IA y problemas matemáticos abiertos & Huellas ocultas en Claude Code - Noticias de IA (2 jul 2026)

Hoy circula una afirmación difícil de ignorar: un pequeño equipo dice haber “resuelto” nueve problemas abiertos de matemáticas y teoría de la computación usando un flujo con LLMs. Falta la validación, pero si se sostiene, cambia la conversación. Bienvenidos a The Automated Daily, AI News edition. El podcast creado por IA generativa. Soy TrendTeller y hoy es 2 de julio de 2026. Vamos con las historias más relevantes del día, con lo importante: qué pasó y por qué importa.

IA y problemas matemáticos abiertos

Abrimos con esa historia bomba, con un asterisco enorme. Un investigador en X asegura que, combinando modelos como GPT y Claude dentro de una “tubería” de trabajo, lograron soluciones para nueve problemas difíciles: algunos extraídos de listas de problemas abiertos de conferencias de primer nivel, y otros de álgebra conmutativa. La noticia, tal como está, aún no viene con el sello de la comunidad: aquí lo crucial es la verificación. Si expertos independientes confirman que esas pruebas son correctas y no hay trucos de interpretación, estaríamos viendo a los LLM pasar de “ayudar con demostraciones” a empujar frontera real… o al menos a acelerar el proceso de exploración con más disciplina y herramientas de chequeo.

Huellas ocultas en Claude Code

En paralelo, otro debate sobre confianza se encendió alrededor de Anthropic, pero por la vía de su herramienta de desarrollo. Un investigador dice haber encontrado que Claude Code CLI, cuando se configura para usar un endpoint no estándar mediante una variable de entorno, introduce una marca sutil dentro del prompt. No sería un aviso explícito ni un log visible; sería un cambio casi imperceptible en la línea de contexto del sistema —por ejemplo, variando el tipo de apóstrofo o el formato de fecha en ciertas zonas horarias— que a nivel de bytes sí se distingue. ¿La intención probable? Detectar reventas no autorizadas o “routers” intermedios. El problema: si esto es real, muchos devs lo van a leer como un patrón opaco. Y en herramientas que tocan código y datos corporativos, la transparencia no es un lujo: es parte del contrato de confianza.

Startups que entrenan su LLM

Siguiendo con el mundo dev, aparece otra tendencia de fondo: empresas que nacieron “encima” de modelos ajenos ahora quieren tener modelo propio. Base44, la plataforma de vibe-coding que Wix compró hace un año, está lanzando Base1, su propio LLM para generar apps a partir de prompts. Base44 dice que lo entrenó con decenas de millones de interacciones reales de usuarios, buscando menor latencia y un comportamiento más alineado con lo que su comunidad pide. Esto importa por dos razones: defensibilidad y costes. Si dependes de un frontier model externo, tu margen y tu roadmap pueden quedar a merced de decisiones ajenas. Pero si entrenas lo tuyo, también asumes el riesgo de quedarte atrás si los labs grandes avanzan más rápido. Para Wix, además, hay un subtexto financiero: si bajan costes de inferencia, la eficiencia y los márgenes pesan más en una etapa post-recortes.

Modelos de interacción en tiempo real

Y mientras unos se hacen su modelo, otros intentan cambiar cómo interactuamos con ellos. Thinking Machines —un nuevo laboratorio— sostiene que lo “en tiempo real” en chat de voz es, en el fondo, una ilusión: el LLM sigue funcionando por turnos, y el resto son parches alrededor. Su propuesta son “interaction models”, modelos diseñados para operar con micro‑turnos rápidos, de forma que el sistema pueda escuchar y hablar casi simultáneamente, reaccionar en medio de una frase, o responder a señales visuales sin esperar a que se cierre un turno completo. Dicen que, en benchmarks nuevos de tareas con vídeo y señales a mitad de enunciado, los sistemas tradicionales fallan donde este enfoque rinde mejor. La lectura práctica: el próximo salto puede venir menos de “agentes autónomos” y más de interfaces de colaboración de alta banda, donde el humano corrige y guía continuamente.

Inferencia más barata y chips nuevos

Hablemos de la batalla que de verdad manda en el mundo de la IA aplicada: el coste de inferencia. Un reporte afirma que ingenieros de OpenAI encontraron cómo reducir más de la mitad el coste de servir respuestas de ChatGPT para usuarios “invitados”, los que entran sin cuenta y con funciones limitadas. No se detallan técnicas, pero el mensaje es claro: optimizar inferencia no solo es ahorrar dinero; es liberar capacidad, mejorar latencia y sostener escala sin pedir siempre más GPUs.

Programar con IA: velocidad engañosa

En esa misma línea de “hacer más con menos”, hay dos frentes: hardware y software. Etched, una startup de chips, dice haber asegurado mil millones de dólares en contratos para sistemas completos centrados en inferencia, tras fabricar su procesador con TSMC y empezar pruebas con clientes. Es otra señal de que el cuello de botella dejó de ser solo entrenar: ahora el gran negocio es servir modelos a gran escala de forma eficiente. Y por el lado software, Moondream explicó mejoras para reducir tiempos muertos de GPU durante la generación token a token. Traducido a lenguaje llano: si tu GPU potente se queda esperando a que la CPU haga “papeleo”, estás quemando dinero. Cada mejora de utilización se convierte en ventaja competitiva.

Gobernanza de tokens en Meta

En el universo de modelos grandes, Meituan —sí, el gigante chino— presentó LongCat‑2.0, con un énfasis claro: contextos larguísimos, pensados para workflows extensos, como codebases grandes o documentos largos. También lo ofrece vía API compatible con formatos populares, lo que facilita probarlo sin reescribir medio stack. Lo interesante aquí no es la cifra en sí, sino el mensaje del mercado: cada vez más, la competencia no es solo “quién razona mejor”, sino quién encaja mejor en herramientas, agentes y flujos de trabajo reales.

IA para ciencia, bio y fármacos

Pero una advertencia importante: usar IA para programar no garantiza ir más rápido. Un ensayo apoyado en un ensayo controlado aleatorio de METR encontró que devs experimentados, en bases de código familiares y maduras, se sentían alrededor de un 20% más rápidos… pero en la realidad fueron cerca de un 19% más lentos. La explicación es muy reconocible: generar código es barato, pero verificarlo en sistemas grandes es caro. Si el output viene con errores sutiles, el coste se muda a revisión, pruebas y supervisión. La implicación para líderes de ingeniería: no basta con la sensación de velocidad; hay que medir resultados en producción y reforzar el “último kilómetro”, el de verificación.

Choque cultural contra la IA

Ese problema de costes, cuando se multiplica por miles de empleados, se vuelve gobernanza. En Meta, un memo interno indica que el consumo de tokens se disparó tanto que la empresa apunta a una factura gigantesca en 2026. Hablan incluso de una cultura de “tokenmaxxing”, alimentada por un leaderboard gamificado que celebraba el consumo más que el impacto. Meta lo desmonta y lo reemplaza por monitorización centralizada y alertas, con la idea de llegar a presupuestos y asignaciones formales. Esta historia es un anticipo de lo que veremos en muchas compañías: el periodo de experimentación libre está dando paso a control financiero, trazabilidad y métricas de retorno.

Ficción y roleplay con ChatGPT

Pasemos a ciencia, donde también se está librando una guerra por el “stack” de trabajo. Anthropic lanzó Claude Science, un entorno para que investigadores unan revisión de literatura, análisis tipo notebook, ejecución en infraestructura y reproducibilidad en un mismo flujo. A la vez, Anthropic anunció un programa interno de descubrimiento de fármacos para enfermedades desatendidas, buscando aprender desde dentro del problema. Aquí hay promesa y cautela: acelerar hipótesis es una cosa; validar candidatos en clínica es otra, y cuesta años y mucho capital. Aun así, el movimiento muestra cómo los labs quieren entrar en verticales de alto impacto con productos y, a la vez, con investigación propia.

OpenAI también empuja en esa dirección con GeneBench‑Pro, un benchmark para biología computacional que intenta medir algo más cercano a la realidad: decisiones con ambigüedad, revisión de supuestos y elección de rutas de análisis, no solo “ejecutar un pipeline”. Los resultados que publicaron son modestos y, precisamente por eso, útiles: sugieren progreso, pero también que todavía cuesta “cerrar el bucle inferencial” en tareas biomédicas. Si se adopta ampliamente, este tipo de evaluación puede reducir humo y comparar avances con un estándar más serio.

Y para cerrar, una postal cultural que se vuelve cada día más visible. Un reportaje describe el backlash contra la IA entre jóvenes de San Francisco, que conectan el boom con gentrificación, presión laboral y pérdida de vida comunitaria. No es solo una discusión técnica: es una pelea por identidad, empleo y poder. En la misma línea, “Weird Al” Yankovic contó que rechazó un anuncio bien pagado al enterarse tarde de que el producto era de IA, porque no quiere ser cara visible de algo que no apoya. Señales distintas, mismo trasfondo: la adopción social no viene garantizada por la capacidad técnica.

Un último dato curioso, y bastante revelador sobre cómo se usa realmente la IA: un paper en arXiv analizó más de medio millón de conversaciones anonimizadas en inglés de ChatGPT y concluye que más de un tercio involucra generación de ficción: historias originales, roleplay, fanfiction y erotica. Además, está concentrado en pocos “power users” que piden variaciones casi infinitas. Esto sugiere que el gran producto de masas quizá no sea solo productividad: también es entretenimiento hiperpersonalizado, a demanda, donde el usuario no solo consume, sino que co-escribe con la máquina.

Y hasta aquí el episodio de hoy. Si algo se repite en todas estas historias es que la IA está entrando en su fase adulta: menos magia y más preguntas incómodas sobre coste, control, confianza y utilidad real. Gracias por escuchar The Automated Daily, AI News edition. Soy TrendTeller. Recuerda que los enlaces a todas las historias están en las notas del episodio.

IA y problemas matemáticos abiertos & Huellas ocultas en Claude Code - Noticias de IA (2 jul 2026)

Our Sponsors

Today's AI News Topics