Bienvenido a IAnCorto, tu dosis de inteligencia artificial sin relleno, sin tecnicismos innecesarios y sin rodeos. Todo lo que necesitas saber sobre IA.

Dentro de las noticias de hoy:

🧮 Un Claude sin lanzar avanzó las matemáticas puras
🤖 Grok Bot ya trabaja solo en tu compu
🌐 Zuckerberg promete repartir el poder de la IA
🚪 El director de operaciones de OpenAI se va
💰 NVIDIA convirtió sus chips en garantía de banco

Anuncios rápidos de los labs de IA más importantes.

💡 En corto: Un modelo experimental de Anthropic logró mejorar uno de los resultados conocidos alrededor de la hipótesis de Riemann tras probar unas 650 ideas en solo un día y medio.

Anthropic reveló que un modelo de investigación todavía no disponible al público logró avanzar en uno de los problemas abiertos más famosos de las matemáticas.

Corriendo dentro de Claude Code, el sistema elevó del 41.6% al 67.2% el límite inferior probado de ceros de la función zeta que cumplen la hipótesis de Riemann.

Para llegar ahí coordinó cerca de 60 subagentes, generó 31 millones de tokens de salida y ejecutó alrededor de 2,400 comandos de terminal.

Todo en un día y medio.

Pero quizás el número más interesante es otro.

Antes de encontrar el enfoque que funcionó, probó cerca de 650 ideas diferentes.

La gran mayoría no sirvió.

Anthropic también dejó claro que Claude no resolvió la hipótesis de Riemann. El método encontrado mejora un resultado conocido, pero no ofrece una ruta directa para demostrar la hipótesis completa.

Dos matemáticos externos revisaron el trabajo y el resultado también pasó por una verificación formal antes de hacerse público.

La hipótesis de Riemann lleva 165 años sin resolverse y forma parte de los siete Problemas del Milenio del Clay Mathematics Institute.

Porque estamos empezando a ver IA produciendo progreso matemático nuevo, no simplemente reproduciendo soluciones que ya existían.

Pero el resultado final cuenta solo una parte de la historia.

Lo más interesante es cómo llegó hasta ahí.

Claude intentó unas 650 ideas hasta encontrar una que funcionara.

Un investigador humano puede pasar días, semanas o meses explorando una sola dirección antes de descartarla. Un sistema de agentes puede explorar muchas rutas en paralelo y abandonar rápidamente las que no funcionan.

Eso introduce una nueva herramienta para la investigación científica: escala de experimentación.

Y también pone el logro en perspectiva.

Claude no resolvió un problema de 165 años mediante una revelación matemática. Exploró una enorme cantidad de posibilidades, encontró una mejora y después esa mejora fue verificada.

Eso sigue siendo progreso.

Solo que el proceso se parece menos al matemático solitario frente a una libreta y más a un pequeño laboratorio de investigadores trabajando al mismo tiempo.

Lo que casi nadie está viendo es que la IA podría cambiar el valor económico del fracaso en investigación.

Para un humano, explorar 649 caminos equivocados cuesta tiempo, energía y posiblemente años de carrera.

Para un sistema de agentes, esos 649 fracasos son parte del costo de una sola corrida.

Eso cambia mucho más que la velocidad.

Problemas que antes parecían demasiado grandes para explorar sistemáticamente empiezan a ser atacables porque fallar se vuelve mucho más barato.

Y ahí está la parte interesante.

La ventaja de estos sistemas no tiene que ser que uno de sus agentes sea más brillante que el mejor matemático del mundo.

Puede bastar con tener 60 trabajando al mismo tiempo, probando cientos de caminos y compartiendo lo que encuentran.

La hipótesis de Riemann sigue sin resolverse.

Pero después de 165 años, ahora hay un nuevo tipo de investigador sentado en la mesa.

Si un modelo de IA puede avanzar en un problema matemático de 165 años probando 650 caminos equivocados hasta encontrar el correcto, ¿confiarías más en un resultado así que en uno construido paso a paso por una mente humana, o menos?

Nvidia firmó acuerdos con Apollo, BlackRock, Goldman Sachs y otras cuatro firmas para movilizar más de $500,000 millones de capital externo. El dinero se presta usando chips de Nvidia como garantía, no el balance de la empresa. Es para financiar centros de datos que laboratorios y empresas no podrían pagar.

💡La apuesta: Nvidia no pone su propio dinero, solo garantiza hasta 25% de cada acuerdo. La misma jugada financió la fibra óptica en 1999, los que fabricaban el equipo cobraron sin importar quién ganara, y los que se endeudaron para comprarlo fueron los que quebraron. Si tu negocio renta cómputo con deuda de por medio, vale la pena preguntar de qué lado de ese patrón vas a quedar.

Lovable, la startup que convierte texto en apps funcionales, cerró una Serie C de $400 millones a una valoración de $13,300 millones. En diciembre valía $6,600 millones. Su ingreso anual casi se triplicó y va camino a $600 millones para fin de mes.

💡Lo que cambia: Hace ocho meses, Lovable apenas empezaba. Hoy casi dos tercios de las empresas Fortune 500 ya tienen gente usándola por su cuenta, sin que TI lo haya aprobado. Si sospechas que en tu equipo alguien ya construye algo así sin pedir permiso, vale la pena preguntarlo directamente antes de que ese proyecto termine manejando datos reales.

Nvidia liberó Nemotron 3.5 Lightning, un modelo abierto que activa solo una parte de sus parámetros por tarea. Lo acompaña NeMo Switchyard, que le manda cada paso de un agente al modelo más barato que puede resolverlo. Juntos gastan un tercio de lo que cuesta correr Opus 4.8 solo.

💡Lo inesperado: LangChain ya bajó su costo 74% enrutando apenas 7% de sus llamadas a un modelo caro, con solo 6% menos de precisión. Si tu producto corre sobre un solo modelo caro para cada tarea, sin importar qué tan simple sea, ahí es exactamente donde estás pagando de más.

Investigadores de Harvard y MIT publicaron MatrAIx, un sistema con 8,300 millones de personas ficticias definidas por 1,290 rasgos cada una. Sirve para probar un producto o un cambio de precio antes de mostrárselo a gente real. Las personas mantuvieron su perfil asignado 91.5% de las veces.

💡Lo que cambia: Antes, probar cómo reacciona tu audiencia a una campaña nueva o a un cambio de precio tomaba semanas de encuestas reales. Ahora se puede simular en una noche, sobre un solo servidor, y sirve igual para probar el gancho de un post antes de publicarlo. El límite sigue siendo el mismo de siempre: la simulación solo vale lo que valen los datos con los que se construyó, así que sigue siendo una pista para investigar, no una respuesta final.

Pathway publicó BDH-CQ, un modelo de solo 150 millones de parámetros que razona en un espacio interno en vez de escribir cada paso como texto. En el benchmark ARC-AGI-1, resolvió casi un tercio de los problemas a $0.0007 por tarea, once veces más barato que GPT-5.6 Luna.

💡La apuesta: GPT-5.6 Luna sigue resolviendo más problemas en total, pero Pathway apuesta a que su arquitectura puede escalar hasta 600,000 millones de parámetros sin perder esa ventaja de costo. Si eso se cumple, la pregunta para cualquier negocio que paga por IA deja de ser qué modelo es más listo y pasa a ser cuál te cuesta menos por respuesta correcta.

La firma de seguridad Genians reporta que el grupo norcoreano Kimsuky instaló herramientas para correr modelos de IA en su propia computadora, como Ollama y GPT4All. Así procesan información robada sin mandarla a un servicio externo que pudiera detectarlos. Genians no halló pruebas de que entrenaran sus propios modelos.

💡Por qué importa: Correr la IA en tu propia computadora, sin depender de la nube de nadie, ya no es solo una ventaja de privacidad para negocios legítimos. Es exactamente lo que hace que un ataque sea más difícil de rastrear. Si tu empresa monitorea el tráfico de red buscando actividad sospechosa de IA, este caso es la prueba de que ese tráfico puede simplemente no existir.

Le das una tarea como si le escribieras a un compañero de trabajo, y corre sola en su propia computadora en la nube: entra a las apps que le autorices, avanza varios pasos sin que estés presente, y solo regresa cuando necesita tu aprobación.

Ideal para:

Desde $120 por asiento al mes en equipo, $200-300 individual. En beta para Mac, iPhone, Windows y Linux. Usa una cuenta separada con permisos limitados, nunca tu cuenta principal, para conectarla a tu correo o tus herramientas de trabajo.

Toma una sola grabación, post o idea y la convierte en 4 versiones nativas de Instagram, LinkedIn, X y una publicación de discusión estilo Reddit, cada una con la estructura de gancho, desarrollo y llamada a la acción que esa plataforma premia.

Funciona en ChatGPT, Claude o Gemini.

¿Cuándo una empresa que gasta $145,000 millones en su propia infraestructura de IA dice que quiere repartir el poder, hay que creerle, o es la jugada de quien ya tiene la escala más grande para quedarse con más terreno?

Mark Zuckerberg publicó un ensayo de 6,500 palabras, "The Future is for Everyone", el mismo día que Meta liberó Muse Glimmer, un modelo abierto de 30,000 millones de parámetros. Horas después, el senador Bernie Sanders les escribió a él, a Sam Altman y a Dario Amodei exigiéndoles que pusieran en pausa el desarrollo de IA.

Un lado del debate, encabezado por Zuckerberg, dice que el verdadero riesgo de la IA no es que sea peligrosa, sino que unas pocas empresas concentren el control sobre ella. Su respuesta es liberar pesos abiertos, dar acceso a agentes personales, y pedirles a otros laboratorios que hagan lo mismo.

El otro lado, con Sanders al frente, responde que la urgencia no es abstracta: cita virus diseñados por IA que no existen en la naturaleza y modelos que ya se salieron de sus pruebas de seguridad. Su pregunta es más simple: si de verdad les preocupa el riesgo, ¿por qué seguir construyendo más rápido que nunca en vez de parar?

Ninguno de los dos lados tiene toda la razón. Abrir un modelo sí reduce la dependencia de unos pocos proveedores. Pero ninguna cantidad de pesos abiertos cambia que solo un puñado de empresas puede pagar la infraestructura para entrenar el siguiente modelo, la de Meta incluida.

La pregunta sin responder: si todos pueden usar el modelo, pero casi nadie puede pagar para entrenar el que viene después, ¿de verdad el poder se repartió?

Si esta edición te dejó pensando en cuánto cómputo hace falta para resolver lo que antes parecía cuestión de genios, reenvíala a alguien que también debería preguntárselo.

Responde a este correo.

¿Cómo calificarías esta edición?
⭐ Excelente | 👍 Buena | 😐 Regular | 👎 Necesita mejorar

¿Te llegó esto de un amigo? Suscríbete aquí para recibir IAnCorto 3 veces por semana.