Anthropic y SpaceX: computación récord & Coste de inferencia y precios API - Noticias de IA (22 may 2026)

Empezamos por la historia que mejor resume la nueva economía de la IA. Según documentación vinculada a una futura salida a bolsa, Anthropic habría firmado un acuerdo para pagar a SpaceX cerca de 45.000 millones de dólares en tres años por recursos de computación para Claude. Más allá de si la cifra se termina ajustando, el mensaje es claro: el acceso estable a GPU y centros de datos se está convirtiendo en el verdadero producto estratégico. Y también deja otra lectura: SpaceX quiere ser algo más que cohetes y satélites; aspira a convertirse en proveedor de infraestructura de IA con ingresos recurrentes gigantescos.

Y ese coste no es abstracto: ya está golpeando márgenes. Varias compañías de internet —se citan nombres como Meta, Shopify, Spotify o Pinterest— están reconociendo que el gasto de inferencia en LLM se nota en la cuenta de resultados. Esto enfría una suposición que flotaba en el mercado: que los modelos ‘premium’ mantendrían precios altos sin resistencia. Con más competencia —incluyendo laboratorios chinos y también opciones open-source domésticas— muchas empresas están adoptando un enfoque híbrido: modelos más baratos para el grueso del trabajo y modelos punteros solo cuando hace falta. En paralelo, los proveedores ajustan tarifas de API con un giro hacia la rentabilidad: Google empuja alternativas de menor coste, OpenAI y Anthropic mueven piezas de precio, y el subtexto es el mismo: entrenar y servir IA a escala es carísimo, y alguien tiene que pagarlo.

En ese contexto financiero, OpenAI estaría acelerando su hoja de ruta hacia una IPO, según fuentes citadas por prensa económica. El detonante: un revés judicial para Elon Musk que redujo el riesgo de que se bloqueara la estructura de la empresa. Si OpenAI realmente se prepara para salir a bolsa pronto, la industria entra en otra fase: más escrutinio, más presión por ingresos sostenibles y, probablemente, más comparaciones públicas con rivales que también buscan capital y capacidad de cómputo a largo plazo.

Cambiamos a ciencia, porque hoy hay un titular que mezcla matemáticas puras e IA de una forma poco habitual. OpenAI asegura que un modelo interno de razonamiento produjo una prueba que desmonta una conjetura histórica de Paul Erdős sobre el problema de distancias unitarias en el plano. Lo interesante no es solo el resultado —que cambia expectativas en un problema clásico de geometría discreta— sino que matemáticos externos revisaron la prueba y publicaron un trabajo complementario para explicar el argumento. Y lo más llamativo: la solución importa herramientas profundas de teoría de números a un problema que, a primera vista, parece ‘de regla y compás’. Para la investigación en IA, esto se lee como un hito: no es únicamente asistencia, es generación autónoma de una solución verificable a un problema abierto.

En modelos y producto, ByteDance lanzó Lance, un modelo multimodal open-source de tamaño relativamente contenido que intenta unificar comprensión y generación tanto de imágenes como de vídeo en un mismo marco. El porqué importa es práctico: si de verdad puedes ‘ver’ y ‘crear’ con un solo modelo más ligero, simplificas herramientas, pipelines y prototipos. No elimina la necesidad de modelos grandes para tareas tope de gama, pero sí baja el umbral para equipos que quieren experimentar sin presupuestos desorbitados.

Mientras tanto, en hardware, Alibaba presentó un nuevo acelerador de IA propio orientado a cargas de trabajo de agentes, con la intención evidente de reducir dependencia de Nvidia en un momento de restricciones de exportación. Este tipo de anuncios no solo van de rendimiento: son una señal geopolítica y de soberanía tecnológica. Si China consolida una pila completa —chips, servidores, nube y modelos—, el tablero competitivo cambia, especialmente para empresas que operan en mercados regulados o con requisitos de suministro.

Y hablando de infraestructura para agentes: Google introdujo Agent Executor, un runtime open-source pensado para que los agentes de larga duración —los que corren horas o días— no se rompan en producción por fallos, pausas humanas o desconexiones. La idea de fondo es menos glamourosa pero vital: si los agentes van a hacer trabajo real, tienen que ser reanudables, auditables y seguros. En paralelo, Chrome Lighthouse empezó a experimentar con auditorías de ‘agentic browsing’ que incluyen comprobar si existe un llms.txt. Aquí conviene matizar: Google ha insinuado que esto es más una ayuda funcional para agentes y herramientas, no una palanca de ranking en buscadores. Aun así, cuando Lighthouse mide algo, muchos equipos lo toman como una señal de prioridad. En resumen: se están separando, poco a poco, las buenas prácticas para humanos de las buenas prácticas para máquinas navegando.

En investigación aplicada a vídeo, un trabajo de DeepMind y la Universidad Nacional de Seúl propone LiteFrame, un encoder pensado para que los modelos que entienden vídeo puedan manejar secuencias más largas sin disparar el coste. Traducido: menos latencia y más minutos de vídeo bajo el mismo presupuesto. Si esto escala, abre la puerta a asistentes que no solo ‘ven un clip’, sino que pueden seguir contextos más largos: reuniones, clases, retransmisiones, o inspección de procesos industriales.

Ahora, cultura y trabajo, donde las tensiones siguen subiendo. Un blog de un autor llamado Axel acusó al ecosistema de IA generativa de funcionar como plagio no autorizado a gran escala: entrenar con textos de escritores sin consentimiento ni compensación, y luego vender capacidades. Además, critica a usuarios que piden a la IA recrear tutoriales existentes y publican el resultado para monetizarlo, como si la IA blanqueara la copia. Su ejemplo es muy concreto: páginas supuestamente calcadas de sus tutoriales de e‑commerce, incluso dejando enlaces hacia su propio sitio… y, según él, posicionando mejor en Google. Es una historia que conecta tres debates: derechos sobre datos de entrenamiento, atribución y cómo los incentivos de búsqueda y plataformas pueden amplificar contenido ‘reciclado’. En otra cara del trabajo, un artículo de Evil Martians habla de ‘AI burnout’ en ingeniería: no por trabajar menos, sino por ciclos más intensos de pedir, revisar y depurar, con más volumen de código y menos sensación de artesanía. La conclusión es incómoda: herramientas más rápidas pueden traducirse en expectativas más altas y más cansancio, si no se ajustan ritmos, límites y responsabilidades de revisión.

Y la conversación social no va solo de productividad. Steve Wozniak, en un discurso de graduación, soltó una broma que arrancó aplausos: “Ustedes tienen AI —actual intelligence”. El chiste funciona porque recoge una ansiedad real: automatización, cambios en habilidades demandadas y una percepción de que a veces se vende la IA como destino inevitable. En el mismo clima, circulan artículos que retratan un rechazo creciente a la adopción ‘por decreto’ en medios y cultura, con ejemplos de meteduras de pata editoriales y controversias por contenido supuestamente generado o asistido por IA. No es pánico moral; es confianza institucional en juego.

Cerramos con creatividad y evaluación, dos frentes que están avanzando rápido. Stability AI lanzó Stable Audio 3.0 con modelos orientados a música y diseño sonoro, y subrayó el punto de la licencia: datos “totalmente licenciados” y propiedad del output, intentando atacar el problema que más frena a empresas creativas: la incertidumbre legal. En paralelo, Meta publicó WavFlow, investigación open-source para generar audio sincronizado desde vídeo y/o texto directamente en forma de onda. Aunque no incluyan sus checkpoints finales, el enfoque desafía la idea de que siempre necesitas compresión latente para buena calidad. Si prospera, puede simplificar pipelines de audio y mejorar sincronía. Y en producto real, Spotify defendió una postura sensata: las ‘LLM evals’ sirven como embudo antes de llegar a usuarios, ayudando a filtrar y mejorar propuestas, pero no sustituyen los experimentos A/B. En otras palabras: una IA puede juzgar coherencia o tono, pero no puede garantizar impacto en satisfacción, retención o confianza sin validar en el mundo real.