Sesgo anti-AI en el arte & Nvidia apuesta por refuerzo a gran escala - Noticias de IA (16 may 2026)

Arrancamos con el episodio del Monet en X: alguien publicó un “Nenúfares” real de Claude Monet, lo etiquetó falsamente como generado por AI y pidió a la gente que explicara por qué era inferior a “un Monet de verdad”. El resultado fue casi un experimento social: montones de comentarios, muchos larguísimos, señalando supuestos fallos típicos —profundidad confusa, reflejos incoherentes, composición floja, poca emoción— con una confianza impresionante. Cuando se destapó el engaño y el post se volvió viral, algunos borraron respuestas y otros guardaron capturas. Lo interesante no es el troleo: es cómo la etiqueta “AI” puede bajar la valoración percibida incluso ante una obra canónica, alineado con estudios sobre el “effort heuristic”, esa tendencia a valorar más lo que creemos que requirió más esfuerzo.

En el frente de investigación, Nvidia anunció una alianza de ingeniería con Ineffable Intelligence, la startup londinense fundada a finales de 2025 por David Silver, exlíder de refuerzo en DeepMind y profesor en UCL. El foco es claro: sistemas de reinforcement learning que aprendan por prueba y error, en vez de depender sobre todo de datos creados por humanos como texto. Jensen Huang lo vendió como la siguiente frontera: “superlearners” que aprenden de la experiencia de manera continua. Más allá del marketing, el mensaje estratégico es potente: si el futuro no es solo “más texto y más parámetros”, Nvidia quiere ser también la infraestructura base para esa siguiente ola.

Y si hablamos de agentes a escala, Browser Use contó cómo evolucionaron para ejecutar millones de agentes web de forma segura. La idea central es pasar de “ejecutar el agente cerca del API” a “aislar el agente” por completo en un sandbox desechable, sin credenciales y con capacidad de apagarse o reiniciarse sin llevarse por delante el resto del sistema. Con un plano de control separado que guarda secretos y estado, se reduce el riesgo de que un agente con herramientas peligrosas pueda tocar lo que no debe. Importa porque, si los agentes van a actuar en entornos reales, la pregunta deja de ser si son listos, y pasa a ser si son contenibles.

En observabilidad y depuración, Sentry presentó Seer Agent, un asistente que responde preguntas usando la telemetría que ya vive en Sentry. Lo relevante aquí no es “otro chatbot”, sino el cambio de interfaz: en vez de saltar manualmente entre trazas, logs, despliegues y commits, la promesa es ir directo a patrones y relaciones que suelen costar tiempo encontrar, especialmente cuando el problema no nace como un error obvio sino como degradación sutil o fallos repartidos entre servicios. En un mundo donde las arquitecturas son cada vez más distribuidas —y los incidentes, más enrevesados—, convertir telemetría en respuestas accionables se vuelve un multiplicador de productividad.

Otra pieza para hacer agentes más fiables llega por el lado de herramientas abiertas. Raindrop AI liberó “Raindrop Workshop”, pensado para observar en tiempo real cómo se comporta un coding agent: qué decide, qué herramientas llama, dónde se atasca. Y OpenSquilla propuso un runtime autoalojable centrado en recortar tokens innecesarios en sesiones largas, con cachés y ruteo de modelos según complejidad. La tendencia común es clara: estamos pasando del “wow, escribe código” al “necesito ver, medir y gobernar lo que está haciendo”, porque sin trazabilidad y control de coste, el agente se convierte en una caja negra cara.

En rendimiento de inferencia, Hugging Face explicó mejoras para el continuous batching de LLMs al hacerlo asíncrono, solapando trabajo de CPU con computación en GPU para que la GPU pase menos tiempo esperando. La relevancia práctica es sencilla: la capacidad real de servir modelos no depende solo del modelo, sino de la eficiencia del sistema que lo alimenta. Y cuando el coste y la latencia mandan, pequeños cambios de orquestación pueden liberar mucho rendimiento sin “cambiar el cerebro” del modelo.

Pasamos a estándares y “pegamento” para aplicaciones agentic. OpenAI anunció Open Responses, una especificación open-source para estandarizar cómo las apps hablan con LLMs a través de múltiples proveedores, con la idea de reducir lock-in y fricción cuando cambias de modelo o combinas varios. En paralelo, Google presentó un sistema de middleware para Genkit que permite enganchar controles en cada fase de una llamada: reintentos, fallbacks, y también paradas para aprobación humana cuando una herramienta puede ser destructiva. En conjunto, sugiere que la industria está madurando: ya no basta con un buen modelo; hace falta una “capa operativa” compartida que haga a los agentes previsibles y auditables.

Ahora, un choque corporativo con implicaciones de plataforma: Bloomberg dice que OpenAI estaría considerando acciones legales contra Apple por cómo se integró ChatGPT en iOS, supuestamente con poca visibilidad y menos crecimiento de suscriptores del esperado. También se menciona que Apple tendría preocupaciones por privacidad y por el empuje de OpenAI hacia hardware. Más allá del culebrón, esto recuerda una regla vieja: en plataformas cerradas, el partner siempre corre el riesgo de quedar enterrado en un menú, y ese riesgo se multiplica cuando lo que está en juego es el control de la “superficie” de usuario para AI.

Y en ese mismo tablero, Reuters reporta que Microsoft explora adquisiciones y acuerdos con startups de AI para depender menos de OpenAI, después de cambios contractuales que aflojan exclusividades. El porqué importa: Microsoft quiere asegurar acceso a modelos y, a la vez, controlar capas clave para developers. Cuando el suministro de modelos frontier deja de ser “garantizado”, la estrategia pasa a ser diversificar: apostar por equipos internos, por nuevas arquitecturas y por socios alternativos antes de que el mercado te obligue.

En seguridad y comunidad, una pieza bastante incómoda: un investigador veterano de CTFs afirma que las competiciones abiertas se han “roto” con herramientas frontier y agentes que automatizan grandes porciones del evento. Su argumento no es solo que sea más fácil ganar, sino que se destruye la función educativa: la escalera de dificultad que ayudaba a aprender y a construir reputación. Si eso se consolida, los CTFs pierden valor como señal de talento y como espacio de formación, y la comunidad tendrá que inventar formatos donde la habilidad humana vuelva a ser el centro, o al menos donde se evalúe de forma honesta.

En geopolítica, Anthropic publicó un análisis sobre cómo podría evolucionar la competencia EE.UU.–China en AI hacia 2028. El eje es el compute: chips avanzados, controles de exportación y cómo se pueden esquivar, además de la posibilidad de “destilación” para copiar capacidades. Plantea escenarios donde una ventaja de 12 a 24 meses permitiría influir normas y seguridad, frente a otro donde la paridad acelera despliegues riesgosos y usos autoritarios. Se puede discrepar del enfoque, pero el punto de fondo es real: en AI, la gobernanza no va separada de la capacidad industrial.

Cerramos con dos notas sobre incentivos y personas. En Amazon, según reportes, algunos empleados sienten presión para “usar más AI”, y eso estaría creando conductas de relleno: construir agentes innecesarios para que suban las métricas. Sea exactamente así o no, es un clásico de gestión: cuando mides consumo, la gente optimiza consumo. Y por el lado del talento, The Information dice que la nueva SpaceXAI —tras la fusión— estaría sufriendo una salida notable de investigadores e ingenieros, incluso en equipos clave de preentrenamiento. En un mercado donde el talento es un recurso tan escaso como los GPUs, la rotación no es un detalle de RR.HH.: puede cambiar la velocidad —y la dirección— de un laboratorio entero.