Agentes de IA y costos & Túneles seguros para MCP - Noticias de IA (29 may 2026)

Empezamos por el tema que está definiendo 2026: los agentes de programación… y la factura que dejan. Por un lado, se extiende el rumor de que Anthropic podría estar entrando en su primer trimestre rentable. El analista Simon Willison lo atribuye a que tanto Anthropic como OpenAI habrían encontrado, por fin, un encaje de producto claro: herramientas de “agente” para programar y automatizar trabajo de oficina que consumen muchos tokens, y por tanto generan mucho ingreso. La lectura es interesante: no sería que las empresas “se equivocaron” gastando en IA, sino que la demanda real se está volviendo recurrente y diaria. Pero la otra cara es el control de costos. Fortune, citando a The Verge, dice que Microsoft habría cancelado la mayoría de licencias internas de Claude Code pocos meses después de empujar su adopción, redirigiendo a equipos hacia GitHub Copilot CLI. El mensaje es nítido: a gran escala, estos asistentes pueden costar más de lo que prometen ahorrar si no hay límites y disciplina de uso. Y no es un caso aislado: también se menciona a Uber quemando presupuesto de herramientas de coding en apenas cuatro meses. Lo importante aquí no es “qué modelo gana”, sino que la economía del software está cambiando: el coste pasa de salarios y licencias fijas a consumo variable de cómputo y tokens, con impacto directo en compras, finanzas y estrategia.

Ahora, seguridad y redes: OpenAI publicó documentación de Secure MCP Tunnel, un mecanismo para que organizaciones conecten servidores MCP privados a productos como ChatGPT, Codex o la Responses API sin exponer esos servidores a internet ni abrir puertos entrantes. La idea, en términos simples, es que la conexión la inicia tu red hacia afuera, por HTTPS, y el tráfico de herramientas entra por ese mismo “túnel”. Esto importa porque muchas compañías quieren usar asistentes con herramientas internas —repos, sistemas de tickets, bases de conocimiento— pero sin convertir su perímetro en un colador. También es una señal de madurez: la conversación ya no es solo “qué puede hacer el modelo”, sino “cómo lo conecto sin romper mi postura de seguridad”.

Y hablando de seguridad a escala: Ramp publicó un caso llamativo de auditoría con agentes. Dicen que lanzaron alrededor de diez mil sesiones de agentes de programación en sandbox durante ocho horas para buscar vulnerabilidades en su backend. El resultado bruto fue una avalancha de reportes, que luego depuraron y revalidaron con más agentes para evitar exageraciones. Tras ese filtro, confirmaron miles de problemas reales —la mayoría de endurecimiento o baja severidad— pero también un puñado de alta severidad que ya corrigieron. La conclusión es incómoda y útil: el cuello de botella tradicional no siempre es “saber dónde mirar”, sino tener suficiente capacidad para mirar en todas partes, varias veces, con enfoques distintos. Y si los defensores pueden escalar así, los atacantes también. En la misma línea de “human-in-the-loop”, circula un juego web que te pone en 60 segundos a aprobar o rechazar acciones de un asistente de coding bajo presión. Es una metáfora bastante certera: si el control humano se convierte en un sello automático por prisa o fatiga, el sistema de permisos deja de ser una barrera real. Buen recordatorio para equipos que están delegando cada vez más en agentes.

Pasamos a contenido y confianza: YouTube va a hacer mucho más visibles las etiquetas de videos con contenido fotorealista generado o alterado con IA. En videos largos la etiqueta aparecerá justo debajo del reproductor, y en Shorts se verá como una superposición en el video. Además, YouTube empieza a desplegar señales de detección automática desde mayo de 2026: si un creador no declara un uso significativo de IA, la plataforma podría etiquetarlo igualmente. Dicen que no afectará recomendaciones ni monetización, pero el punto de fondo es otro: con contenido sintético cada vez más convincente, la transparencia pasa de ser “opcional” a ser parte del contrato de confianza con la audiencia.

En ciencia y biotecnología, una de las noticias más potentes del día viene de Biohub, que liberó un conjunto abierto de herramientas que describen como un “world model” de biología de proteínas. Incluye un modelo de lenguaje de proteínas entrenado con miles de millones de secuencias, un sistema para predecir estructuras 3D a nivel atómico, y un atlas masivo para hacer ‘buscable’ biología no anotada. En un preprint, reportan diseño de nuevos binders contra dianas relevantes en cáncer e inmunología en cuestión de días, con validaciones de unión en laboratorio y tasas de acierto muy altas en algunos casos. ¿Por qué importa? Porque si estos flujos se sostienen, parte del descubrimiento temprano de terapias puede moverse de campañas largas de ensayo y error hacia iteraciones más rápidas guiadas por cómputo. No sustituye al laboratorio, pero sí puede comprimir tiempos y ampliar el espacio de exploración.

En visión por computadora, NVIDIA presentó LocateAnything, un enfoque para “grounding” —es decir, localizar con precisión objetos o regiones descritas en lenguaje— con una apuesta clara por velocidad y consistencia. La relevancia práctica es que muchos agentes del mundo real —robótica, navegación en interfaces, análisis documental— necesitan localizar cosas en pantalla o en una imagen sin latencias que rompan la interacción. También liberan un set de datos enorme para entrenamiento. Si esto se traduce en despliegues, podríamos ver agentes visuales más ágiles y confiables en tareas cotidianas, no solo en demos.

Más noticias para desarrolladores y equipos de infraestructura: Hugging Face presentó una técnica en TRL para RL asíncrono llamada “delta weight sync”. En vez de enviar checkpoints completos del modelo a servidores de inferencia tras cada paso, envían solo las partes que realmente cambiaron. En modelos y precisiones típicas, muchos parámetros no se modifican de forma efectiva en cada paso, así que el ahorro en transferencia puede ser enorme. La consecuencia es sencilla: menos tiempo muerto y menos coste operativo en entrenamientos distribuidos donde inferencia y entrenamiento se coordinan continuamente. Es de esas mejoras que no se ven en un benchmark de “inteligencia”, pero que pueden marcar la diferencia en producción.

Ahora, predicciones y narrativa pública: Sam Altman, de OpenAI, y Dario Amodei, de Anthropic, están moderando su discurso sobre la eliminación rápida de empleos de oficina por IA. Altman llegó a decir que estaba “bastante equivocado” sobre lo cerca que estaba una ola de pérdidas, y señala algo que muchos han vivido: delegar correos o chats a una IA suena fácil, pero la parte humana —contexto, relaciones, matices— sigue pesando. Al mismo tiempo, sigue el vaivén con AGI. Demis Hassabis, de Google DeepMind, adelantó su estimación y ahora habla de 2029 o 2030 como posible ventana. Y un análisis que recopila predicciones cuantificadas de investigadores muestra justamente eso: las fechas se mueven hacia adelante y hacia atrás en ciclos, reaccionando a cada salto de modelos y “agentes”. Lo clave: estas predicciones no son un reloj; son termómetros de confianza. Afectan inversión, regulación y planificación… incluso cuando luego se corrigen.

Cerramos con hardware y geopolítica: Jensen Huang anunció planes para invertir de forma masiva en Taiwán y construir una nueva sede allí, reforzando la idea de que la isla seguirá siendo el núcleo del ecosistema de hardware para IA. Más allá del titular, el fondo es que la cadena de suministro avanzada —fabricación, empaquetado, ensamblaje de servidores— sigue estando extraordinariamente concentrada. Y eso choca con las narrativas de “relocalizar” todo rápidamente. Si la demanda de ‘AI factories’ sigue como hasta ahora, la logística y la política industrial van a pesar casi tanto como los avances de los modelos.