Estafas con clonación de voz & El Vaticano entra al debate - Noticias de IA (27 may 2026)

Empezamos por seguridad y estafas. En el Área de la Bahía, una mujer perdió miles de dólares tras un engaño que simulaba el secuestro de su hija: los delincuentes usaron IA para imitar su voz y sostener la presión durante horas, hasta conseguir transferencias a México. Lo inquietante no es solo el caso: autoridades advierten que basta muy poco audio —a menudo sacado de redes sociales— para clonar una voz creíble. La lección práctica es incómoda pero clara: ante urgencias con dinero, la verificación debe cambiar de canal. Una llamada directa, una pregunta que solo la familia sepa responder, o una palabra clave acordada, puede marcar la diferencia.

En el plano social y político, el Vaticano publicó “Magnifica Humanitas”, una encíclica del papa León XIV sobre dignidad humana en tiempos de IA. El documento conecta el momento actual con la primera revolución industrial: cambios rápidos, desajustes laborales y riesgo de que la “eficiencia” se coma la justicia. Señala dos puntos que están en el centro del debate: que estos sistemas son opacos incluso para quienes los construyen, y que su aparente objetividad puede esconder sesgos culturales. También pone sobre la mesa el coste material —energía, agua e infraestructura— y cuestiona delegar decisiones sensibles, como empleo, crédito o reputación, a automatismos sin espacio para compasión. Más allá de creencias, es una intervención influyente: empuja la conversación hacia responsabilidad, supervisión y propiedad de datos como bien compartido.

Ahora, al mundo del software, donde la promesa de productividad se está chocando con la contabilidad. El COO de Uber, Andrew Macdonald, dijo que la empresa está teniendo problemas para justificar el gasto creciente en herramientas de programación con IA, porque no logran trazar una línea clara entre “uso del asistente” y “más funciones útiles para el cliente”. Y el contexto es potente: reportes indican que Uber habría consumido el presupuesto anual de 2026 para estas herramientas en apenas cuatro meses, tras impulsar la adopción con incentivos internos y métricas por equipo. Esto ilustra un dilema corporativo más amplio: aunque el precio por unidad de IA baje, los sistemas tipo agente pueden disparar el gasto total por consumo de tokens, más llamadas, más pruebas y más iteraciones. En resumen: la productividad se siente, pero el ROI hay que demostrarlo.

Esa presión por justificar resultados conecta con dos tendencias culturales dentro de ingeniería. La primera: el miedo a que la IA no nos vuelva perezosos, sino complacientes. Un artículo lo llama “abdicación”: aceptar soluciones generadas sin discutir supuestos, casos borde o implicaciones de seguridad, acumulando deuda que explota después en producción. La recomendación no es usar menos IA, sino usarla de forma “adversarial”: pedirle que critique su propia respuesta, que enumere fallos y que proponga pruebas de estrés. La segunda tendencia es la “contaminación” de conversaciones: personas que copian y pegan respuestas de chatbots como si fueran criterio humano, incluso en hilos de ayuda o en el trabajo. Eso erosiona confianza, porque ya no sabes si alguien leyó, entendió o se hace responsable de lo que te está aconsejando.

Entre herramientas y ecosistema, una noticia más ligera pero útil para quienes integran modelos: apareció Models.dev, una base de datos abierta y mantenida por la comunidad para catalogar modelos y sus capacidades, con una API pública para consumir metadatos. No cambia el mundo por sí sola, pero apunta a un problema real: comparar modelos se volvió un caos, y tener referencias comunes ayuda a equipos que no quieren rehacer esa tabla infinita cada semana.

Pasamos a los grandes modelos y plataformas. Google lanzó Gemini 3.5 Flash, presentado como modelo rápido para flujos “agentic”, y anunció que Gemini 3.5 Pro llegaría el próximo mes. Pero el recibimiento inicial es mixto: algunos usuarios reportan que, aunque es ágil, no siempre compensa frente a modelos top si lo que buscas es calidad y fiabilidad. También hay críticas por exceso de llamadas a herramientas y acciones demasiado confiadas en contextos de agente. Y un detalle práctico que pesa: se menciona un corte de conocimiento que quedaría en enero de 2025, algo que limita casos de uso cotidianos. En paralelo, Google sigue empujando Search hacia un “AI Mode” más conversacional, con enlaces más secundarios, lo que reabre el debate de siempre: si la búsqueda deja de priorizar fuentes, ¿pierde justamente lo que la hacía valiosa?

En el frente móvil, Bloomberg anticipa que Apple mostrará iOS 27 en la WWDC 2026 con un impulso fuerte a Apple Intelligence. Se habla de una mejora notable en calidad visual para Genmoji e Image Playground —dos áreas donde Apple recibió críticas por resultados poco finos— y de funciones más proactivas, como sugerencias basadas en el uso real del usuario. También suena una expansión para soportar más modelos de terceros en generación de imágenes, no solo la integración actual. Si se confirma, el mensaje es claro: Apple quiere competir no solo con funciones, sino con resultados que se sientan “Apple”: consistentes, integrados y presentables.

Y ahora, ciencia dura: Google DeepMind presentó AlphaProof Nexus, un enfoque que combina un LLM con verificación formal en Lean para generar y comprobar pruebas matemáticas paso a paso. Lo destacable no es solo la automatización, sino el filtro: el compilador obliga a que cada paso sea válido, recortando el problema clásico de “razonamientos bonitos pero falsos”. En pruebas reportadas, el sistema resolvió varios problemas abiertos, incluyendo algunos con décadas sin solución. Esto importa porque acerca la verificación formal a investigación diaria: incluso cuando no resuelve todo, puede dejar un esqueleto verificable que ayuda a humanos a ubicar exactamente qué falta.

Sobre cómo medimos progreso, apareció “BenchBench”, una idea curiosa: evaluar modelos pidiéndoles que inventen nuevos benchmarks que puedan distinguir a los modelos punteros, ahora que muchos tests tradicionales se saturan rápido. En resultados tempranos, el autor afirma que un modelo específico destacó creando pruebas realmente discriminantes, mientras otros tendían a proponer tareas triviales o imposibles. El punto de fondo es interesante: resolver no es lo mismo que diseñar una buena evaluación. Y si queremos medir avances reales —no solo “entrenar para el examen”—, quizá debamos testear creatividad, autocriterio y sentido de dificultad.

En investigación aplicada, Papers with Code actualizó su página sobre On-Policy Distillation, una técnica de post-entrenamiento donde el “estudiante” aprende con supervisión del “profesor”, pero sobre los estados que el propio estudiante visita. La importancia aquí es de tendencia: más equipos están buscando métodos para mejorar comportamiento sin desestabilizar modelos, y este enfoque se está volviendo parte del vocabulario común en alineamiento y transferencia de capacidades.

Cerramos con infraestructura, porque el coste real de la IA no vive solo en el modelo: vive en la memoria, el ancho de banda y la factura energética. Un análisis sostiene que la inferencia en GPUs, especialmente al generar texto token a token, muchas veces está limitada por mover pesos y estado —como la KV cache—, no por falta de cómputo. Dicho simple: la GPU puede “pensar” más rápido de lo que puede “traer” los datos que necesita, y esa brecha crece. De ahí que estén ganando peso enfoques que reducen presión sobre HBM, gestionan cachés por niveles —GPU, CPU, NVMe— y convierten el empaquetado y la interconexión en cuellos de botella estratégicos. En esa misma línea, un hilo muy comentado sobre DeepSeek plantea que su apuesta no es vender apps hoy, sino abaratar radicalmente compute y, sobre todo, memoria para servir contextos largos: compresión de atención, reducción de KV cache y más capacidad de offload a SSD. Si esa dirección se impone, podría cambiar qué hardware tiene ventaja y qué partes de la cadena —como NAND y memoria— ganan protagonismo. Es una tesis, no un hecho cerrado, pero encaja con la realidad que muchos ya ven: el futuro de la IA también se decide fuera del “FLOPS”, en cómo manejas datos y memoria.

Y una última idea provocadora: un ensayo sobre mercados de predicción dice que han terminado dominados por apuestas deportivas, no por preguntas útiles de ciencia o política, por incentivos y falta de liquidez. La propuesta es usar agentes de IA que participen a bajo coste, aporten análisis más técnico y sostengan mercados de nicho, incluso internos en empresas. Si funcionara, sería una forma distinta de usar IA: no para escribir texto, sino para mejorar decisiones con señales agregadas.