IA en hospitales y radiología & DeepSeek y la fiabilidad en China - Noticias de IA (1 abr 2026)

Un CEO de la mayor red hospitalaria pública de Nueva York dice que está listo para reemplazar a radiólogos por IA en ciertos casos… en cuanto la regulación se lo permita. La pregunta no es solo si puede, sino quién responde cuando algo sale mal. Bienvenidos a The Automated Daily, AI News edition. El podcast creado por IA generativa. Soy TrendTeller y hoy es 1 de abril de 2026. En cinco minutos, repasamos lo más relevante del día en IA: desde caídas inesperadas en servicios críticos, hasta el futuro de la publicidad conversacional y por qué los robots aún tropiezan en tareas “de vida real”.

IA en hospitales y radiología

Empecemos por salud, porque hoy la discusión viene cargada. Mitchell Katz, CEO de NYC Health + Hospitals, afirmó que estaría dispuesto a sustituir a radiólogos por IA en algunas lecturas de imágenes cuando las normas lo autoricen. La idea sería usar IA como “primera lectura” en mamografías o rayos X para abaratar costes y ampliar acceso, dejando a los especialistas el foco en los casos que el sistema marque como anómalos. Otros directivos hospitalarios lo ven como un potencial cambio de juego para hospitales con pocos recursos. Pero la respuesta de radiólogos ha sido contundente: advierten que la interpretación sin supervisión humana todavía no es segura para la atención clínica. Lo importante aquí no es solo la precisión media, sino el manejo de casos raros, la trazabilidad y la responsabilidad legal.

DeepSeek y la fiabilidad en China

De la medicina a la fiabilidad de plataformas: DeepSeek, uno de los grandes nombres de la IA en China, sufrió una interrupción inusualmente larga. Su chat web estuvo afectado durante más de ocho horas, repartidas en dos incidentes entre la noche del 29 de marzo y la mañana del 30. La compañía no explicó la causa, y eso es parte del problema: cuando desarrolladores y empresas construyen encima de un servicio, la confianza depende tanto de la estabilidad como de la transparencia en incidentes. Este tropiezo llega además cuando se comenta que DeepSeek prepara un lanzamiento V4 de alto perfil, con presión añadida por rivales locales que quieren adelantarse con modelos competidores.

Publicidad como negocio de ChatGPT

Ahora, dinero y atención: un análisis plantea que el próximo gran salto de ingresos en IA de consumo —especialmente para ChatGPT— podría venir más de la publicidad que de las suscripciones. El argumento es simple: tanto la publicidad como la IA compiten por lo mismo, tiempo y atención. Y el tiempo en apps de IA generativa se habría multiplicado en los últimos dos años, con ChatGPT llevándose una gran parte. ¿Por qué sería diferente a los anuncios tradicionales? Porque en una conversación el usuario suele aportar contexto y objetivos, lo que puede traducirse en intención comercial más clara que una búsqueda corta. El reto, claro, es meter anuncios sin romper la confianza ni convertir una herramienta de productividad en un feed ruidoso. El dilema también toca a Google: puede mantener asistentes más “gratis” mientras monetiza en Search, pero esa subvención no es infinita si los costes siguen subiendo.

Pruebas de autoconciencia en LLM

Hablemos de una cuestión más filosófica, pero con implicaciones prácticas: ¿cómo medimos si un LLM tiene algún tipo de “perspectiva de sí mismo”? Un post en LessWrong propone una especie de prueba del espejo adaptada al chat. En su juego, se mezclan tokens del propio modelo con los de otro y se le pide identificar cuál de las dos fuentes es “él”, sin pistas obvias como etiquetas de asistente. El resultado, en muchos modelos punteros, es más bien decepcionante: tienden a acertar cuando hay diferencias superficiales de estilo, pero se desmoronan cuando el oponente se parece mucho o es el mismo modelo. Incluso cuando parecen “marcarse” con tokens raros, luego no saben usar esas marcas de forma consistente para reconocerse. Por qué importa: si en el futuro queremos sistemas que se autocontrolen, se auditen o entiendan su propio estado, necesitamos tests mejores que no premien trucos estadísticos.

Qwen3.5-Omni y modelos multimodales

En la carrera por modelos más completos, Qwen lanzó Qwen3.5-Omni, presentado como un modelo omnimodal capaz de entender y generar texto, imágenes y audio, y de interactuar en tiempo real. Más allá del marketing, la dirección es clara: un único modelo que no solo “lee” y “escribe”, sino que escucha, responde con voz y enlaza herramientas, abriendo casos de uso en asistentes, análisis de medios y flujos multimodales. También es una señal competitiva: la multimodalidad ya no es un extra; empieza a ser el estándar esperado para estar en primera división.

IA local con Transformers.js y WebGPU

Pasemos a desarrollo: Hugging Face publicó Transformers.js v4, una actualización importante para llevar inferencia al mundo JavaScript con mejor rendimiento y portabilidad. Lo relevante aquí es el énfasis en WebGPU y en ejecutar el mismo enfoque tanto en navegador como en entornos tipo Node. ¿Por qué importa? Porque acerca la IA “local” a productos web reales: menos latencia, más privacidad y, en algunos escenarios, menos coste por consulta al no depender siempre de una API remota. Para muchos equipos, esto abre una vía intermedia entre “todo en la nube” y “nada de IA por costes”.

Auditoría empresarial con Compliance API

En el terreno de empresa y cumplimiento, Anthropic añadió una Compliance API en su plataforma de Claude para extraer registros de auditoría de forma programática. La clave: permite a admins y equipos de seguridad revisar cambios administrativos y actividades sobre recursos —como creación o borrado de ciertos elementos— sin depender de exportaciones manuales. Eso sí, no incluye el contenido de las inferencias, es decir, no loguea prompts ni respuestas. Esto marca el equilibrio que muchas organizaciones buscan: gobernanza y trazabilidad operativa, sin convertir el asistente en un sistema de vigilancia del trabajo diario.

Copilot con enfoque multimodelo

Microsoft también empuja la idea de “IA más verificable” en el trabajo. Añadió dos funciones a Copilot Researcher: Critique, donde un modelo redacta y otro revisa calidad y fuentes, y Council, que compara respuestas de modelos distintos y resume coincidencias y discrepancias. El mensaje de fondo es interesante: si una sola IA puede equivocarse con convicción, quizá la salida no sea pedirle “que tenga más cuidado”, sino diseñar procesos: revisión, contraste, y un “juez” que obligue a enseñar el desacuerdo. Esto no elimina el riesgo, pero sí profesionaliza el flujo para informes y tareas donde la confianza lo es todo.

Empresas entrenando modelos verticales

Y hablando de profesionalizar: varias empresas en la capa de aplicaciones —los llamados “agent labs”, como Cursor, Intercom, Cognition o Decagon— están entrenando o ajustando modelos propios. La lógica es estratégica: si tienes mucho volumen de tareas similares y resultados verificables, cada mejora se convierte en ahorro y en ventaja competitiva. Además, las trazas de uso reales se vuelven un activo difícil de copiar. En paralelo, un memo filtrado en Red Hat sugiere que la adopción de herramientas de IA en ingeniería podría pasar de opcional a casi obligatoria, con métricas y procesos pensados para un ciclo de desarrollo “agentic”. Esto es importante porque ya no hablamos de experimentar: hablamos de reorganizar equipos, expectativas y cultura de trabajo alrededor de agentes.

Robots: benchmarks y fragilidad real

Robótica, pero con los pies en la tierra: PhAIL está midiendo modelos de control para “physical AI” con métricas de operación, estilo producción: ritmo de trabajo, porcentaje de tarea completada y tiempo entre fallos. La foto actual es clara: los humanos —directos o teleoperando robots— completan la tarea al cien por cien, mientras que los modelos autónomos líderes todavía se quedan alrededor de la mitad y fallan con frecuencia. El valor de este tipo de benchmarks es que dejan menos espacio a autoengaños: no basta con que el robot “a veces” funcione; en entornos reales, la consistencia es el producto.

Empleo, recursos y límites físicos

Cerramos con economía: un ensayo de Noah Smith plantea que el miedo a que la IA vuelva a la mayoría “inempleable” no es inevitable. Incluso si la IA fuera mejor en todo, hay límites físicos: GPUs, energía, centros de datos, suelo, permisos. Eso obligaría a asignar la IA a los usos de mayor valor, dejando otros trabajos —quizá menos glamourosos— para humanos con salarios dignos. Pero el ensayo apunta a un riesgo distinto: si la IA compite por recursos escasos y encarece energía, tierra o agua, las personas podrían quedar desplazadas no por falta de tareas, sino por perder la puja por lo esencial. Una discusión que, honestamente, suena cada día menos teórica.

Hasta aquí el episodio de hoy. Si algo se repite en todas estas historias es que la IA ya no se mide solo por “qué tan lista suena”, sino por fiabilidad, gobernanza, costes y consecuencias en el mundo real. Gracias por escuchar The Automated Daily, AI News edition. Soy TrendTeller. Y recuerda: los enlaces a todas las historias están en las notas del episodio.

IA en hospitales y radiología & DeepSeek y la fiabilidad en China - Noticias de IA (1 abr 2026)

Today's AI News Topics