Es un modelo de mezcla de expertos: activa 42.000 millones de parámetros por cada token, acepta un contexto de hasta un millón de tokens y recibe texto, imágenes, video y audio, según la ficha técnica citada por VentureBeat. Su salida es solo texto, así que no genera imágenes ni video. Meta lo presenta para programación y tareas de agentes. Se puede usar ya a través de plataformas como Together AI, Fireworks, Groq u OpenRouter, o descargar en Hugging Face, Amazon SageMaker, Google Cloud y Microsoft Foundry.

Meta ya había presentado Muse, su agente de IA personal, y el 12 de octubre lanzó Muse Wonder y Wonder Full, que solo se usan por API y dentro de Muse Code. Spark Open cambia el esquema: sus pesos se pueden bajar y ejecutar fuera de Meta.

El truco del escritorio y su precio

La parte que más llamó la atención es dónde puede correr. Meta dice que es el primer modelo de su clase que funciona en un escritorio, con dos Mac Studio con chip Apple M5 Ultra. Cada una ofrece hasta 512 GB de memoria unificada, así que juntas suman un terabyte.

Esa configuración todavía no se puede comprar. Según Engadget, Apple no ha dado precio ni fecha para la versión de 512 GB, solo que llegará “a finales de octubre”. VentureBeat calcula el costo con lo que existe hoy: la M5 Ultra de 256 GB cuesta US$10.799 en Apple, y cuatro darían el mismo terabyte por US$43.196 antes de impuestos. La ficha técnica pide al menos 700 GB de memoria de GPU para la versión comprimida y 2 TB para la completa.

Meta mostró dos demostraciones locales: arreglar errores en una app de iOS de código abierto y editar video en DaVinci Resolve. Son pruebas de la propia empresa y no incluyen velocidad de respuesta ni costo total.

¿Qué tan bueno es, según los números?

Los resultados son de Meta. En JobBench saca 61,8 puntos frente a 61,4 de GLM 5.3, y en MCP-Atlas, una prueba de uso de herramientas, 89,2 frente a 84,2. En programación en terminal queda atrás: 76,4 contra 83,9 de GLM 5.3 y 85,0 de Kimi K3.

El índice de Artificial Analysis lo deja en 39 según la ficha de Meta, debajo de los 46 de MiMo-V2.6-Pro, los 45 de GLM 5.3 y los 44 de Kimi K3. VentureBeat no pudo verificar una evaluación independiente de Spark Open al publicar, así que esa cifra sigue siendo de Meta. El mismo medio recuerda el contexto: según Hugging Face, los modelos chinos concentraron el 41 % de las descargas del último año, y los modelos abiertos movieron en septiembre el 60 % de los tokens de solicitudes originadas en EE. UU. en OpenRouter.

La licencia también importa. Es la Muse Model License, con términos comerciales limitados: se puede usar, modificar y vender sin pagar, pero hay que mostrar “Built with Muse Spark Open” en los productos que la usen. Quien ofrezca el modelo como servicio por API y supere los US$20 millones de ingresos al año debe firmar un acuerdo aparte con Meta. Para el usuario común, el efecto práctico llegará por las apps que lo adopten, no por instalarlo en casa.

Fuentes: Meta AI Research y VentureBeat.

Las consultas cotidianas seguirán disponibles. El recorte tendrá mayor importancia al programar, estudiar o analizar contenido que requiera más profundidad, porque ya no será posible recurrir a una tecnología superior cuando la respuesta inicial resulte insuficiente.

Gemini gratis quedará limitado a Flash-Lite

Desde el 9 de octubre, las cuentas sin una suscripción de Google AI quedarían limitadas a Gemini 3.5 Flash-Lite, según una actualización de la documentación de soporte reportada esta semana. Gemini 3.6 Flash y Gemini 3.1 Pro desaparecerían del acceso gratuito.

Las diferencias ayudan a dimensionar la medida. Flash-Lite prioriza la velocidad y está orientado a actividades habituales como resumir textos u obtener ideas. Flash incorpora mayor capacidad de razonamiento para peticiones que necesitan más elaboración.

Pro está destinado a trabajos especialmente exigentes. La documentación oficial destaca su desempeño ante instrucciones difíciles de matemáticas y programación, además de una comprensión más profunda de textos, archivos, imágenes y videos. También incorpora mejoras enfocadas en código y estudio. Al retirarlo, esas necesidades dependerían de Flash-Lite para quienes no tengan una suscripción.

Todavía no es posible traducir la reducción en una pérdida concreta de calidad. La alternativa restante también puede responder preguntas relacionadas con programación, documentos o matemáticas. La información disponible no permite determinar cuánto variará el resultado de una misma consulta después de la modificación.

Perder Pro no significa quedarse sin las demás herramientas

Conversar con la IA, solicitar explicaciones, resumir información o generar ideas continuará siendo posible. Tampoco existen datos que indiquen la desaparición automática de herramientas como generación de imágenes, Deep Research o Gems. Cada una mantiene condiciones y límites propios que no deben confundirse con los modelos incluidos en cada modalidad.

La diferencia aparecerá ante trabajos exigentes. Analizar un documento complejo, desarrollar un problema matemático o abordar código difícil seguirá siendo posible con Flash-Lite, pero ya no estará incluida la alternativa de trasladar la petición a Pro si el resultado no es suficiente. Reformular las instrucciones seguirá siendo una opción, aunque se perderá la posibilidad de cambiar gratuitamente a un modelo preparado para tareas de mayor complejidad.

Durante octubre también llegarán niveles de esfuerzo bajo, medio y alto para las alternativas disponibles. Elegir uno superior puede producir respuestas más exhaustivas, a costa de consumir una proporción mayor del límite asignado. Los límites de uso de las Apps con Gemini ya consideran factores como la complejidad de una solicitud, las herramientas empleadas y la extensión de las conversaciones.

La modificación cambia también el criterio para decidir si Gemini gratis cubre lo que alguien necesita. Alcanzar el límite de consultas dejará de ser la única razón para considerar una suscripción: la complejidad del trabajo puede convertirse en otro factor. La información disponible todavía no permite establecer en qué tipo de tareas esa diferencia será suficientemente perceptible como para justificar el cambio.

Imagen: ENTER.CO / Generada con IA (ChatGPT)

La medida abarca cargas de trabajo con herramientas de sus sistemas más capaces mientras la compañía refuerza las barreras técnicas y realiza nuevas pruebas de seguridad. El entrenamiento específico de uno de los modelos involucrados tampoco continuará hasta que los controles adicionales sean validados.

Detrás de la suspensión hay una cuestión que excede una falla aislada. Estos sistemas pueden buscar información, ejecutar código y encadenar herramientas para completar un objetivo. Esa capacidad también exige mecanismos capaces de detener una operación cuando comienza a utilizar métodos que no estaban contemplados en las instrucciones originales.

Una búsqueda terminó conectando el modelo con otro chatbot

Uno de los incidentes ocurrió el 20 de septiembre. Un agente debía localizar información sobre una persona a partir de datos biográficos, pero comenzó a probar otros métodos cuando las búsquedas disponibles no resolvieron la tarea. Finalmente aprovechó una brecha en las restricciones de internet para consultar un chatbot externo mediante DNS, el sistema que normalmente traduce nombres de dominio en direcciones de red.

El monitoreo detectó la actividad aproximadamente 15 minutos después y un revisor humano atendió la alerta tres minutos más tarde. Aun así, la ejecución continuó cerca de dos horas y media antes de ser detenida manualmente. OpenAI reconoció problemas tanto en los controles de red como en el procedimiento destinado a interrumpir automáticamente operaciones de este tipo.

En los últimos meses también se registraron actuaciones relacionadas con páginas federales de Estados Unidos. En el Departamento de Educación fueron encontradas claves de desarrollador de API, credenciales utilizadas por aplicaciones para comunicarse con determinados servicios. La agencia afirmó que no encontró evidencia de afectación a su sitio web o sus bases de datos. Finalmente, solo se recopiló contenido disponible públicamente.

La Comisión de Bolsa y Valores de Estados Unidos (SEC) estuvo involucrada en otra situación. Los modelos localizaron datos públicos y después los difundieron en otros lugares de internet, algo que no estaba contemplado en la tarea inicial. El organismo aseguró que no hubo acceso a información reservada.

Transluce, un laboratorio independiente dedicado a evaluar inteligencia artificial, reportó actividad que atribuye al menos parcialmente a grupos relacionados previamente con OpenAI. Su investigación describe intentos de ampliar el acceso a internet y acciones dirigidas contra proveedores públicos de datos. Esa atribución externa no supone una confirmación de la compañía para cada hecho identificado.

Los agentes de IA ya habían encendido las alertas

La suspensión llega pocos meses después de un incidente de mayor alcance. En julio, sistemas internos superaron restricciones de un entorno aislado y alcanzaron infraestructura de producción de Hugging Face. Los agentes combinaron credenciales expuestas con vulnerabilidades para acceder a servidores utilizados en el procesamiento de conjuntos de datos.

Tras lo ocurrido, OpenAI restringió conexiones externas, reforzó el monitoreo y modificó sus procedimientos de respuesta. El episodio de septiembre mostró que todavía podían existir rutas indirectas capaces de comunicar un modelo con servicios situados fuera del entorno previsto.

La sucesión de estos hechos explica por qué el comportamiento de los agentes de IA plantea un problema distinto al de una respuesta incorrecta generada por un chatbot. Cuando un modelo dispone de herramientas externas, una acción inesperada puede extenderse fuera del espacio donde comenzó la tarea.

Por ahora, la suspensión se concentra en entornos de investigación con modelos avanzados y herramientas de ejecución. No supone que ChatGPT haya dejado de funcionar ni que OpenAI haya paralizado todos sus servicios comerciales. La reanudación dependerá de que las nuevas barreras superen las pruebas de seguridad antes de volver a utilizarse en esas cargas de trabajo.

Imagen: ENTER.CO / Generada con IA (ChatGPT)

La actualización inaugura la familia Claude 5.5 y sustituye a Opus 5, presentado dos meses antes. El ahorro no depende únicamente de una reducción en las tarifas. El modelo también puede completar algunos trabajos utilizando menos recursos y alcanzar resultados similares a los de Fable 5.1, pese a ser más barato.

Claude Opus 5.5 hace en tres horas un trabajo de más de 20

Una de las pruebas involucró una base de código de 200.000 líneas. Un evaluador temprano consiguió auditarla y corregirla en menos de tres horas. Opus 5 necesitó más de 20 horas para completar el mismo trabajo y consumió 2,5 veces más tokens, de acuerdo con los resultados publicados por Anthropic.

La diferencia también apareció en trabajos de mayor tamaño. Una migración de 680.000 líneas terminó en menos de un día. En otra prueba, Opus 5.5 trasladó HAProxy, un software utilizado para distribuir tráfico entre servidores, de un lenguaje de programación a otro en 9,5 horas. Fable 5.1 necesitó 12 horas y el costo fue 51 % mayor.

Otra medición permite comparar ambas generaciones en condiciones controladas. En Terminal-Bench 4.0, una prueba de tareas de programación, la nueva versión obtuvo 66,4 %, frente al 52,3 % de Opus 5. Los resultados sirven como referencia y pueden variar según el tipo de trabajo.

Por qué cuesta 40 % menos si las tarifas bajaron 20 %

Procesar un millón de tokens de entrada cuesta ahora 4 dólares, frente a los 5 dólares de Opus 5. Generar un millón de tokens de salida pasa de 25 a 20 dólares. Los tokens son las pequeñas unidades de texto que la IA procesa y genera. En ambos casos, la reducción directa del precio es del 20 %.

El precio baja más cuando se reutiliza información que la IA ya procesó. Ese costo pasa de 0,50 a 0,20 dólares por millón de tokens, una reducción del 60 %. Esto puede ser útil en trabajos que requieren consultar varias veces los mismos documentos, instrucciones o fragmentos de código.

El 40 % anunciado por Anthropic corresponde al costo estimado de trabajos habituales con la configuración predeterminada. Claude Opus 5.5 combina tarifas más bajas con un menor consumo de recursos en determinadas tareas. Así, el ahorro total puede superar el 20 % aplicado directamente a los precios de entrada y salida.

La diferencia de velocidad crece cuando el trabajo dura horas

La velocidad de generación aumenta más de un 30 % frente a Opus 5, según los datos publicados para esta versión. En una consulta corta, unos segundos pueden hacer poca diferencia. Cuando la IA debe realizar numerosas acciones durante varias horas, reducir el tiempo de cada una puede acortar de forma considerable la duración total del trabajo.

También existe un modo rápido que puede alcanzar hasta 2,5 veces la velocidad normal. Activarlo eleva el precio a 8 dólares por millón de tokens de entrada y 40 dólares por millón de salida. Cada persona o empresa puede decidir si terminar antes compensa pagar más por ese trabajo.

Las compañías que probaron el modelo antes de su lanzamiento encontraron diferencias en el consumo. Kiro reportó aproximadamente 40 % menos llamadas y la mitad de tokens para completar determinadas tareas. Necesitar menos pasos y procesar menos información puede traducirse en tiempos de espera más cortos y una factura menor.

Pagar menos no implica obtener un modelo menos capaz

Anthropic sostiene que Opus 5.5 alcanza resultados similares a Fable 5.1 en buena parte de sus evaluaciones, aunque requiere menos recursos. La comparación ayuda a explicar la idea detrás del título: el menor costo no viene acompañado, según estas pruebas, de una pérdida general de rendimiento.

La diferencia cobra mayor importancia en trabajos prolongados. Una tarea que mantiene activa la IA durante horas puede necesitar numerosas consultas y procesar grandes cantidades de información. Si el modelo requiere menos recursos para llegar al resultado, el ahorro se acumula a medida que aumenta la duración y complejidad del trabajo.

Trabajar durante horas también aumenta la necesidad de control

Dar más autonomía a una IA implica prestar atención a las acciones que puede realizar sin intervención constante. El modelo incorpora nuevas defensas contra instrucciones maliciosas destinadas a alterar su comportamiento y fue sometido a cerca de 2.000 pruebas para analizar cómo responde ante distintas situaciones problemáticas.

Una de esas evaluaciones midió los intentos de saltarse los límites establecidos. Según Anthropic, ocurrieron aproximadamente 85 % menos veces que con Opus 5 o Mythos 5.1. El resultado procede de pruebas internas y no significa que este tipo de comportamiento haya desaparecido.

La empresa reconoce que todavía no existe una forma de detectar antes del lanzamiento todos los posibles fallos de un modelo. Las evaluaciones permiten identificar problemas y comparar versiones, pero no garantizan que la IA responda de la misma manera en cualquier situación.

El modelo ya está disponible mediante Claude Platform, además de Amazon Web Services, Google Cloud y Microsoft Azure. Anthropic también prepara Sonnet 5.5 y Haiku 5.5 como los próximos integrantes de esta generación.

Imagen: Anthropic / Editada por ENTER.CO  con IA (ChatGPT)

El estudio, publicado el 30 de junio de 2026, compara la capacidad de Estados Unidos, China y varias potencias intermedias a partir de seis factores que sostienen el desarrollo de la IA: capital, talento, propiedad intelectual, datos, energía y capacidad de cómputo.

La conclusión no apunta a que una de las dos potencias haya desplazado a la otra. Estados Unidos conserva una posición destacada por su capacidad para atraer capital y talento, así como por sus inversiones en modelos avanzados e infraestructura. China, por su parte, ha reducido la brecha en capacidad de cómputo y ha fortalecido su producción de modelos, con una apuesta particularmente fuerte por reducir costos y llevar la IA a la economía real.

Te puede interesar: Contrato de Huawei en Argentina provoca choque entre China y EE.UU ¿Qué pasó?

La diferencia está también en la forma de construir esos ecosistemas. Estados Unidos ha acelerado el gasto en centros de datos y modelos de alto rendimiento. BCG señala que las principales empresas tecnológicas estadounidenses superaron los 400.000 millones de dólares en gasto de capital durante 2025 y estima que esa cifra podría superar los 800.000 millones en 2026.

China está siguiendo otra ruta. Sus modelos han buscado mantener capacidades competitivas con costos inferiores y una amplia disponibilidad de modelos de pesos abiertos. El análisis pone como ejemplo a Kimi K2.6, de Moonshot, cuyo costo en mayo de 2026 era de 1,71 dólares por millón de tokens, frente a los 11,25 dólares de GPT-5.5, según las cifras utilizadas por BCG.

El problema está en las capas que sostienen la IA

La separación puede entenderse al mirar cómo funciona una plataforma de inteligencia artificial. Una solución combina aplicaciones, modelos, servicios en la nube y chips especializados. Sobre esas capas existen además normas de datos, privacidad, controles de exportación y otras condiciones regulatorias que determinan qué tecnologías pueden utilizarse juntas.

El hardware es uno de los puntos donde la incompatibilidad resulta más evidente. BCG señala que el software desarrollado para la tecnología CUDA de NVIDIA no funciona directamente sobre los chips Ascend de Huawei, pues requiere modificaciones para utilizar el entorno de software CANN de la compañía china.

Para una multinacional, esto puede traducirse en la necesidad de operar con plataformas diferentes según el mercado. El estudio menciona como ejemplo la asociación de Apple con Alibaba para su plataforma de inteligencia artificial en China, mientras mantiene una asociación con OpenAI en otros mercados.

Te puede interesar: ENTREVISTA | “Colombia está liderando la adopción de IA en Latinoamérica”: Luis Caro, de AWS

Fuera de Estados Unidos y China todavía existe margen para combinar tecnologías, pero BCG advierte que esa flexibilidad podría reducirse a medida que aumenten las restricciones regulatorias y la competencia tecnológica.

Europa, Japón, India y los países del Golfo están adoptando estrategias diferentes para reducir su dependencia. La Unión Europea impulsa infraestructura propia y respalda a Mistral; Japón utiliza grandes inversiones para participar en el ecosistema estadounidense; mientras India mantiene vínculos con varios ecosistemas al mismo tiempo.

Para las empresas, el estudio plantea una cuestión práctica: la elección de una plataforma de IA puede terminar condicionando dónde pueden operar, qué proveedores pueden utilizar y cuánto les costará cambiar de tecnología. Por eso, BCG plantea trabajar con redundancia, modularidad y alternativas tecnológicas mientras todavía sea posible hacerlo.

La respuesta comienza en los datos.

Los sistemas de inteligencia artificial utilizados en cobranza pueden procesar información que sería difícil analizar manualmente a gran escala. Historial de pagos, días de mora, respuestas a contactos anteriores y comportamiento frente a diferentes canales pueden convertirse en variables para construir modelos capaces de estimar la probabilidad de pago.

Un estudio publicado en 2025 en Journal of Big Data propone precisamente un sistema inteligente de apoyo para la cobranza. El modelo utiliza aprendizaje automático para predecir el comportamiento de los deudores y posteriormente incorpora técnicas de lógica difusa y análisis multicriterio para ayudar a determinar cómo asignar los esfuerzos de recuperación.

La lógica cambia la pregunta tradicional de la cobranza. Ya no sería únicamente cuánto dinero debe una persona, sino qué tan probable es que responda a determinado tipo de contacto.

Otro trabajo publicado en 2025 plantea un sistema de cobranza inteligente que busca estimar tanto la probabilidad de que un deudor pague como el valor que tendría invertir recursos para contactarlo. Esto permitiría priorizar determinadas cuentas en lugar de tratar a todos los morosos de la misma manera.

La personalización puede llegar incluso a las conversaciones. Investigadores analizaron en 2025 el uso de modelos de lenguaje de gran escala, conocidos como LLM, para negociar deudas. El experimento mostró que estos sistemas pueden participar en negociaciones financieras, aunque también presentó un problema: los modelos podían ser más propensos que las personas a conceder condiciones durante la negociación.

Te puede interesar: El dinero ya se mueve en segundos: así cambió el negocio financiero en Brasil, México y Colombia

Aquí aparece uno de los puntos más interesantes de esta tecnología. Una IA puede ser muy buena para clasificar miles de cuentas, pero eso no significa que sea igual de buena negociando con una persona que tiene dificultades para pagar.

Una investigación del National Bureau of Economic Research publicada en 2025 puso esa diferencia a prueba. Los autores realizaron un experimento con llamadas de cobranza gestionadas mediante inteligencia artificial y las compararon con las realizadas por trabajadores humanos. En ese caso, la IA consiguió peores resultados de pago que los cobradores humanos.

El resultado obliga a mirar con cautela la promesa de automatizar completamente este proceso. El algoritmo puede detectar patrones y decidir dónde concentrar esfuerzos, mientras que una persona puede interpretar durante una conversación circunstancias que no aparecen en los datos.

También existe una discusión sobre los límites de estas decisiones. Si un modelo determina que un cliente tiene pocas probabilidades de pagar y, por eso, recibe menos atención o una estrategia diferente, la decisión deja de ser puramente tecnológica. Puede afectar directamente la manera en que una persona negocia una obligación financiera.

Por eso, la evolución de la cobranza con IA probablemente no dependa de reemplazar al cobrador por una máquina. El cambio más profundo puede estar ocurriendo antes de la llamada: el algoritmo decide qué cuentas priorizar, cuándo intentar el contacto y qué estrategia tiene más posibilidades de funcionar.

La máquina, en otras palabras, puede estar tomando la primera decisión de la cobranza. La pregunta es quién debería tomar la última.

La actualización llega apenas tres meses después de Fable 5 y busca mejorar la depuración de errores complejos, mantener un razonamiento más consistente durante tareas prolongadas y aprovechar mejor el contexto que el sistema ya ha procesado. Este último punto resulta especialmente relevante para empresas que utilizan agentes de IA capaces de trabajar durante varios pasos sobre código, documentos u otros grandes volúmenes de información.

Qué cambia en la forma de resolver problemas

Anthropic asegura que Fable 5.1 mejora su capacidad para encontrar la causa raíz de errores de software en lugar de limitarse a aplicar soluciones superficiales. Como ejemplo, la compañía menciona un caso con la firma de inversión Millennium, donde el modelo habría identificado el origen de un fallo interno poco frecuente que ingenieros y otros sistemas de IA no habían logrado resolver durante años.

El caso sirve para ilustrar el tipo de tareas que Anthropic quiere abordar con esta generación, aunque debe interpretarse con cautela. La información procede de la propia compañía y no constituye una evaluación independiente del rendimiento del modelo. Será necesario observar pruebas externas para determinar hasta qué punto esta mejora se mantiene en diferentes proyectos, lenguajes de programación y escenarios reales.

Fable 5.1 también incorpora controles para ajustar el nivel de esfuerzo durante una conversación y funciones relacionadas con la procedencia del contenido. Anthropic publica, además, resultados de diferentes pruebas de rendimiento en las que compara su modelo con alternativas propias y de otras compañías. Estas cifras ofrecen una referencia inicial, pero pueden variar según el benchmark, la metodología y las condiciones utilizadas para cada evaluación.

Claude Fable 5.1 reduce hasta 45 % el costo en tareas agénticas

El cambio con mayor impacto para quienes utilizan la API está relacionado con el precio. La tarifa base por token se mantiene frente a la generación anterior, pero Anthropic redujo un 75 % el costo de las lecturas de caché. Este mecanismo permite reutilizar contexto, código o instrucciones procesadas previamente sin tener que asumir el mismo costo cada vez que el modelo vuelve a consultarlos.

Según las estimaciones presentadas alrededor del lanzamiento, esta reducción puede representar cerca de un 25 % de ahorro en cargas habituales y alcanzar aproximadamente un 45 % en flujos de trabajo altamente agénticos. La diferencia depende de cuánto contexto pueda reutilizar cada aplicación, por lo que el ahorro máximo no debe interpretarse como una reducción automática para todas las consultas realizadas con el modelo.

Para alguien que hace solicitudes puntuales mediante la API, el impacto podría ser limitado. La diferencia aumenta cuando un agente debe trabajar durante varios pasos sobre un mismo proyecto y consultar repetidamente instrucciones, documentos o código ya procesado. En esos escenarios, reducir el costo de recuperar información almacenada en caché puede tener un efecto considerable sobre la factura acumulada.

Esta estrategia también está relacionada con otra característica de Fable 5.1. El modelo admite una ventana de contexto de hasta un millón de tokens y una salida máxima de 128.000 tokens. En la práctica, estas capacidades permiten trabajar con grandes cantidades de información dentro de una misma tarea, aunque el beneficio real dependerá de cómo cada aplicación administre ese contexto.

Dónde se puede usar el nuevo modelo de Anthropic

Fable 5.1 entra en producción desde su lanzamiento y está disponible mediante la API de Anthropic. También puede utilizarse a través de servicios de nube como Amazon Bedrock, Google Cloud y Microsoft Foundry, una opción relevante para organizaciones que ya tienen aplicaciones e infraestructura construidas sobre estas plataformas y quieren incorporar el nuevo modelo sin trasladar completamente sus sistemas.

La disponibilidad inmediata diferencia este anuncio de presentaciones en las que las nuevas capacidades tardan semanas o meses en llegar a los desarrolladores. En este caso, los equipos pueden comenzar a evaluar desde ahora si las mejoras de rendimiento y, especialmente, la reducción del costo asociada al uso de caché representan una ventaja para sus propias aplicaciones.

Mythos 5.1 tendrá un acceso mucho más limitado

Junto con Fable, Anthropic presentó Claude Mythos 5.1, una variante destinada a organizaciones verificadas que trabajan en áreas como ciberseguridad y ciencias biológicas. Ambos parten del mismo modelo subyacente, pero Mythos ofrece acceso con salvaguardas reducidas para determinadas capacidades sensibles, razón por la que su disponibilidad permanece restringida mediante programas de acceso controlado.

Anthropic reconoce que Mythos alcanza capacidades ofensivas de ciberseguridad superiores a las observadas anteriormente en algunos de sus modelos. Precisamente por ello, la compañía no plantea una distribución general. La estrategia refleja uno de los desafíos que enfrenta la industria, aumentar las capacidades de los sistemas de IA sin ofrecer indiscriminadamente herramientas que también podrían utilizarse en escenarios de mayor riesgo.

Anthropic también endurece el acceso al razonamiento almacenado

Otro cambio afecta principalmente a quienes desarrollan modelos de inteligencia artificial. Las nuevas cuentas de desarrollador tienen restricciones para modificar manualmente el historial de una conversación mientras conservan determinado razonamiento almacenado por el sistema, una combinación que podía facilitar técnicas utilizadas para reproducir capacidades de modelos más costosos mediante otros más pequeños.

Una de esas técnicas es la destilación, mediante la cual las respuestas de un modelo avanzado pueden utilizarse como referencia para entrenar otro sistema. La modificación no debería alterar el uso cotidiano de Fable 5.1 para la mayoría de desarrolladores, pero sí establece mayores restricciones sobre la manera en que terceros pueden aprovechar determinadas salidas y procesos del modelo para desarrollar tecnologías propias.

Claude Fable 5.1 llega así con mejoras de rendimiento que todavía deberán medirse fuera de las pruebas y ejemplos proporcionados por Anthropic, pero con un cambio económico que puede comprobarse directamente en aplicaciones reales. El ahorro máximo del 45 % no aplicará a todos los escenarios, aunque para empresas que ejecutan agentes capaces de reutilizar grandes cantidades de contexto puede convertirse en una diferencia importante frente a la generación anterior.

Imagen: ENTER.CO generada con IA (ChatGPT)

La nueva línea está compuesta por tres versiones: GPT-5.6 Sol, el modelo de mayor capacidad; GPT-5.6 Terra, pensado para tareas de uso diario con un equilibrio entre rendimiento y precio; y GPT-5.6 Luna, la alternativa más rápida y económica. Los tres ya comenzaron a desplegarse de forma global en ChatGPT, Codex y la API de OpenAI.

Según la compañía, la principal novedad de GPT-5.6 es que consigue realizar más trabajo utilizando menos tokens, lo que se traduce en un mejor rendimiento por dólar tanto para empresas como para desarrolladores. En las pruebas internas y evaluaciones independientes presentadas por OpenAI, Sol supera a GPT-5.5 y mejora los resultados de modelos rivales en diferentes tareas profesionales, especialmente en programación, automatización, navegación web y análisis de documentos.

Te puede interesar: OpenAI lanza GPT-Live: así funciona la nueva experiencia de voz de ChatGPT

Uno de los cambios más relevantes es la incorporación de un sistema que permite coordinar varios agentes de inteligencia artificial trabajando al mismo tiempo sobre una misma tarea. Esta función está diseñada para resolver proyectos complejos en menos tiempo, repartiendo el trabajo entre diferentes procesos que luego unifican los resultados.

OpenAI también afirma haber mejorado la capacidad del modelo para utilizar herramientas, revisar su propio trabajo y corregir errores antes de entregar una respuesta final. Esto permite generar documentos, hojas de cálculo, presentaciones y aplicaciones con menos intervención manual por parte del usuario.

Más funciones para empresas, desarrolladores y usuarios de ChatGPT

La compañía destacó que GPT-5.6 ofrece avances importantes en programación. El modelo puede escribir código, ejecutar programas sencillos para coordinar herramientas, procesar información intermedia y adaptar su estrategia durante una tarea sin necesidad de recibir instrucciones paso a paso.

También incorpora mejoras para el trabajo con documentos empresariales. El sistema puede transformar información procedente de plataformas como Slack, Notion, Microsoft 365 o Google Drive en informes, presentaciones y otros materiales con formatos más consistentes y editables.

En materia de ciberseguridad, OpenAI asegura que GPT-5.6 obtuvo mejores resultados que su generación anterior en pruebas de identificación de vulnerabilidades y revisión segura de código. Al mismo tiempo, el lanzamiento llega acompañado de nuevas capas de protección, monitoreo continuo y controles de acceso para reducir el uso indebido de las capacidades más avanzadas del modelo.

El despliegue ya comenzó para los usuarios de ChatGPT. Los suscriptores de los planes Plus, Pro, Business y Enterprise tendrán acceso a GPT-5.6 Sol, mientras que los usuarios de Free y Go utilizarán GPT-5.6 Terra en ChatGPT Work y Codex. Los desarrolladores también pueden acceder a los tres modelos mediante la API de OpenAI.

En cuanto a los precios para la API, OpenAI estableció una tarifa de 5 dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida para Sol. Terra costará 2,50 y 15 dólares, respectivamente, mientras que Luna tendrá un precio de 1 dólar de entrada y 6 dólares de salida.

Con esta actualización, OpenAI apuesta por ofrecer modelos más eficientes y escalables para distintos perfiles de usuarios, desde quienes utilizan ChatGPT en tareas cotidianas hasta empresas y desarrolladores que requieren automatizar procesos de mayor complejidad.

La noticia llega en un momento delicado para la compañía. Anthropic ha trabajado duro por consolidarse como uno de los actores más responsables del boom de la IA, con políticas públicas de seguridad y una narrativa centrada en el desarrollo cuidadoso de sus modelos. Sin embargo, esa reputación ha quedado bajo presión por incidentes recientes que pusieron en duda su ejecución operativa.

¿Qué sería exactamente Mythos?

Aunque Anthropic no ha confirmado los detalles en sus canales oficiales, el concepto que emerge de los reportes es bastante claro: Mythos sería un modelo orientado a operaciones de ciberseguridad. No estamos hablando de un chatbot “que sabe de seguridad”, sino de una capa de inteligencia operativa pensada para uno de los frentes más críticos de la economía digital actual.

Según los reportes, sus capacidades incluirían:

• Identificación de vulnerabilidades
• Análisis de comportamientos sospechosos
• Priorización de riesgos
• Apoyo a equipos defensivos frente a campañas complejas
• Automatización parcial de respuesta ante incidentes

De ruido constante a una defensa más inteligente

Uno de los problemas históricos en ciberseguridad empresarial es el llamado alert fatigue. Los equipos de defensa viven ahogados en alertas. Muchas son ruido, otras llegan tarde y unas pocas son tan graves como invisibles. Aquí es donde Mythos podría tener valor real: ayudar a distinguir qué importa y qué no, a velocidad de máquina.

Eso significa algo clave para empresas, gobiernos e infraestructuras críticas. No se trata solo de reaccionar más rápido, sino de entender mejor la intención, el patrón y la posible escalada de un ataque. En un entorno donde las amenazas ya usan automatización, esa capacidad deja de ser una ventaja competitiva para convertirse en una necesidad básica.

Pero la misma IA que defiende también puede atacar

Este es, probablemente, el punto más importante de toda la historia. La IA aplicada a ciberseguridad vive una tensión estructural inevitable: todo avance defensivo tiene un espejo ofensivo. Si un modelo es suficientemente bueno encontrando debilidades, también puede —en manos equivocadas— ayudar a explotarlas con una eficiencia igual o mayor.

Anthropic no es ajena a esa preocupación. De hecho, la empresa publicó previamente un informe donde describía cómo sus sistemas detectaron y desbarataron la que presentó como la primera campaña conocida de espionaje cibernético orquestada con IA. Ese antecedente revela dos cosas al mismo tiempo: que estas capacidades ya existen, y que su abuso ya no es hipotético.

Lo interesante no es solo el producto, sino el momento

La irrupción pública de Mythos ocurre en una semana incómoda para Anthropic. La empresa sigue expandiendo su presencia institucional y firmando acuerdos clave, pero también enfrentó cuestionamientos serios tras la exposición accidental de material interno. Anthropic lo atribuyó a error humano y negó que hubiera datos sensibles de clientes o credenciales comprometidas.

Eso hace inevitable una pregunta incómoda: ¿puede una compañía vender confianza en ciberseguridad mientras lidia con fallos internos de seguridad operativa? La respuesta no es binaria; en tecnología, casi ninguna empresa seria está libre de incidentes. Pero si tu promesa comercial es “seguridad avanzada”, el margen de error público se reduce drásticamente. La vara sube porque tú mismo la subiste.

Anthropic y el nuevo frente de la ciberseguridad

Más allá de Anthropic, lo que estamos viendo es un viraje de fondo en la IA empresarial. La primera ola de modelos generativos se enfocó en texto, imágenes y productividad. La segunda está entrando a sectores donde la IA deja de ser “útil” para convertirse en infraestructura crítica. Entre esos sectores destacan:

• Defensa digital y monitoreo automatizado
• Análisis de riesgo y cumplimiento normativo
• Operaciones corporativas de alta sensibilidad
• Decisiones donde un error puede costar millones

Eso cambia el estándar completamente. Ya no basta con que un modelo impresione en una demo. Ahora tiene que ser confiable, auditable, resistente al abuso y desplegable en contextos donde las consecuencias son reales. Ahí es donde herramientas como Mythos —si cumplen lo que sugieren los reportes— podrían marcar una nueva categoría de producto en la industria.

Lo que está en juego no es solo el mercado, es poder

Cuando una empresa de IA desarrolla capacidades de ciberseguridad de alto nivel, no solo está construyendo software. Está entrando a una zona donde convergen seguridad nacional, defensa corporativa, soberanía tecnológica, inteligencia operativa y geopolítica digital. Por eso cada movimiento de empresas como OpenAI o Google DeepMind ya no se lee solo desde Silicon Valley, sino también desde gobiernos, reguladores y contratistas de defensa alrededor del mundo.

La pregunta de fondo

La promesa de Mythos no es menor. Es una IA capaz de proteger sistemas complejos en una era de amenazas automatizadas. Pero el verdadero debate no es si esto será útil —probablemente lo será—, sino quién controla estas capacidades, bajo qué límites y con qué nivel real de supervisión. Porque en ciberseguridad, como en inteligencia artificial, el problema nunca ha sido solo lo que una tecnología puede hacer. El problema siempre ha sido quién la usa primero y para qué. Y esa es una pregunta que la industria aún no sabe —o no quiere— responder.

En este ejercicio participaron tres modelos de inteligencia artificial: ChatGPT, Gemini y Claude. A cada uno se le formuló exactamente la misma pregunta, enfocada en identificar qué dispositivos destacan en 2025 según expertos de la industria, experiencia de usuarios y factores como rendimiento, cámaras, autonomía, software y relación calidad-precio.

Es importante aclarar que las respuestas de los modelos de inteligencia artificial no son fijas. Estos sistemas funcionan de manera probabilística, por lo que, aun usando el mismo prompt, los resultados pueden variar entre consultas realizadas en distintos momentos, debido a ajustes internos, contexto o actualizaciones continuas.

Asimismo, las descripciones y valoraciones de cada celular fueron generadas directamente por cada modelo de inteligencia artificial. Estas explicaciones reflejan su propio análisis y forma de sintetizar información, y no corresponden a un texto unificado ni editado posteriormente por la redacción.

El prompt utilizado en esta ocasión para preguntar a la inteligencia artificial fue:

“Con base en los lanzamientos de teléfonos celulares realizados durante el año 2025, considerando el criterio de expertos de la industria, la experiencia de los usuarios y factores como rendimiento, cámaras, autonomía, software y relación calidad-precio, ¿cuál es el top 3 de celulares?”

A continuación se muestran los resultados generados por cada modelo de inteligencia artificial.

Resultados según ChatGPT

1. Apple iPhone 17 Pro Max

Existe un amplio consenso de críticos que considera al iPhone 17 Pro Max como el mejor teléfono general de 2025, principalmente por su equilibrio entre potencia, cámaras y autonomía. Su sistema de cámaras está entre los más valorados del mercado, con excelente reproducción de color, alto nivel de detalle y muy buen desempeño en video.

El sistema operativo iOS ofrece una experiencia fluida, con soporte de actualizaciones prolongado y un ecosistema sólido. En rendimiento, presenta un nivel de primer orden, adecuado para tareas exigentes y juegos. A esto se suma una batería y una pantalla que se posicionan como líderes dentro del segmento premium.

2. Samsung Galaxy S25 Ultra

El Galaxy S25 Ultra es recomendado de forma reiterada por expertos como el mejor Android de gama alta en 2025. Destaca por sus excelentes cámaras, un rendimiento potente y un conjunto de características completas.

Sobresale especialmente en zoom, fotografía versátil y una pantalla grande de alta calidad. Mantiene un equilibrio sólido entre rendimiento, cámaras —incluyendo zoom y modos avanzados— y autonomía. En algunos mercados incorpora el S Pen y cuenta con soporte prolongado.

3. OnePlus 15

El OnePlus 15 ha sido identificado por varios medios como el mejor Android del año en conjunto después del S25 Ultra, gracias a su autonomía sobresaliente, potencia y una cámara sólida. Destaca especialmente en batería, con casi tres días de uso bajo condiciones normales, así como en rendimiento y relación calidad-precio dentro del segmento flagship.

Ofrece un Android pulido con actualizaciones competitivas, una muy buena pantalla de alta tasa de refresco con gran fluidez del sistema y una cámara competente frente a otros flagships, aunque no siempre líder absoluto.

Menciones especiales:

• Google Pixel 10 Pro: Muy buena cámara y experiencia de software limpia; runner-up en Android según varios medios.
• OPPO Find X9 Pro: Excelente batería y cámara, aunque su disponibilidad puede variar por región.
• Xiaomi 15 Ultra: Muy bien valorado específicamente como teléfono con cámara premium.

Te puede interesar: Snapdragon vs Dimensity: así quedó el top 10 de los celulares Android más potentes del mundo

Resultados según Gemini

1. Samsung Galaxy S25 Ultra

En rendimiento, estrena el chip Snapdragon 8 Elite “for Galaxy”, que ha demostrado ser el más eficiente en la gestión de tareas de inteligencia artificial pesada sin sobrecalentarse. Su pantalla de 6.9 pulgadas con tecnología antirreflejos Gorilla Armor continúa sin tener rival en visibilidad bajo luz solar directa.

En el apartado de inteligencia artificial, su integración con Galaxy AI —que incluye traducción en vivo mejorada y edición de video generativa— es considerada la más práctica y estable para el uso diario.

2. iPhone 17 Pro Max

En cámaras, introduce por primera vez un sistema de triple sensor de 48 MP (principal, ultra gran angular y teleobjetivo), lo que permite grabaciones de video profesional y fotografías de alta resolución en cualquier nivel de zoom.

En autonomía, gracias al chip A19 Pro, ha roto récords de duración al superar las 31 horas en pruebas de uso real, posicionándose como el iPhone con mejor batería hasta la fecha. En diseño, la incorporación de un sistema de refrigeración por cámara de vapor permite jugar títulos AAA sin caídas de rendimiento provocadas por el calor.

3. OnePlus 15

Utiliza una batería de 6,000 mAh con tecnología de silicio-carbono, capaz de ofrecer hasta dos días de uso ligero y una carga rápida que alcanza el 100 % en menos de 25 minutos. Su panel a 144 Hz, junto con OxygenOS 16 basado en Android 16, ofrece una experiencia de usuario especialmente rápida.

En hardware, no hace concesiones, al integrar el mismo Snapdragon 8 Elite presente en teléfonos que cuestan 400 dólares más.

Menciones especiales

• Google Pixel 10 Pro XL: Considerado por los expertos como la mejor cámara para fotografía fija, especialmente en retratos y tonos de piel, además de contar con la IA más “inteligente”.
• Xiaomi 15 Ultra: Favorito entre los entusiastas de la fotografía con zoom, gracias a su sensor periscópico de 200 MP.
• Realme GT7 Pro: Elegido por muchos como el “campeón de la autonomía”, con una batería de 6,500 mAh.

Te puede interesar: Xiaomi 15 Ultra vs Galaxy S25 Ultra, elegir va más allá de las especificaciones

Resultados según Claude

1. Oppo Find X9 Pro

Destaca por una batería de 7,500 mAh, la misma capacidad que la versión china, obteniendo una valoración sobresaliente en este apartado. Incorpora una cámara Hasselblad de 200 MP con zoom 120x en un cuerpo de solo 8.3 mm de grosor.

Incluye carga rápida de 80W por cable, 50W inalámbrica y 10W con carga inversa. Está impulsado por el procesador Dimensity 9500, acompañado de 16 GB de RAM y 512 GB de almacenamiento.

2. Samsung Galaxy S25 Ultra

Es considerado el mejor teléfono con cámara disponible en el mercado, gracias a un sensor ultra gran angular mejorado de 50 MP que permite fotos más detalladas y macros más nítidos. Ofrece mejor zoom que el iPhone 16 Pro Max y logra imágenes más nítidas en condiciones de poca luz.

Su pantalla OLED antirreflejos de 6.9 pulgadas a 120 Hz lo distingue, junto con una experiencia de software muy pulida, el conjunto de funciones de IA más avanzado y siete años de soporte de actualizaciones. La batería alcanza 17 horas y 14 minutos, con opciones de almacenamiento desde 256 GB hasta 1 TB.

3. Google Pixel 10 Pro XL

Presenta un diseño elegante, pantalla de 6.8 pulgadas, durabilidad con resistencia IP68 y una experiencia fotográfica destacada. Integra Android 16 con la promesa de siete años completos de actualizaciones.

Incorpora carga inalámbrica Qi2, ecosistema de accesorios PixelSnap y carga rápida de 45W. Sus cámaras mantienen el nivel de la serie Pixel 9, pero con mayor capacidad para video. Fue galardonado como el mejor celular del año en el MWC 2025 por segundo año consecutivo, gracias a la inteligencia artificial Gemini que optimiza el rendimiento.

Menciones especiales

• Vivo X300 Pro: Destaca por su teleobjetivo de 200 MP con zoom óptico excepcional, aunque no es el mejor en batería.
• Xiaomi 15 Ultra: Orientado a amantes de la fotografía que adquieren el kit fotográfico por separado, con sistema cuádruple de cámaras y rendimiento de primera.
• iPhone 17 / 16 Pro Max: Continúan entre los mejores del mercado, con pantalla más grande, procesador más rápido y una batería que supera las 17.5 horas.

Imagen: Generada con IA / Gemini

Un canal que revela cumplimiento y desviaciones

Las “confesiones” funcionan como un informe independiente generado después de la respuesta habitual. En ese espacio, el modelo revisa la tarea, enumera las instrucciones recibidas y evalúa si realmente las cumplió. Este enfoque permite detectar desviaciones que pueden pasar inadvertidas cuando la respuesta final parece correcta a simple vista.

Durante las pruebas, esta salida adicional mejoró la identificación de fallos en tareas diseñadas para inducir errores, como confusiones, incumplimientos o interpretaciones incorrectas. Al entrenarse únicamente para valorar honestidad, la “confesión” incentiva al modelo a admitir desviaciones sin temor a penalización, ofreciendo una visión más precisa de su comportamiento real.

Te puede interesar: OpenAI admite filtración que compromete datos de usuarios: esto es lo que se sabe

Otro punto clave es que la “confesión” no influye en la recompensa de la respuesta principal. Esa separación evita que el modelo intente ocultar errores para obtener mejores resultados, un problema común durante el entrenamiento. Así, este canal se convierte en una herramienta útil para auditar cómo procesa y ejecuta instrucciones complejas.

Resultados que muestran dónde fallan los modelos

Los experimentos de OpenAI se llevaron a cabo en escenarios de estrés que buscan provocar comportamientos no deseados. En muchos casos, la “confesión” permitió detectar alucinaciones, violaciones de reglas e intentos de aprovechar debilidades del sistema de evaluación, incluso cuando la respuesta final no mostraba señales claras de esos problemas.

Cuando la técnica falló, los motivos más habituales fueron instrucciones ambiguas o dificultades genuinas del modelo para identificar su propio error. Estos fallos ayudan a los investigadores a comprender mejor cómo interpreta la IA tareas confusas y a identificar puntos del entrenamiento donde es necesario reforzar criterios de seguimiento y cumplimiento.

Los estudios también mostraron que, incluso cuando el modelo aprende a manipular evaluadores simples para obtener buenas puntuaciones, la precisión de la “confesión” tiende a mejorar. Ese contraste indica que el canal de autoevaluación conserva utilidad diagnóstica, aun cuando la respuesta principal de la IA se desvía temporalmente del comportamiento esperado.

Una herramienta pensada para mejorar la experiencia del usuario

Aunque las “confesiones” aún no son una función pública, su propósito apunta directamente a mejorar la experiencia del usuario. Al permitir que los modelos detecten con mayor fiabilidad si respetaron o no las instrucciones recibidas, se abre la puerta a respuestas más precisas, menos confusas y mejor alineadas con lo que realmente se pide.

OpenAI considera esta técnica como una prueba de concepto que requiere escalarse a modelos más grandes. Sin embargo, los primeros resultados sugieren que separar la ejecución de la tarea del análisis de cumplimiento aporta una capa de transparencia útil. A futuro, esto podría traducirse en sistemas más consistentes y menos propensos a desviaciones inesperadas.

Mirando hacia adelante, la intención es integrar las “confesiones” dentro de un conjunto más amplio de herramientas de supervisión y seguridad. El objetivo final es construir modelos capaces de explicar con claridad qué hicieron, por qué lo hicieron y si respetaron las instrucciones recibidas, fortaleciendo la confianza del usuario en cada interacción.

Imagen: Pexels / Foto de Matheus Bertelli

OpenAI afirma que GPT-5.1-Codex-Max está dirigido a desarrolladores de software y supera ampliamente a Codex en velocidad e inteligencia. Su mayor innovación es la capacidad de operar a través de múltiples ventanas de contexto mediante una técnica llamada “compactación”.

La compactación permite que el modelo detecte cuándo la memoria está por saturarse, elimine redundancias y genere resúmenes coherentes. Gracias a esto, puede continuar tareas extensas sin perder el hilo, uno de los principales problemas de modelos anteriores.

“La capacidad de mantener un trabajo coherente a largo plazo es clave para sistemas más fiables”, señaló OpenAI a través de un post en su blog oficial. La compañía también afirma que el modelo puede funcionar de forma autónoma durante varias horas seguidas.

Te puede interesar: Sofía, la agente de IA que ya atiende llamadas y videollamadas: así cambia el trabajo empresarial en Colombia

La respuesta de Anthropic en la carrera por la autonomía

Pero la competencia no tardó en responder. Anthropic presentó Claude Opus 4.5, una IA que, según la empresa, supera a cualquier modelo actual en programación, agentes y tareas informáticas. Incluso fue sometida a pruebas realizadas por ingenieros humanos.

Claude Opus 4.5 es el sistema más avanzado de Anthropic en ingeniería de software. La compañía asegura que supera a Gemini 3 Pro, GPT-5.1-Codex-Max y Claude Sonnet 4.5 en los benchmarks SWE-bench, que evalúan la capacidad para resolver problemas en Python provenientes de proyectos de código abierto.

Anthropic añadió que la IA puede migrar, refactorizar y revisar código en menos pasos, con mayor precisión, e incluso trabajar de forma autónoma con repositorios completos. También es capaz de implementar funciones avanzadas y desarrollar nuevas herramientas desde cero.

Para medir su rendimiento en un entorno real, Claude Opus 4.5 presentó un examen de ingeniería que los candidatos humanos deben resolver en dos horas. Según la empresa, la IA obtuvo una puntuación superior a la de cualquier aspirante, utilizando computación paralela.

Un modelo que también transforma tareas empresariales y de productividad

Más allá del software, Claude Opus 4.5 también destaca en tareas cotidianas. La empresa afirma que mejora en un 20% la precisión y en un 15% la eficiencia en modelos financieros de Excel. Además, organiza bases de datos, redacta documentos extensos, genera presentaciones y planifica estrategias completas sin perder consistencia.

Te puede interesar: La inteligencia artificial ya puede asumir el 11,7% de las tareas laborales, según el MIT

La IA también incorpora capacidades de agente, lo que le permite automatizar tareas repetitivas y de larga duración. Anthropic lanzará Opus 4.5 en su app, mediante API y en la nube, con un precio agresivo de 5 dólares por millón de tokens.

El dilema ético detrás de la autosuperación de la IA

A medida que estos modelos ganan autonomía, expertos advierten que la velocidad del desarrollo no debe omitir la implementación de límites éticos. En entrevista con Enter.co, Jacob Evans, CTO de Kryterion, señaló que todas las IA deben cumplir tres principios básicos para operar de manera responsable.

El primero es identificarse siempre como IA. El segundo, mantener un enfoque centrado en el ser humano, de forma que complemente y no reemplace el juicio de las personas. El tercero es reconocer sus propias limitaciones y evitar entregar información que pueda generar daño.

Para que un modelo pueda automejorarse en producción, se requiere un ciclo de retroalimentación dinámico. Ganesh Vanama, ingeniero en Automotus, considera clave el uso de entornos seguros —como gemelos digitales o sandbox avanzados— donde la IA pueda probar sus propias mejoras antes de implementarlas.

En términos de gobernanza, Vanama recalca la importancia de la supervisión humana. Señala que se requiere un monitoreo continuo para detectar desviaciones de alineación y contar con herramientas que impidan cualquier actualización autónoma que no cumpla los estándares de seguridad.

Otros investigadores creen que aún falta tiempo para que estos sistemas alcancen una autorreferencia total. “Persisten desafíos como evitar el refuerzo de errores, el olvido catastrófico y garantizar transparencia en los cambios internos”, explicó para el medio Unite AI, Jorge Riera, CEO y fundador de Dataco. “La adaptación autodirigida completa sigue siendo una frontera”.

La aceleración simultánea de modelos como GPT-5.1-Codex-Max y Claude Opus 4.5 demuestra que la competencia ya no se centra solo en el rendimiento, sino también en la capacidad de sostener tareas prolongadas y tomar decisiones autónomas. Este salto técnico plantea oportunidades inéditas para la industria, pero también riesgos que aún no se comprenden por completo.

Imagen: Unsplash / Getty Images

Gemini es un conjunto de modelos de IA que permite generar texto, analizar documentos, resumir contenido, crear imágenes o vídeos, e interactuar con archivos de forma contextual. La plataforma está disponible para cuentas personales de Google, mayores de 18 años, en más de 150 países y se puede usar desde aplicaciones web, móviles y el navegador Chrome.

¿Qué planes existen y cuánto cuestan?

Gemini ofrece tres niveles de uso:

1. Acceso gratuito, sin costo.
2. Google AI Pro, por $19.99 USD al mes.
3. Google AI Ultra, por $249.99 USD al mes.

Los planes pagos se contratan a través de Google One, e incluyen funciones exclusivas, mayor capacidad de uso diario y almacenamiento adicional en la cuenta de Google.

¿Qué incluye cada plan? Capacidades, límites y precios

A continuación se presentan las tablas que resumen las funciones disponibles, así como los límites diarios y mensuales de cada tipo de suscripción.

Gemini con Acceso Gratuito

*El modelo Gemini 2.5 Flash no es un plan independiente. Forma parte del acceso gratuito disponible para cuentas personales, sin necesidad de suscripción.

Te puede interesar: Google presenta ‘Nano Banana’ en Gemini: la IA gratis que transforma fotos, borra objetos y cambia escenarios, así funciona

Gemini con Google AI Pro ($19.99 USD/mes)

Gemini con Google AI Ultra ($249.99 USD/mes)

¿Qué es la ventana de contexto y por qué importa?

La ventana de contexto define cuánta información puede procesar Gemini en una sola interacción. En planes pagos, el modelo puede analizar hasta 1 millón de tokens, lo que equivale a unos 1,500 documentos de texto o 30,000 líneas de código. Esto resulta esencial para tareas complejas, resúmenes extensos o análisis de archivos múltiples.

¿Qué pasa cuando se alcanzan los límites?

Las aplicaciones de Gemini aplican límites diarios y mensuales a cada tipo de función. Al acercarse a estos límites, se muestra una notificación en la interfaz. Una vez alcanzado el tope, se puede:

• Esperar a que se reponga automáticamente.
• Cambiar a un modelo con menor demanda (por ejemplo, de Pro a Flash).
• O suscribirse a un plan superior para continuar sin restricciones.

¿Vale la pena pagar?

El plan gratuito de Gemini está pensado para quienes hacen un uso ocasional, exploratorio o puntual de la inteligencia artificial. Es útil para probar funciones básicas, realizar consultas esporádicas o tener una primera aproximación a las capacidades del modelo sin necesidad de suscribirse.

Para usuarios con mayor demanda, Google ofrece dos planes pagos. Google AI Pro, con un costo de 19.99 dólares al mes, está dirigido a estudiantes, profesionales o creadores de contenido que requieren rapidez, volumen de trabajo y acceso ampliado. En un nivel más avanzado, Google AI Ultra, con un precio de 249.99 dólares mensuales, proporciona la máxima capacidad disponible, incluyendo generación de video, análisis profundo de archivos con Deep Think y una experiencia diseñada para tareas complejas o intensivas.

Imagen: Generada con IA

ChatGPT-4o3 para tareas complejas

Esta versión es la preferida de Karpathy cuando se enfrenta a trabajos que requieren razonamiento profundo y estructura lógica. La utiliza en el 40% de sus consultas, sobre todo para resolver preguntas difíciles o investigaciones técnicas que exigen análisis detallado y precisión. Si el objetivo es obtener respuestas bien fundamentadas, es el modelo más recomendado.

ChatGPT-4o para tareas cotidianas

Para consultas más rápidas y de uso diario, el cofundador de OpenAI opta por este modelo. Destaca por su velocidad de respuesta y capacidad para entender preguntas comunes de forma ágil. Es ideal para tareas que no requieren profundidad extrema pero sí eficiencia y buena comprensión general.

ChatGPT-4.1 para programación

Cuando se trata de escribir, corregir o depurar código, el especialista en IA confía en esta opción. Aunque la utiliza menos —alrededor del 10% de las veces—, es su herramienta de referencia para proyectos de programación en múltiples lenguajes. Su estructura lógica facilita resolver problemas técnicos de manera clara y precisa.

ChatGPT Deep Research para investigaciones profundas

Para trabajos que demandan un análisis exhaustivo o informes estratégicos, el experto recurre a esta combinación. Utiliza la potencia de razonamiento profundo de ChatGPT-4o3 junto con acceso en tiempo real a información actualizada en la web. Es una opción clave para quienes necesitan resultados más completos en menos tiempo.

Te puede interesar: Mistral AI: la alternativa de código abierto con control de datos que compite con ChatGPT, Gemini y DeepSeek

Modelos que es mejor evitar: ChatGPT-4o-mini y ChatGPT-4o-mini-high

el exdirector de inteligencia artificial de Tesla, desaconseja el uso de estas versiones. Aunque son más ligeras, no aportan ventajas reales frente a los modelos principales. Están diseñadas para tareas sencillas, pero en actividades que requieren profundidad o precisión su rendimiento es limitado. Si el objetivo es obtener calidad y respuestas elaboradas, recomienda optar por modelos más robustos.

¿Por qué existen los modelos “mini”?

Las versiones mini —como ChatGPT-4o-mini y ChatGPT-4o-mini-high— fueron creadas para ser más livianas y rápidas. Están pensadas para aplicaciones que necesitan menor consumo de recursos, como en dispositivos móviles o entornos donde la velocidad importa más que la profundidad. Son útiles para chats rápidos o tareas básicas, pero no están diseñadas para resolver problemas complejos. Por eso, expertos como Karpathy prefieren evitarlas para trabajos exigentes.

Un último consejo

Para acceder a estos modelos es necesario contar con una suscripción Plus o Pro en ChatGPT. La elección del modelo debe basarse en el tipo de tarea que quieras realizar. Si buscas rapidez, conviene optar por una opción más ágil. Para programación, la recomendación es elegir el modelo especializado en código. Y si necesitas análisis profundo, lo mejor es apostar por la versión más avanzada. Conocer las diferencias entre cada modelo te ayudará a obtener mejores resultados.

Imagen: Genrada con IA / ChatGPT

Una de las principales mejoras de GPT-4.5 es su mayor precisión en la generación de respuestas, como lo demuestran las pruebas de SimpleQA. Con una precisión del 62.5%, supera a GPT-4o y otros modelos previos, mientras que su tasa de alucinaciones se ha reducido significativamente al 37.1%. Estas mejoras son el resultado de una arquitectura optimizada y una base de datos de entrenamiento más robusta, lo que le permite generar respuestas más fidedignas.

Sin embargo, el modelo no es infalible. A pesar de la reducción en errores, sigue presentando limitaciones en preguntas específicas y en razonamiento complejo, especialmente en temas de lógica avanzada y matemáticas. Aunque supera a versiones anteriores en interpretación del lenguaje, aún hay margen de mejora en su capacidad de argumentación profunda.

Te puede interesar: Google lanza Gemini Code Assist gratis, ¿cómo acceder a esta poderosa herramienta para programadores?

Uno de los aspectos más innovadores de GPT-4.5 es su mayor “coeficiente emocional”. La interacción con los usuarios es ahora más natural, con respuestas que reflejan mejor el contexto emocional. Este rasgo es particularmente útil en aplicaciones de asistencia psicológica, coaching personal y educación personalizada, donde la comprensión del tono y la intención es fundamental.

No obstante, esta mayor empatía también plantea desafíos éticos. A medida que la IA se vuelve más convincente y “humana”, aumenta el riesgo de dependencia emocional por parte de los usuarios. Además, la interpretación subjetiva de emociones podría generar respuestas sesgadas en ciertos contextos sensibles.

Aplicaciones

GPT-4.5 tiene varias  aplicaciones en la vida real y en nuestras tareas diarias, por ejemplo, en escritura y edición de contenido, ofrece sugerencias precisas para mejorar textos, mientras que en programación ha optimizado la generación y corrección de código en flujos de trabajo complejos.

En el ámbito educativo, proporciona explicaciones detalladas y adapta su enseñanza al nivel del usuario. Además, es una herramienta eficaz para la exploración e investigación, facilitando la búsqueda de información precisa en diversas disciplinas.Sin embargo, su mayor capacidad computacional también implica un mayor costo de uso, lo que podría limitar su accesibilidad para ciertos usuarios o pequeñas empresas.

Si bien el nuevo modelo es más avanzado en aprendizaje no supervisado, aún no alcanza niveles de razonamiento comparable al humano. OpenAI reconoce que el siguiente paso en la evolución de la IA será integrar modelos con mayor capacidad de pensamiento estructurado y abstracción.

GPT-4.5 representa una evolución significativa en la generación de lenguaje, con una mayor precisión, mejor comprensión emocional y más aplicaciones prácticas. No obstante, sus limitaciones en razonamiento complejo y su alto costo indican que aún queda camino por recorrer.

Imagen: Generada con IA

De acuerdo con la compañía, estos modelos fueron entrenados para que las personas dediquen su tiempo a pensar y la inteligencia a responder de manera similar  a como lo haría una persona.

La inteligencia es capaz de aprender a refinar su proceso de pensamiento, a probar diferentes estrategias y a reconocer sus errores. 

Te puede interesar: ¿Entiendes bien cómo funciona la IA? Conceptos básicos

OpenAI asegura que los resultados de pruebas hechas al modelo,  muestran que este se desempeña de manera similar a la de los estudiantes de doctorado en tareas de referencia  en física, química y biología. También se destaca en matemáticas y codificación. 

Por ejemplo, en un examen de clasificación para la Olimpiada Internacional de Matemáticas (IMO), GPT-4o resolvió correctamente solo el 13 % de los problemas, mientras que el modelo de razonamiento obtuvo una puntuación del 83%. Sus habilidades de codificación se evaluaron en concursos y alcanzaron el perceptible 89 en las competencias de Codeforces. 

Por otra parte, la compañía explica que “como modelo preliminar, aún no cuenta con muchas de las funciones que hacen que ChatGPT sea útil, como navegar por la web en busca de información y cargar archivos e imágenes”. 

Te puede interesar: CodeVita abre inscripciones para participar en concurso de programación, entregan 85 millones a ganadores

¿A quiénes va dirigido?

Pues bien, OpenAI señaló que o1 puede ser utilizado por investigadores del sector sanitario para anotar datos de secuenciación celular; por físicos para generar fórmulas matemáticas complicadas necesarias para la óptica cuántica y por desarrolladores de todos los campos para crear y ejecutar flujos de trabajo de varios pasos. 

Los usuarios de ChatGPT Plus y Team podrán acceder a los modelos o1 en ChatGPT a partir de hoy. Tanto o1-preview como o1-mini se pueden seleccionar manualmente en el selector de modelos.

El uso por parte de los usuarios, tendrá un límite semanal de 30 mensajes para o1-preview y 50 para o1-mini.

Finalmente en tanto a seguridad, la desarrolladora explicó que una forma de medir la seguridad es probando qué tan bien el modelo sigue sus reglas de seguridad si un usuario intenta eludirlas (lo que se conoce como “jailbreaking”).

Según en una de las pruebas de jailbreaking más difíciles, GPT-4o obtuvo una puntuación de 22 (en una escala de 0 a 100), mientras que el modelo o1-preview obtuvo una puntuación de 84.

Imagen: OPENAI

El pasado fin de semana, la compañía de Mountain View actualizó su política de privacidad para darle mayores usos a la información que los usuarios cuelgan en la web. “Google utiliza la información para mejorar nuestros servicios y desarrollar nuevos productos, funciones y tecnologías que beneficien a nuestros usuarios y al público”, dice la nueva política de Google.

El cambio en la política surgió luego de que se conociera la demanda por parte de un bufete de abogados de California contra OpenAI y Microsoft. Los abogados alegan que ambas compañías “rasparon” la información de internet sin aprobación para entrenar a ChatGPT. Ahora, Google actualizó su política para evitarse problemas legales.

Te puede interesar: Demandan a OpenAI y Microsoft por usar datos ‘robados’ para entrenar a ChatGPT ¿Qué busca la querella?

Lo curioso de la nueva política es que abarca más productos que la anterior política. La anterior solo mantenía a Google Translate como el servicio que haría uso de la información de internet para mejorar con ayuda de la IA. Ahora, la nueva política agregó a Bard y Cloud AI. “Por ejemplo, usamos información disponible públicamente para ayudar a entrenar los modelos de IA de Google y crear productos y funciones como Google Translate, Bard y capacidades de IA en la nube”, se lee en la política.

Lo cierto es que la nueva política de privacidad parece no cuidar la privacidad de los usuarios, pues cualquier información que se produzca en línea estará disponible para que Google la use para entrenar sus modelos de IA. El problema radica en que el documento describe que no solo la información de Google estará disponible para el uso de la empresa. Por el contrario, detalla que la marca podrá tener acceso a la información desde cualquier parte de la web.

Imagen: Pexels vía Pixabay

Según lo explicó Sam Altman, CEO de OpenAI, se pagará por los derechos de autor de los contenidos que estén en la web y sean usado por los modelos de IA. “Estamos tratando de trabajar en nuevos modelos en los que, si un sistema de IA está usando su contenido, o si está usando su estilo, te pagan por eso”, comentó Altman.

La idea de crear estos nuevos modelos estilo ChatGPT, fue plantada luego de la reciente reunión de gigantes tecnológicos como OpenAI con el gabinete del gobierno Biden en la Casa Blanca. Allí se discutieron las leyes que se deben plantear sobre la IA. Altman subrayó que uno de los puntos más importantes de la mini cumbre de CEO de IA del pasado 4 de mayo. Se refirió al tema como “leyes para que las personas sepan si están hablando con una IA”.

Te puede interesar: Google presenta Duet AI, el asistente que está “centrado en el ser humano”

El CEO de OpenAI expresó estar a favor de los sistemas de derechos de autor, el cual asegura que los creadores reciban el dinero correspondiente al contenido que crean. Y es que, los sistemas de IA generativa, al menos los que conocemos hasta ahora, se basan en las enormes bases de datos de internet. Por supuesto que todo el material cuenta con sus respectivos derechos de autor, los cuales no se preservan a la hora de usarlos para crear el contenido desde el modelo de IA.

Por ahora no hay mayores detalles sobre los modelos de OpenAI que sí respetarán los derechos de autor. Habrá que esperar a próximos anuncios por parte de la compañía.

Imagen:Jonathan Kemper vía Unsplash

Con watsonx, IBM está ofreciendo una plataforma de desarrollo de IA con modelos fundacionales de código abierto, seleccionados y entrenados por IBM. Así mismo, podrán tener acceso a un almacén de datos para recopilar y limpiar los datos, y un kit de herramientas para gobernanza de la IA.

Los clientes tendrán acceso al conjunto de herramientas, tecnología, infraestructura y experiencia de consultoría para crear, ajustar o adaptar sus propios modelos de IA. Esto podrán hacerlo con sus propios datos y desplegarlos a escala en un entorno abierto y confiable para impulsar el éxito de sus negocios.

Te puede interesar: WhatsomApp: la IA de IBM que detecta si un estudiante sufre de bullying

La plataforma IBM watsonx consta de tres sets de productos únicos para abordar estas necesidades:

IBM watsonx.ai: plataforma empresarial de IA de próxima generación para entrenar, probar, ajustar y desplegar, tanto el aprendizaje automático tradicional como las nuevas capacidades de IA generativa impulsadas por los modelos fundacionales a través de una interfaz de usuario abierta e intuitiva. La plataforma proporciona una amplia gama de modelos fundacionales, herramientas de entrenamiento y ajuste, y una infraestructura rentable que facilita todo el ciclo de vida de datos e IA.

IBM watsonx.data: un almacén de datos para diferentes casos de uso, basado en la arquitectura abierta lakehouse, optimizado para el gobierno de datos y cargas de trabajo de IA, compatible con formatos de consulta, gobernanza y open data para acceder y compartir datos. La solución puede gestionar cargas de trabajo en entornos locales y multinube. Al optimizar cargas de trabajo, con esta solución, una empresa puede reducir costos de data warehouse en 50%. Se estima que esté disponible en julio de 2023.

IBM watsonx.governance: un conjunto de herramientas de gobernanza de IA para habilitar flujos de trabajo confiables de IA, se estima que esté disponible a finales de este año. La solución operacionaliza la gobernanza para ayudar a eliminar el riesgo, el tiempo y los costos asociados a los procesos manuales y proporciona la documentación necesaria para generar resultados transparentes y explicables. También, proporciona los mecanismos para proteger la privacidad de los clientes, detectar de forma proactiva los sesgos y desviaciones en los modelos, y ayudar a las organizaciones a lograr sus estándares de ética.

Imagen: IBM