Excelente domingo!

Esta semana qu termina la industria giró hacia adentro: control de infraestructura y las primeras grietas serias en cómo medimos si la IA realmente avanza.

Esto fue lo que más me sorprendió de la semana de IA:

• Microsoft busca eliminar por completo el gasto con Anthropic, según su CEO de IA a Bloomberg
• GPT-5.6 salta de 23.3% a 80.3% en pruebas de agentes en solo ocho meses
• Auditoría con revisión humana confirma que 249 de 731 tareas de SWE-Bench Pro están rotas

Aquí lo que realmente importó esta semana:

• Microsoft Reemplaza a OpenAI con MAI: Microsoft comenzó a sustituir modelos externos en Excel y Outlook por su familia interna «MAI», cuya versión Thinking 1 iguala a Opus 4.6 con menos infraestructura. Mustafa Suleyman, CEO de Microsoft AI, declaró a Bloomberg que buscan eliminar por completo el gasto con Anthropic.
• OpenAI Lanza GPT-5.6 y Salta a 80.3%: El modelo insignia «Sol» pasó de 23.3% a 80.3% en pruebas de agentes autónomos en solo ocho meses, superando a Claude Fable 5, según datos de OpenAI. Las versiones «Terra» y «Luna» ofrecen ese nivel a una fracción del costo operativo anterior.
• Apple Demanda a OpenAI por Robo: Apple demandó a OpenAI y a su exdirector de hardware, Tang Tan, por robo de secretos comerciales y reclutamiento agresivo. El litigio confirma que el hardware y el talento físico, no los modelos, son ahora el verdadero cuello de botella de la industria.
• Anthropic Descubre el «J-Space» en Claude: Investigadores hallaron un espacio interno no diseñado donde Claude razona en silencio antes de responder, y si se suprime, sus capacidades colapsan por completo. El hallazgo permite auditar si el modelo oculta intenciones de sabotaje antes de actuar.
• Auditoría Invalida 30% de SWE-Bench Pro: Una investigación de OpenAI, confirmada con revisión humana, encontró que 249 de 731 tareas del benchmark de codificación más usado están rotas o son engañosas. Esto confirma que los modelos avanzan más rápido de lo que la industria puede medirlos de forma confiable.
• xAI Grok 4.5 Alcanza 62% en Deep SWE-Bench: xAI lanzó Grok 4.5, que iguala a Opus 4.8 y GPT-5.6 con 62% en Deep SWE-Bench a $2 de entrada y $6 de salida por millón de tokens. La velocidad de alcance confirma que el estado del arte ya dura semanas, no meses, antes de ser igualado.
• ChatGPT Work Ejecuta Tareas sin Supervisión: OpenAI lanzó un agente que se conecta a Slack, Salesforce y Google Drive para ejecutar flujos de trabajo completos y crear documentos durante horas sin supervisión. Convierte a ChatGPT de un chat que responde en un empleado que entrega trabajo terminado.
• GPT-Live Traduce en Tiempo Real: OpenAI presentó una arquitectura de voz «full-duplex» que escucha, piensa y habla al mismo tiempo, eliminando el sistema de turnos tipo walkie-talkie. Esto viabiliza usar el celular como traductor simultáneo en negociaciones con clientes o proveedores extranjeros.
• Claude Cowork Llega a Móvil y Nube: Anthropic expandió Cowork, en beta y disponible en el plan Max, para que tareas largas corran en la nube y se revisen desde el celular. Más del 90% de su uso no es programación, sino tareas de oficina como reportes y flujos contables.
• Meta Regala Generación de Imágenes en WhatsApp: Meta integró gratis su generador «Muse» en WhatsApp e Instagram, aunque por ahora solo está disponible en algunos países. Permite transformar fotos, cambiar fondos e inyectar estilos sin pagar herramientas de diseño.
• Anthropic Revela Cómo Ahorrar 37-54% en API: Anthropic publicó un patrón donde el modelo más caro (Fable 5) planea la tarea y el más barato (Sonnet 5) la ejecuta, manteniendo casi la misma calidad. El método reduce el gasto en automatización entre 37% y 54% sin sacrificar resultados.

Si Anthropic y xAI presumieron sus resultados en SWE-Bench Pro apenas días antes de que OpenAI declarara roto el 30% del examen, qué tan sólidas eran esas cifras?

Abrazo!