interfaz gráfica de nuestro ordenador hace que este elemento se convierta en una especie de API universal. Una API tradicional o protocolos como MCP siguen siendo de momento una forma mucho más eficiente y fiable de que una IA interactúe con un servicio, pero el problema es que alguien tiene que haber creado antes esa integración.

El "modo" computer use ofrece un plan B fantástico. Si un viejo programa de contabilidad no tiene API pero un ser humano puede usarlo mirando la pantalla, moviendo el ratón y escribiendo con el teclado, un agente suficientemente capaz puede hacer exactamente lo mismo. De repente millones de webs, aplicaciones y sistemas diseñados exclusivamente para personas pasan a ser también utilizables directamente por máquinas.

No estamos diciendo que GPT-6 Astra sea perfecto, ni mucho menos, o que ya podemos ir olvidándonos de manejar nuestro ordenador con ratón y teclado. Eso tardará si es que acaba ocurriendo: El 72,6% de Astra en OSWorld también se puede leer a la inversa: en más de una cuarta parte de las tareas del benchmark no logra completar con éxito lo que se le pide. Una tasa de fallo todavía terrible para muchas tareas profesionales o delicadas.

Sea como fuere, lo que plantea GPT-6 Astra es un cambio al que ya hace tiempo que parece apuntar el mundo de la IA: Hasta ahora usar un ordenador consistía en saber cómo conseguir algo. Si queríamos averiguar cuánto habíamos gastado en viajes el último año había que saber abrir la hoja de cálculo, escribir fórmulas, crear una tabla y quizás exportarla después a PDF. 

En Xataka

La IA está volviendo a poner de moda algo que creíamos que solo era para friquis: la línea de comandos

El vibe doing precisamente está dirigido a eliminar buena parte de ese "cómo". Nosotros ponemos el "qué": "dime cuánto he gastado en viajes este año y prepárame un informe", y la máquina se encarga de averiguar qué aplicaciones tiene que abrir, dónde están los datos, qué botones tiene que pulsar y qué necesita para conseguirlo. 

Es en parte irónico. Durante medio siglo hemos dedicado ingentes cantidades de tiempo y dinero a que los ordenadores fueran más fáciles de utilizar. Pasamos de la línea de comandos a las interfaces gráficas, del teclado al ratón y de ahí a las pantallas táctiles. Inventamos ventanas, carpetas, iconos, menús y botones para conseguir que cualquiera pudiese manejar una máquina.

Ahora estamos entrenando máquinas para que puedan utilizar todas esas interfaces que habíamos creado para nosotros. Y puede que lo hagamos precisamente para no tener que utilizarlas. Qué cosas.

Me gustaría saber qué opina Chris Schmandt de todo esto. Creo que le parecería maravilloso.

En Xataka | OpenAI y Anthropic tienen un problema: los nuevos modelos baratos de Google y Meta ya son demasiado buenos

Nvidia lleva meses preparándonos para la llegada de DLSS 5. Esta nueva versión de su tecnología plantea según la compañía un salto generacional en los gráficos para videojuegos. Durante semanas hemos visto imágenes y vídeos en redes sociales que han generado una gran polémica porque algunos juegos se transformaban casi en películas. Hemos podido probar la tecnología en su primera implementación comercial en 'NBA 2K27' y lo que hemos visto tiene muy poco de polémica y mucho de mejora sutil.

No es el DLSS que conocíamos. Hasta ahora asociábamos DLSS sobre todo con ganar rendimiento. Los sistemas de IA de esta tecnología reconstruían la imagen a mayor resolución, generaban fotogramas o mejoraban el ray tracing. Con DLSS 5 el objetivo cambia: Nvidia lo llama 3D-Guided Neural Rendering y hace uso de un modelo de IA como última etapa del proceso de renderizado para modificar aspectos como la iluminación y la respuesta de los materiales. La empresa asegura que quiere lograr los gráficos en tiempo real más cerca que nunca del "fotorrealismo nivel Hollywood".

En Xataka

NVIDIA opina que DLSS5 es un impresionante hito técnico de la IA. La gente opina que parece un filtro belleza de Instagram

Diferencia importante. DLSS 5 no parte de un prompt para inventarse una imagen nueva como podemos hacer con modelos como Google Nano Banana 2. Lo que hace es usar como referencia el fotograma que ya ha creado el motor y luego usa la información sobre color, geometría o iluminación. A partir de ahí intenta representar mejor fenómenos difíciles de calcular en tiempo real como la forma en la que la luz se dispersa en la piel o en la vegatación, o las sombras de contacto. El objetivo no es tanto que los juegos parezcan películas de Hollywood como que los gráficos sean más realistas en texturas o iluminación.

Los mods lo llevaron al extremo. Parte de la espectacularidad que hemos visto las pasadas semanas en redes no procede de implementaciones oficiales de DLSS 5. Una versión preliminar de la tecnología acabó en manos de la comunidad de modders, que encontró la forma de aplicarla en juegos como Cyberpunk 2077, Control, GTA V o Skyrim. Los resultados fueron tan exagerados que se hizo viral el efecto "yassified": rostros rejuvenecidos o envejecidos, y sobre todo personajes y escenarios con un aspecto casi cinematográfico que rompía con la dirección artística original del videojuego. Esas pruebas son llamativas, pero también engañosas, porque usan una versión preliminar y permiten forzar parámetros que en juegos oficiales solo pueden controlar los desarrolladores.

Los desarrolladores deciden. Las primeras demostraciones de DLSS 5 estuvieron acompañadas de polémica por esos exagerados vídeos que convertían las imágenes de partida en algo muy distinto. Impresionaban, pero para muchos también chirriaban. Aquí Nvidia deja todo el poder de decisión del resultado en manos de los desarrolladores. Ellos tienen varios modelos para elegir, intensidades para estructura y tono o máscaras que permiten aplicar el efecto de forma distinta a personajes, escenarios y objetos concretos. 

En todas las imágenes podéis ver la imagen con DLSS 5 desactivado a la izquierda, y con DLSS 5 activado a la derecha.

En NBA 2K27 eso es especialmente importante. Su desarrolladora, Visual Concepts, explica que ha utilizado máscaras por píxel precisamente para conservar el aspecto de los jugadores reales. Para el usuario la decisión es sencilla: puede encender o apagar DLSS 5 cuando quiera, en este caso mediante la pulsación de la tecla F9 durante el transcurso de la partida.

En las capturas sí se ve. Nuestras pruebas con NBA 2K27 confirman que DLSS 5 hace lo que promete, pero de una forma mucho más sutil de lo que planteaba la polémica. En el modo repetición es mucho más fácil ver esas diferencias, porque podemos controlar cámaras y zoom para ver cómo al activar o desactivar DLSS 5 la iluminación y el nivel de detalle cambian, sí, pero de una forma razonable. El juego no se convierte en una película, y la sensación es la de que hay más detalle, más realismo y más volumen en toda la escena. Pero atención: sin estridencias, sin exageraciones, y ahí es evidente que Visual Concepts ha querido habilitar esta opción de forma modesta y controlada, algo que sin duda agradará a quienes temían un resultado mucho más exagerado.

Jugando la cosa cambia (o más bien no). Nuestra principal impresión tras probar 'NBA 2K27' con una RTX 5090 Founders Edition fue muy distinta de la que esperábamos. Sobre todo porque en el juego pasamos la mayor parte del tiempo viendo a los jugadores a un tamaño relativamente pequeño mientras se mueven por la cancha. Ahí no hay tiempo para discernir el cambio, y esas sutiles mejoras con DLSS 5 se difuminan del todo. Si vamos pulsando la tecla F9 notaremos sobre todo cambios en la iluminación y algo más de detalle en ciertos elementos, pero uno no tienen en absoluto la sensación de ver una película o estar controlando al Doncic de verdad mientras  juega contra Wembanyama.

Cuando probamos por primera vez el ray tracing de Nvidia en sus RTX 2000 pudimos notar que en fotogramas estáticos la diferencia podía ser brutal. El problema es que durante el juego era demasiado difícil fijarse en esos detalles. Con DLSS 5 pasa algo similar, y eso está bien.

Esto me recuerda a algo. Lo que ocurre con ese mayor fotorrealismo de DLSS 5 nos recuerda mucho a lo que pasó con el ray tracing cuando  Nvidia lo presentó en sus RTX 2000. Aquello pintaba espectacular, pero una cosa era verlo en repeticiones en las que te podías fijar en la diferencia (que ciertamente era notable) y otra muy distinta mientras jugabas: ahí era mucho más difícil captar el cambio, porque cuando estás intentando cargarte a tus enemigos en 'Battlefield V' no hay mucho tiempo para mirar lo bonito que refleja ese charco todo el paisaje de tu alrededor. Estás a lo que estás, y aunque se agradece que el realismo aumente, es muy difícil ser consciente de esa mejora. Con DLSS 5 ocurre algo muy parecido.

Un salto tímido quizás sea lo mejor por ahora. La elección de 'NBA 2K27' como primer juego estandarte compatible con DLSS 5 es significativa, porque el propio desarrollo favorece que la estética sea "muy de videojuego" y menos fotorrealista. Si uno juega con las repeticiones y el zoom de cámara sí que puede apreciar ese salto gráfico, pero de nuevo los cambios son mucho más sutiles de lo que podríamos esperar. Es probable que los cambios sean más pronunciados en otros juegos, pero esta parecía una buena decisión para evitar que DLSS 5  pudiera provocar rechazo de buenas a primeras.

El realismo sale caro. No hemos tenido tiempo para realizar pruebas de rendimiento sobre el impacto que la activación de DLSS 5 tiene sobre el equipo, pero sí que las han hecho por ejemplo en TechSpot, donde aafirman que eliminar la opción Multi Frame Generation hace que con una RTX 5090 en 4K la tasa de FPS pase de 192 a 76, una caída del 60%. Nvidia combina DLSS 5 con esa técnica para poder compensar el coste computacional de esas mejoras gráficas, pero hay una cosa clara: el renderizado neural quita rendimiento, aunque otras partes de DLSS se encarguen de recuperarlo mediante reconstrución de la resolución o generación de fotogramas.

De momento en las RTX 5000, pronto en las RTX 4000. Teóricamente DLSS 5 iba a estar disponible solo en las RTX 5000, pero el portavoz de Nvidia Rajal Maharaj ha confirmado a The Verge que también llegará a las GPUs de la familia RTX 4000. De momento no hay comentarios sobre si también acabará llegando a gráficas  de las series RTX 3000 y RTX 2000, pero aun así esto abre algo más las puertas al soporte de esta tecnología.

En Xataka | NVIDIA compra Hugging Face por 12.930 millones y entra de lleno en una de las piezas de la IA que todavía no controlaba

La Nvidia RTX 5090 Founders Edition utilizada durante las pruebas ha sido cedida para prueba por parte de Nvidia. Puedes consultar cómo hacemos las reviews en Xataka y nuestra política de relaciones con empresas.

La batalla de la IA parecía centrarse en qué modelo era el más inteligente, punto. Ahora empieza a desplazarse a otra métrica: la de la "inteligencia" por dólar. Cuánta "inteligencia" podemos conseguir con cada dólar que invertimos en un modelo. Ahí los modelos "baratos" no tenían mucho que hacer porque hasta no hace mucho eran bastante menos "inteligentes" que los grandes modelos frontera de OpenAI o Anthropic, pero el cuento está cambiando a marchas forzadas. Lo demuestran los nuevos modelos de Google y Meta, que se han puesto las pilas, y de qué manera.

Google ya no habla de Flash como antes. Gemini 3.8 Flash es, según Google, su modelo "caballo de batalla" más inteligente, y está especialmente orientado a programación, agentes y razonamiento multipaso. El precio es realmente económico, y cada millón de tokens de entrada/salida sale por 0,75 / 3,75 dólares, muy por debajo del que tienen sus grandes competidores de OpenAI o Anthropic. Sobre todo teniendo en cuenta que en pruebas de rendimiento el modelo de Google se acerca e incluso supera a algunos de esos modelos.

Los benchmarks hablan maravillas de Gemini 3.8 Flash. Artificial Analysis indica que Gemini Flash 3.8 en modo high obtiene 59 puntos en su Intelligence Index. Está por tanto al nivel de GPT-5.6 Sol y Grok 4.6 en esa métrica, pero es que además es rapidísimo (302 tokens por segundo, el más veloz con diferencia entre los mejores) y cuesta unos 0,58 dólares por tarea en el índice de esta plataforma. No es el modelo más avanzado, pero la diferencia es menor y gana de largo tanto en velocidad como en coste a GPT-5.6 Sol, Opus 5 o Grok 4.6.

Meta le complica las cosas a Google horas después. Apenas unas horas después de que Google lanzara Gemini 3.8 Flash, Meta anunció el lanzamiento de Muse Spark 1.3, una nueva versión de un modelo que tiene objetivos y planteamiento idénticos. Destaca en programación, trabajo agéntico y tareas largas en las que el modelo debe usar herramientas durante muchos pasos. Arficial Analysis le concede 61 puntos en su Intelligence Index en la versión xhigh, lo que lo pone al nivel de GPT-5.6 max y Grok 4.6 high. La versión max, todavía en acceso limitado, llega a los 62 puntos.

Muse Spark es también otra cosa: barato. Meta indica que el precio por millón de tokens de entrada/salida de Muse Spark xhigh es de 1,25 / 4,25 dólares. En Artificial Analysis calculan 0,55 dólares por tarea en su índice de "inteligencia por dólar", frente a los 0,95 dólares de GPT-5.6 max o los 1,23 dólares de Claude Opus high. Es decir: en esa evaluación concreta, Muse Spark 1.3 (como Gemini 3.8 Flash) ofrece una inteligencia equivalente a un precio notablemente inferior.

Los agentes dan alas a los modelos "baratos". Una conversación casual con ChatGPT puede consumir muy pocos tokens, pero un agente de IA que no para de trabajar para llegar al objetivo que hemos pedido (por ejemplo, programarnos una app) no para de hacer peticiones, usar herramientas, revisar archivos y volver sobre sus pasos para autocorregirse y acabar ofreciendo la mejor respuesta. Ahí importa mucho que el modelo de IA sea económico para que el coste no se dispare. 

Muse Spark gana esa partida a Google. En ese ámbito, por cierto, Muse Spark 1.3 parece aventajar a Gemini 3.8 Flash: el de Meta usa aproximadamente un 20% menos llamadas a herramientas y un 25% menos tokens que Muse Spark 1.2 en pruebas internas. Aunque Gemini 3.8 Flash mantendrá hasta el final de 2026 los precios de 3.7 Flash, Google admite que este nuevo modelo "trabaja más" y consume más tokens para mejorar la calidad de sus respuestas. Según Artificial Analysis eso provoca que una tarea con Gemini 3.8 Flash cueste alrededor de un 40% más que con 3.7 Flash. Eso es relevante, pero recordemos: aún así el coste por tarea en Artificial Analysis es de 0,58 dólares , tan solo tres centavos más que Muse Spark 1.3.

Google ha sido la única tecnológica que realmente ha apostado por una IA "basada en la ciencia". Hasta ahora

Google y Meta aceleran: cuidado, OpenAI y Anthropic. Gemini 3.8 Flash llega apenas tres semanas después de Gemini 3.7 Flash, y es el tercer Flash de Google en seis semanas. Meta ha pasado de Muse Spark 1.1 en julio al 1.2 en agosto y al 1.3 en septiembre. Las ventajas en benchmarks apenas duran semanas o incluso días, y eso hace cada vez más difícil sostener el "tenemos el modelo de IA más inteligente". 

El verdadero enemigo de los modelos frontera es el modelo "suficientemente bueno". Teniendo en cuenta que los modelos de Google y Meta ya se acercan peligrosamente al rendimiento de Fable 5.1 o GPT-5.6 Sol —y en algunas pruebas parecen incluso superarles—, el factor "inteligencia por dólar" parece apoderarse de la conversación porque estos modelos de Google y Meta son mucho más baratos sin sacrificar demasiada "inteligencia". Pagar los 10/50 dólares por millón de tokens de entrada/salida de Fable 5.1 parece mala decisión cuando Gemini 3.8 Flash y Muse Spark 1.3 cuestan unas 10 veces menos y son algo más que "suficientemente buenos". Es la misma apuesta que antes veíamos en los modelos chinos, pero de la que ahora se están apropiando empresas como Google, SpaceXAI o Meta.

En Xataka | OpenAI, Anthropic y Google piden protegernos de los riesgos de la IA. Es como poner al lobo a cuidar del gallinero

[Actualización 5/09/2026: Multiverse Computing ha publicado una nueva entrada en su blog indicando que "Quasar 438B es un modelo comprimido creado  a partir de GLM-5.2, el modelo de pesos abiertos de Z.ai. Usamos CompactifAI, nuestra herramienta de compresión, para hacerlo más pequeño y eficiente, y lo hemos ajustado específicamente para tareas agénticas y de código". No indican nada de publicar los pesos de Quasar 438B].

Europa tiene desde esta semana un nuevo modelo campeón de la IA. Al menos, según Multiverse Computing. La compañía española acaba de presentar su modelo Quasar 438B como "el modelo de IA más inteligente de Europa". Respalda esa afirmación con la puntuación de 43 puntos conseguida en el Intelligence Index de Artificial Analysis, claramente por delante de otros modelos europeos. Todo pinta muy bien hasta que uno rasca un poco, porque según parece Quasar 438B no es más que una versión o "fork" de GLM-5.2, el conocido modelo chino que el laboratorio Zhipu.AI lanzó en junio de 2026.

Multivese tiene razones para presumir. Quasar es un modelo de razonamiento de 438.000 millones de parámetros con una ventana de contexto de un millón de tokens y que está especialmente orientado a la programación y los agentes de IA. Sus 43 puntos en el Intelligence Index dejan muy atrás a los 35 de Mistral Medium 3.5, el modelo más avanzado de la conocida startup francesa. Es por tanto un modelo notable para los estándares europeos, aunque está muy lejos de los mejores modelos frontera: Fable 5.1 logra 66 puntos en ese mismo índice.

“La IA es imparable”: el CEO de Freepik nos habla de IA, emprendimiento y de los errores de una UE que solo se fija en los peligros de la IA

Un unicornio español. La compañía española Multiverse Computing lleva meses dando titulares prometedores. En febrero de 2025, el Gobierno de España invirtió 67 millones de euros en ella y en su tecnología de compresión de modelos de IA, llamada CompactifAI. Poco después, en junio, la empresa levantaba 189 millones de euros más de diversos inversores, y en febrero de 2026 ya negociaban otra ronda para superar los 1.500 millones de euros de valoración.

¿De dónde ha salido Quasar? La ficha del modelo que presentan en Artificial Analysis no atribuye completamente el modelo a Multiverse Computing, y destaca con claridad que está "basado en GLM-5.2". Hay otra pista aún más llamativa: en la documentación previa de CompactifAI, la plataforma de Multiverse, Quasar apareció en beta   asociado directamente a GLM-5.2 y se indicaba que ofrecía capacidades técnicas "idénticas" a ese modelo. En su anuncio oficial Multiverse no menciona que exista relación alguna con el modelo chino, ni tampoco que haya habido un proceso de preentrenamiento previo desde cero. 

Fuente: Artificial Intelligence

Coincidencias. Tanto Quasar como GLM-5.2 son modelos de texto y razonamiento y ambos ofrecen un millón de tokens de ventana de contexto. GLM-5.2 tiene 753.000 millones de parámetros, con 40.000 millones activos durante la inferencia, mientras que Quasar tiene 438.000 millones totales (no se especifica el número de parámetros activos durante la inferencia). 

Más pequeño, más rápido, menos capaz. Que el número de parámetros totales sea menor es precisamente razonable en este caso, porque la tecnología CompactifAI permite "comprimir" modelos sin que su capacidad pierda muchos enteros. GLM-5.2, por cierto, puntúa 53 en el Intelligence Index, así que esa "compresión" que le hace perder puntos a Quasar parece igualmente plausible. Ese menor tamaño favorece la velocidad de inferencia, que es de 183 tokens/s en Quasar frente a 68 tokens/s de GLM-5.2 según Artificial Analysis. Esa mejora en la velocidad es precisamente una de las bazas que destaca el sitio web oficial de CompactifAI.

Bien por comprimir, pero. Multiverse no nació para competir con OpenAI entrenando LLMs gigantescos. Su especialidad es precisamente la de hacer que esos grandes modelos sean menos grandes y más manejables y eficientes. Quasar 438B puede ser sin duda una prueba de ello, pero la forma de comunicar el lanzamiento da lugar a confusión a suspicacias. Si la empresa confirma que efectivamente es una versión comprimida de GLM-5.2 estaríamos ante una realidad palpable: el mejor modelo europeo de IA no es europeo, sino chino.

En Xataka

"Solo dos años": el CEO de Mistral advierte a Europa de que se le acaba el tiempo para construir una infraestructura de IA propia

¿Y los pesos abiertos, qué? Hay otra paradoja en este lanzamiento: GLM-5.2 es un modelo de pesos abiertos y esos pesos están publicados, pero al menos en Artificial Intelligence Quasar 438B aparece como un modelo propietario. Teóricamente un modelo de pesos abiertos permite que cualquiera pueda descargarlo y estudiarlo, pero el producto europeo creado a partir de él no permite hacer lo mismo. No es algo ilegítimo hacerlo, pero es un detalle difícil de ignorar si como parece la empresa quiere venderlo como un elemento más de su estrategia para proporcionar soberanía tecnológica europea.

Qué dice Multiverse Computing. En Xataka hemos intentado contactar con los responsables de la empresa, pero de momento no hemos recibido respuesta. Actualizaremos este tema si logramos tener información actualizada y detallada sobre las características, origen y objetivos de este modelo.

Imágenes | Multiverse

En Xataka | El giro silencioso del capital riesgo español: por qué las startups están cambiando equity por deuda

GoPro fue uno de los grandes iconos tecnológicos de la década pasada. Sus cámaras de acción acabaron pegadas en cascos de esquí, tablas de surf, bicicletas y palos selfie de medio planeta y eso hizo que en 2014 la empresa llegara a alcanzar una valoración cercana a los 12.000 millones de dólares. Doce años después GoPro inicia una nueva etapa: Starman Optical la ha comprado por 285 millones de dólares en efectivo por una participación del 90%. La pregunta interesante no es tanto quién la compra como qué ocurrió entre esas dos cifras.

Morir de éxito. La primera parte del problema de GoPro estaba escondida en el propio éxiito de sus cámaras. Casi nadie necesitaba renovar una GoPro como quien renueva su móvil: los que compraban una Hero podían seguir utilizándola durante años. Las nuevas generaciones ofrecían mejor resolución, estabilización o autonomía, pero muchas veces esas no eran razones suficientes para volver a pasar por caja porque la cámara que tenías ya era "suficientemente buena". En 2016 empezó a quedar claro que GoPro había saturado buena parte de su mercado inicial.

GoPro intentó diversificar. La empresa se dio cuenta de que necesitaba expandirse e ir más allá de las cámaras de aventura. Su fundador, Nick Woodman, no quería convertir su empresa en otro fabricante de cámaras sin más, y durante años habló de convertir GoPro en una compañía de medios. La empresa intentó su expansión al terreno del software de edición, la realidad virtual y el vídeo 360, sin demasiado éxito. Era un movimiento lógico, porque GoPro quería no solo ayudar a grabar tu vida, sino a ayudarte a controlar qué pasaba después de pulsar ese botón. 

En Xataka

En GoPro ya contemplan vender la compañía ante sus terribles problemas financieros, según CNBC

Un fracaso llamado Karma. En 2016, GoPro presentó un dron plegable llamado Karma que tenía el objetivo de llevar esa tecnología de cámaras a este nuevo mercado para abrir esa categoría de producto: El problema es que por entonces DJI ya era mucha DJI, pero además pocas semanas después de salir a la venta, GoPro tuvo que retirar 2.500 unidades porque algunos de sus drones perdían alimentación en pleno vuelo. Los resultados no acompañaban y GoPro comenzaba a desplomarse en bolsa. Aunque lograron volver a venderlo, DJI y el resto de la competencia apretaban demasiado las tuercas. En 2018 GoPro abandonaba definitivamente los drones, y por entonces hasta hubo rumores de una posible compra por parte de Xiaomi.

Tampoco acertaron con las versiones asequibles. La Hero4 Session de 2015 tenía la misión de abrir una nueva línea de negocio con cámaras más pequeñas y sencillas de utilizar, pero las ventas fueron decepcionantes y GoPro terminó recortando notablemente su precio. A finales de ese año las cosas ya pintaban mal: los ingresos cayeron un 31% de año en año y las previsiones para el siguiente trimestre fueron inferiores a lo que esperaba Wall Street. Simplificaron catálogo hubo despidos y el foco volvió a las Hero.

Todo el mundo podía hacer GoPros. Aunque las GoPro se convirtieron en sinónimo de cámara de acción, eso no impidió que los competidores lanzaran sus propias alternativas. DJI logró aplicar todo su conocimiento de sus cámaras en drones para desarrollar sus cámaras Osmo e Insta360 con las que encontró nuevas oportunidades en el ámbito del vídeo 360. Pero es que en el segmento de entrada aparecieron múltiples cámaras "suficientemente buenas" de nuevo que ya no eran de GoPro, sino de fabricantes desconocidos y no tan desconocidos que tiraban los precios. Y a eso había que sumarle el competidor definitivo: el smartphone.

El móvil era suficiente. Es cierto que las cámaras de GoPro eran fantásticas para tirarse en paracaidas, bucear o colocar la cámara en el manillar de la bici sin miedo a que pudiese pasar gran cosa. Sin embargo para  grabar las vacaciones y momentos cotidianos, cada nueva generación de smartphones hacía muy poco útil una cámara independiente. Con objetivos ultra gran angular, estabilización, resistencia al agua y vídeos de gran calidad, los móviles se convirtieron definitivamente en la cámara de vídeo universal. GoPro conservaba su nicho, pero ese nicho no hacía más que empequeñecer.

Y justo antes de la venta apareció Markiplier. Mark Fischbach, más conocido como Markiplier, uno de los grandes nombres históricos de YouTube, compró un 8,5% de GoPro y se convirtió en su mayor accionista. La inversión era casi una ironía de la historia de GoPro: este creador construyó su carrera gracias al vídeo apostando por una de las marcas que ayudaron a democratizarlo. Fischbach dijo que veía GoPro infravalorada y vinculó la inversión a su interés por hacer la producción audiovisual más accesible. La noticia hizo subir las acciones un 43% y convirtió durante unos días a GoPro en una pequeña meme stock.

Entonces apareció Starman. El comprador que ha acabado adquiriendo el 90% de GoPro es especialmente curioso porque no es otro fabricante de cámaras. Starman Optical trabaja con fotónica y transceptores ópticos que permiten transportar grandes cantidades de información a través de la luz. El plan anunciado consiste en mantener el negocio tradicional pero combinar la experiencia de GoPro para entrar en centros de datos de IA, robótica, el sector aeroespacial, gobierno y defensa. Nick Woodman lo dejaba claro en la nota de prensa: esa fusión puede "solucionar áreas importantes de la seguridad nacional".

GoPro en centros de datos de IA. Mover información a gran velocidad entre las miles de aceleradoras de IA que trabajan en los grandes centros de datos es crucial. Ahí es donde Starman quiere crecer con transceptores ópticos fabricados en EEUU, y también es ahí donde toda esa experiencia de GoPro en ópticas para sus cámaras puede resultar sorprendentemente útil. 

Cámaras para la guerra. La otra gran aplicación de estas cámaras pequeñas y resistentes ya no es YouTube, sino la industria bélica. Drones, vehículos autónomos, robots y sistemas  militares diversos pueden beneficiarse de ese tipo de elementos. No hay de momento contratos militares conocidos que validen esa apuesta de Starman, pero la compañía menciona esa potencial expansión de forma clara.

En Xataka | Mejores cámaras 360 para grabar o fotografiar todo lo que te rodea. Cuál comprar y cinco modelos recomendados

Uno se pasa por el anuncio oficial de Atlas y la cosa no parece para tanto. Hace ya tiempo que los modelos de IA generativa de vídeo son capaces de crear todo tipo de escenas con un realismo fantástico. Sin embargo este nuevo modelo quiere ir más allá de la IA generativa para dar el salto a los prometedores "modelos del mundo". Atlas es el resultado de ese esfuerzo, y lo cierto es que la propuesta es llamativa por dos cosas: la primera, por cómo logra reconstruir nuestro mundo a partir de información limitada. La segunda, porque quien está detrás es Fei-Fei Li, considerada como la "madrina de la IA".

Atlas no es otro generador de vídeos más. World Labs lo describe como un modelo multimodal entrenado desde cero para operar con texto, imágenes, posiciones de cámara, mapas de profundidad y secuencias de vídeo. Todos esos tipos de entrada se combinan para crear un contexto espacial común que luego permite generar nuevas observaciones que son coherentes con el espacio 3D que percibe el modelo. Técnicamente se denomina un multimodal autoregressive diffusion transformer, pero aquí lo que se predice no es el siguiente token de una palabra o frase, sino lo que debería verse a continuación desde una determinada posición del espacio.

Los 'modelos de mundo' apuntan a ser la próxima gran revolución de la IA: es lo que necesita la robótica para parecerse a las películas

Ya has grabado, ahora mueve la cámara. En varias de las demostraciones de ese anuncio oficial se ve cómo por ejemplo hay escenas grabadas con dos o tres smartphones a partir de las cuales Atlas puede generar perspectivas que no se grabaron con niguna cámara. Las crea de la nada pero siempre manteniendo coherencia con los datos reales que sí tiene (de imágenes, grabaciones, o los citados mapas de profundidad, por ejemplo). En una entrevista con a16z, Fei-Fei Li lo expresaba claramente: "No hay lenguaje ahí fuera. No sales a la naturaleza y ves palabras escritas en el cielo para ti".

Cineastas del mundo, atentos. Uno puede crear un prompt que describa una trayectoria de cámara específica y muy detallada, por ejemplo y eso permite que el modelo del mundo genere una visualización realmente convincente de esas perspectivas aun cuando nunca se grabaron con cámaras reales. Esto abre posibilidades espectaculares, como por ejemplo grabar una escena y que luego puedas colocar la cámara en sitios donde nunca estuvo para ver y mostrar a escena desde ahí. 

Pero Atlas no ve lo que no ocurre. Si le damos a este modelo tres fotografías de una habitación, no puede saber exactamente qué había detrás del sofá o en una esquina que ninguna cámara captó. Lo que se hace ahí es generar una solución plausible inventando contenido que sea coherente. World Labs lo resume con una frase: cuantas más imágenes recibe, menos tiene que imaginar. 

Más allá del cine. Aunque las aplicaciones para creadores de contenido o para la industria audiovisual y del cine son evidentes, esto puede aplicarse a campos diversos. Uno de los más prometedores es el de la robótica: Atlas puede convertir unas pocas imágenes de un lugar real en un entorno que un robot virtual puede recorrer. El modelo genera las imágenes y datos de profundidad que los sensores del robots captarían desde distintas trayectorias. La empresa lo llama real-to-sim: capturar un espacio real, convertirlo en una simulación utilizarla luego para entrenar o evaluar robots antes de dejarlos sueltos en el mundo físico real.

Entrenar robots no es como entrenar a un LLM. Para enseñarle a un robot a recoger una taza necesitamos la taza, una mesa, cámaras, sensores, un robot y multitud de intentos físicos. Además ese entorno cambia: la iluminación varía, los objetos pueden moverse y las cosas pueden romperse. World Labs señala que esa es una de las grandes dificultades a la hora de sacar los robots del laboratorio. Estas simulaciones permiten repetir purebas y cometer fallos sin pagar el coste que esos fallos tendrían en el mundo real. Runway persigue algo parecido con GWM-1, por ejemplo.

Bienvenidos a la "internet de los robots". Con Atlas lo que se plantea es crear una especie de internet perfecta para el entrenamiento de robots. En lugar de estar compuesta de páginas web, estaría compuesta de cantidades enormes de espacios tridimensionales con los que poder experimentar. Atlas aún no ofrece algo así como producto completo, pero la estrategia de World Labs es la de crear modelos capaces de percibir, generar, razonar e interactuar con mundos virtuales y físicos.

Los videojuegos ya dieron un paso llamativo en este ámbito. Cada juego tridimensional contiene datos como la geometría del mundo virtual, cámaras, objetos, texturas, físicas y millones de posiciones desde las que observar un escenario. Por eso emiezan a surgir empreas que quieren convertir esos mundos virtuales en formmmas de entrenar estos modelos del mundo. Los LLM se han apropiado de millones de textos y libros escritos por humanos, pero los modelos espaciales pueden aprovecharse de esos mundos virtuales que se construyeron en el mundo de los videojuegos, pero también en otros ámbitos como los simuladores o el segmento de la arquitectura.

En Xataka

Apple ha hecho una apuesta que en realidad es un salto al vacío: la única gran tecnológica que no está aumentando el capex

De generar mundos a interactuar dentro de ellos. World Labs lleva tiempo insistiendo en una idea simple: ver no basta. La inteligencia espacial necesita entender dónde están las cosas, cómo se relacionan y qué pasa cuando actuamos sobre ellas. Atlas es de momento una primera aproximación al problema —solo está disponible con acceso anticipado para socios seleccionados— pero plantea algo distinto a los modelos de IA que nos han acompañado estos últimos años. ChatGPT y sus rivales se preguntaban qué palabra venía después, pero en Atlas la pregunta es diferente: si me muevo por aquí, qué debería ver?

En Xataka | Mientras Silicon Valley se ocupaba de los agentes y el código, China se ha hecho con un área crucial de la IA: el vídeo

Anthropic acaba de presentar Claude Fable 5.1, que sobre el papel es su modelo más capaz hasta la fecha. En la evaluación independiente de Artificial Analysis alcanza 66 puntos, por delante de los 63 de Opus 5 o los 61 de GPT-5.6 Soly Grok 4.6. Hay mejoras sensibles y algunas espectaculares en benchmarks de programación, investigación científica y tareas agénticas prolongadas, pero cuidado: hay varios elementos que condicionan ese rendimiento.

Un modelo, dos puertas de entrada. Anthropic explica en su documentación que Fable 5.1 y Mythos 5.1 pertenecen a la misma clase de modelo pero tienen distintos niveles de salvaguardas. Fable 5.1 es la versión disponible de forma general, mientras que Mythos, como de costumbre, se reserva a socios y organizaciones de confianza porque ofrece capacidades especialmente sensibles en el ámbito de la ciberseguridad. 

La era de los modelos capados. Ya no estamos tan solo ante una fase en la que las empresas de IA desarrollan varios modellos: lo que Anthropic hace aquí es algo parecido a lo que hace la industria automovilística: fabrica un coche equipado con todo, pero al que capa artificialmente para que si queremos usar ciertos extras, los paguemos. En Fable 5.1 y Mythos 5.1 ocurre algo parecido, pero la diferencia es simplemente lo que cada modelo nos permite hacer con el mismo núcleo de capacidades.

Benchmarks con letra pequeña. Cuando Artificial Analysis evaluó Fable 5.1 lo hizo teniendo que trabajar con el sistema de fallback de Anthropic que ya estaba presente en Fable 5: si una consulta es considerada "peligrosa", se salta a un modelo menos capaz, que en  aquel caso era Claude Opus 4.8. Y en ese análisis el 4% de los tokens de salida de su Intelligence Index procedían de ese "modo seguro". El resultado de 66 puntos obtenido finalmente podría haber sido incluso mayor.

Cada vez hay que explicarle menos cosas. Alex Albert, de Anthropic, resume su experiencia de una forma reveladora: puede darle unas pocas frases vagas y desordenadas y Fable 5.1 suele completar por sí solo lo que falta. Esa capacidad es precisamente lo que hace mejores a los agentes: necesitan menos instrucciones intermedias para llegar al objetivo y no necesitan prompts ultradetallados y larguísimos. 

Fable 5.1 dibujó realmente bien el SVG del pelícano en bici de Simon Willinson, pero el coste asusta: 3,3 dólares.

Una IA con más "gusto". Ethan Mollick, que tuvo acceso anticipado al modelo, sostiene que la mejora más clara aparece en trabajos largos que requieren “juicio y gusto”. Es una observación curiosa porque apunta a cómo los agentes pueden ahora trabajar durante horas con una idea clara de qué merece la pena hacer, cuándo una solución es suficientemente buena o cuándo conviene cambiar de estrategia. Por lo tanto, teóricamente necesita también menos supervisión. La prueba del pelícano SVG de Simon Willinson también fue un éxito (con esfuerzo de razonamiento máximo), aunque el coste fue enorme, 3,3 dólares.

Es más barato... Anthropic mantiene el precio base de Fable 5 (10/50 dólares por millón de tokens de entrada/salida), pero ha reducido un 75% el coste de las lecturas de caché de un dólar a 0,75 dólares. Eso es teóricamente importante porque los agentes de IA que trabajan durante mucho tiempo reutilizan constantemente el mismo contexto y se benefician de sa rebaja. Según Anthropic eso implica ahorros del 25% en cargas habituales y de hasta el 45% en trabajos agénticos.

En la métrica de coste por tarea de Artificial Analysis Fable 5.1 es de lejos el modelo más caro del mundo. Fuente: Artificial Analysis.

...pero no lo es. Sin embargo las pruebas de Artificial Analysis demostraron que al final eso no supone una rebaja real en el coste por tarea. La razón es simple: Fable 5.1 piensa y escribe muchísimo (para dar las mejores respuestas posibles), y eso hace que el consumo por tarea suba de forma notable. El coste medio de tarea en Fable 5.1 y nivel de razonamiento "Max" es de 3,76 dólares, un 20% más que Fable 5 por esa sencilla razón: genera 1,7 veces más tokens de salida.

Cautela. El lanzamiento llega justo después de que la empresa haya detallado incidentes preocupantes en evaluaciones de seguridad. También tuvieron problemas de reward hacking que llevaron a detener temporalmente algunos tipos de entrenamiento y endurecer sus controles. Con Mythos 5.1 y Fable 5.1 esa diferenciación de capacidades confirma esa tensión que se vive ahora mismo entorno a la seguridad de estos modelos de IA.

Imagen | Xataka con Magnific

En Xataka | Ha nacido el "Claudés", el dialecto que sólo entienden quienes se pasan el día hablando con sus agentes de IA

Esto está pasando de castaño a oscuro, queridos lectores. Si ya estabamos inquietos con lo que pasó con los agentes de OpenAI y Hugging Face, ahora llega Anthropic para avisarnos de que sus modelos también se están poniendo rebeldes. La firma descubrió en primavera —aunque lo cuente ahora— que estaba creando entornos para entrenar a Claude más rápido de lo que podía comprobar que esos entornos funcionaban correctamente. 

Qué está pasando aquí. Los errores, las configuraciones defectuosas y las oportunidades para seguir esa célebre filosofía del reward hacking (si me hackeas, premio) empezaron a superar la capacidad de detectarlos no solo de sus sistemas, sino también de sus revisores humanos. En Anthropic acabaron frenando parte del proceso para revisar qué estaban enseñando realmente a sus modelos de IA.

Primero hubo que retroceder tres días. En febrero, durante el entrenamiento por refuerzo de Mythos Preview, Anthropic detectó comportamientos extraños. El modelo escribía comentarios dirigidos a un supuesto "revisor" incluso en tareas en las que se supone que no había ninguno. Logró además explotar una recompensa diseñada para fomentar la honestidad de su comportamiento: acumulaba advertencias y matices porque había aprendido que eso mejoraba su puntuación. En Anthropic decidieron volver a un punto de control (checkpoint) tres días atrás y modificar el entorno de entrenamiento antes de continuar.

Tres “civilizaciones” de agentes de OpenAI aparecieron una detrás de otra. El problema empieza por llamarlas "civilizaciones"

Aprender tiene recompensa, pero el modelo se las intenta saltar. En el aprendizaje por reuerzo (Reinforcement Learning, RL) no se programa exactamente cómo resolver una tarea. En lugar de eso se define un objetivo y una recompensa que le indica al modelo cuándo lo está haciendo bien. El problema aparece cuando descubre una forma de conseguir esa recompensa sin hacer realmente aquello que pretendíamos enseñarle a ese modelo. 

Chuletas pero sin ser chuletas. Es básicamente lo mismo que aprobar un examen gracias a una chuleta, pero con una distinción: el modelo no necesita "querer engañar" a nadie (el alumno humano sí), porque basta con que el entrenamiento favorezca comportamientos que producen puntuaciones más altas. El modelo simplemente intenta cumplir el objetivo sea como sea siguiendo las reglas que le dictan. Y si no se le dictan ciertas restricciones, para él no existen.

Esto va demasiado rápido. Anthropic llevaba años buscando este tipo de atajos, pero sus investigadores reconocen que esta primavera de 2026 la velocidad del proceso empezó a ser excesiva. Estaban generando nuevos entornos de RL a un ritmo superior al que sus propias herramientas podían revisarlos. Las alertas que requerían intervención humana se acumulaban, y los errores de configuración comenzaron a crecer más rápido de lo que podían arreglarlos.

Anthropic pisa el freno. En abril Anthropic congeló aproximadamente durante un mes todos los cambios de sus entornos de RL de producción y reconstruyó buena parte del sistema de revisión de estos procesos. Cuando terminó de examinarlos, los responsables del proceso descubrieron que más del 10% de esos entornos tenía algún problema. Tuvieron que corregirlos y certificarlos antes de usarlos de nuevo, y también detectaron que algunos revisores humanos habían descartado algunos avisos como falsos positivos cuando correspondían a problemas reales.

Este modelo se nos está rebelando. La compañía entrenó deliberadamente un modelo de clase Opus en 80 entornos que antes habían permitido alguna forma de reward hacking y después lo colocaron en simulaciones más exigentes. El modelo intentó salir de un sandbox simulado, atacar infraestructura simulada, modificar su propia función de recompensa y eludir sistemas de monitorización. Los modelos de producción que se sometieron a esas mismas pruebas no mostraron esos comportamientos.

En Xataka

Nos hemos pasado tres años preocupados por si la IA alucina. Ahora el problema es que haga cosas

Luego llegaron los incidentes reales. En julio Anthropic desveló tres problemas de ciberseguridad en sus modelos Claude que terminaron accediendo sin autorización a sistemas reales debido a configuraciones erróneas en esos sistemas externos. Al detectar el problema suspendieron las evaluaciones de ciberseguridad externas, detuvieron brevemente las  internas y pararon durante semanas los entornos de RL que para ellos tenían mayor riesgo.

Coordinación pra entrenar modelos. Anthropic afirma ahora que la industria de la IA se beneficiaría de un sistema "legal, verificable y efectivo" que coordinase el ritmo de desarrollo entre los distintos laboratorios de IA. El mensaje es claro: Anthropic puede parar semanas sus sistemas para corregir fallos como los descritos, pero mientras sus competidores pueden seguir entrenando sus modelos sin tener esas mismas precauciones con tal de ganar ventaja en la carrera de la IA. La carta abierta firmada recientemente por ambas empresas va un poco en esa dirección, pero de momento no hay medidas universales que las empresas de IA hayan adoptado de forma consensuada. Y hasta que eso ocurra, si ocurre, el riesgo parece estar acelerándose.

Imagen | Xataka con Magnific

En Xataka | OpenAI, Anthropic y Google piden protegernos de los riesgos de la IA. Es como poner al lobo a cuidar del gallinero

El sistema GPS nos parece algo eterno e infalible, pero el Sol de vez en cuando nos recuerda que no es así. Un nuevo estudio sobre la gran tormenta geomagnética den oviembre de 2025 ha desvelado que la señal GPS sufrió perturbaciones en gran parte de EEUU y se llegaron a generar errores horizontales de más de 10 metros en algunas zonas. No es la primera vez que una tormenta solar afecta al GPS; lo novedoso es que la magnitud de dichas perturbaciones fue esta vez muy distinta a la habitual.

Interferencias solares. Las señales GPS tienen que atravesar la ionosfera antes de llegar al receptor. Durante una tormenta geomagnética, las partículas procedentes del Sol pueden alterar de forma notable la distribución de electrones en esa región y crear interferencias que distorsionan las ondas de radio. El fenómeno se conoce como scintillation: la señal cambia rápidamente de intensidad y el receptor empieza a tener más problemas para calcular con precisión dónde está. En noviembre de 2025 esos problemas coincidieron con los defectos de la precisión que se midió en los sistemas GPS en tierra.

Qué son las tormentas solares y por qué la sociedad se ha vuelto tan vulnerable a algo que lleva ocurriendo millones de años

Lo raro es dónde ocurrió. El fenómeno de scintillation es relativamente habitual cerca del ecuador y de las regione spolares. Las latitudes medias, donde se encuentra buena parte de EEUU continental, suelen ser mucho más tranquilas. Sin embargo, los investigaddores encontraron perturbaciones fuertes entre aproximadamente los 80 y 120 grados de longitud oeste y una banda todavía más extensa que era totalmente anómala. Se habían observado episodios similares en latitudes medias, pero normalmente de forma muy localizada. En esta ocasión aparecieron simultáneamente a lo largo de miles de kilómetros.

Diez metros pueden ser muchísimos metros. Para alguien que esté siguiendo una ruta en el móvil, un error de este tipo puede significar aparecer en cierto instante en la calle equivocada. El problema real es que el sistema GNSS (Global Navigation Satellite System) ha sido la base para crear a su vez sistemas que necesitan mucha más precisión. Hay ejemplos claros como el de la agricultura automatizada, la maquinaria guiada por satélite, el transporte y ciertos sistemas autónomos. Los propios autores del estudio señalan que desviaciones de uno o dos metros ya pueden resultar problemáticas para algunas de esas aplicaciones, así que podemos imaginar lo que suponen 10 metros. Aunque hay tecnologías como RTK que corrigen parte de los errores, necesitan una señal fiable como punto de partida.

Tuvimos suerte. La tormenta solar de mayo de 2024 afectó precisamente a agricultores estadounidenses que usaban navegación de precisión y se estima que provocó alrededor de 500 millones de dólares en pérdidas en el sector. La de noviembre de 2025 pudo haber sido más benigna por una sencilla cuestión de calendario: ocurrió fuera de una parte crítica de la temporada agrícola estadounidense. De haberse producido en otro momento del año, afirman los investigadores, sus consecuencias para la agricultura y el transporte podrían haber sido mucho mayores.

Hubo un tiempo en que diez metros nos habrían parecido un lujo. Durante los años noventa, EEUU degradaba deliberadamente la señal GPS civil mediante la llamada Selective Availability, que podía introducir errores de hasta unos 100 metros. Bill Clinton ordenó desactivarla en mayo de 2000 y la precisión para los usuarios civiles mejoró aproximadamente diez veces. Aquello contribuyó a abrir la puerta a la navegación y a las aplicaciones comerciales que hoy damos por hechas. La paradoja es que ahora hemos construido tractores, vehículos y sistemas logísticos para los que un error de unos pocos metros vuelve a ser enorme.

En Xataka

El GPS nos deja tirados dentro de los edificios. Una alternativa ya está en órbita y ha demostrado que puede llegar bajo techo

El GPS como infraestructura invisible. Este tipo de problemas nos hacen darnos cuenta más que nunca de cómo el GPS se ha convertido en un sevicio cotidiano y básico con el que todos contamos. No ya solo para poder llegar a destino en nuestro coche, sino en todo tipo de industrias que dependen de este sistema para funcionar correctamente. La ESA estima que alrededor del 10% del PIB europeo está habilitado de alguna manera por el GNSS, y eso hace que cualquier perturbación pueda causar problemas serios. Creemos que el sistema GPS va a funcionar siempre de forma súper precisa, pero el Sol nos demuestra de vez en cuando que él tiene otros planes.

Imagen | NASA

En Xataka | La ciencia creía que las tormentas geomagnéticas tenían un límite. Un error de cálculo llevaba décadas ocultando la verdad

La PS5 siempre ha sido una máquina para jugar, pero Sony lleva tiempo intentando que hagamos más cosas con ella. El último paso es Live TV on PS5, un nuevo servicio dentro de la consola que ofrece más de 100 canales gratuitos con publicidad y contenido bajo demanda. De momento está disponible solo en EEUU, aunque Sony ya ha dicho que quiere llevarlo a Canadá y a otros mercados. La idea es sencilla: que la PS5 se convierta en la pantalla de inicio de nuestro entretenimiento, tanto si es gaming como si no.

Televisión gratis... con anuncios. El servicio se puede disfrutar gracias al modelo FAST (Free Ad Supported Streaming Television), es decir, canales emitidos por internet que no requieren pagar una cuota mensual porque se financian con publicidad. Sony incluye contenidos de compañías como Fox, NBCUniversal, Crunchyroll, UFC o Nascar, además de algunos canales propios. No compiten con Netflix, Disney+ o Prime Video de contenidos puramente bajo demanda, sino que recuperan esa "vieja televisión". Es decir: encendemos la tele, elegimos un canal y vemos lo que se está emitiendo en ese momento.

En Xataka

Sony, sobre matar el formato físico en PlayStation: "Vamos a seguir adelante". Y Anonymous ha respondido

Vuelve el zapping. Parece extraño tras tantos años asumiendo que el streaming nos permitía por fin elegir lo que queríamos ver cuándo y dónde quisiéramos. Aquí Sony confirma una tendencia creciente, porque los canales FAST llevan tiempo teniendo éxito en servicios como Pluto TV, Samsung TV Plus, LG Channels o Tubi. Todos ellos han descubierto que sigue existiendo demanda para este tipo de experiencia de usuario. Una que no te obliga a buscar durante diez minutos una película, sino que hace que disfrutes de la programación ya preestablecida. Y con ese modelo, vuelve probablemente una vieja práctica de los usuarios: el zapping, o cambio frecuente de un canal a otro.

La PS5 como escaparate publicitario. Para Sony el atractivo no está solo en añadir otra función a su consola, porque cada minuto que alguien pasa viendo canales de TV a través de la consola es un minuto que permanece dentro de su ecosistema. Esos canales FAST hacen además crecer el inventario de anuncios que puede mostrar la plataforma gracias a la infraestructura publicitaria de empresas como Publica y PubMatic. Así pues, la idea es monetizar a esa audiencia que puede usar la consola para algo más que jugar o ver contenidos en plataformas de streaming. Es llegar a todos lados, aunque el nicho sea quizá más reducido en este caso. 

A Microsoft le salió mal. Es imposible no acordarse de cómo fracasó Microsoft con un intento similar. En 2013 la Xbox One se intentó vender no como una consola de videojuegos, sino como el centro del entretenimiento digital y como una forma perfecta para ver emisiones de televisión gracias a su entrada HDMI. Aquella obsesión de Microsoft hizo que el papel fundamental de la Xbox One como consola de videojuegos se diluyese, algo que aprovechó la PS4 para venderse como rosquillas. Ahora Sony recupera esa idea, pero sin convertirla en protagonista como intentaban en Microsoft: simplemente la añaden como una opción más.

Hace 15 años se nos rompió el amor por la tecnología transparente. Afortunadamente está volviendo

La consola como centro del salón. El objetivo de Sony aquí es el que muchos otros han intentado lograr antes: que un dispositivo se convierta en centro absoluto del entretenimiento en el salón de casa. Las Smart TV han logrado acaparar buena parte de la reproducción de contenidos de streaming y de canales de televisión, y será difícil que alguien encienda la consola "solo para ver TV" cuando podemos hacer lo mismo desde esas Smart TV, pero está claro que en Sony quieren intentarlo.

En Xataka | Sony ganó la generación más importante humillando a Xbox con los juegos físicos. 13 años después los ha matado