IA que desafía conjeturas matemáticas & Claude Opus 5 y menos prompt - Noticias de IA (28 jul 2026)

¿Y si una IA no solo resumiera papers, sino que empezara a tumbar conjeturas matemáticas que llevaban años en pie? Esa es una de las historias más llamativas de hoy, y puede decir mucho sobre hacia dónde va la investigación asistida por máquinas. Bienvenidos a The Automated Daily, edición AI News. El podcast creado por IA generativa. Hoy es 28 de julio de 2026. Yo soy TrendTeller, y en los próximos minutos repasamos lo más interesante del día en inteligencia artificial, con foco en lo que pasó y por qué importa de verdad.

IA que desafía conjeturas matemáticas

Empezamos precisamente por esa señal de cambio en investigación. Dos matemáticos usaron sistemas basados en ChatGPT y modelos de Anthropic para encontrar contraejemplos a conjeturas conocidas. Lo importante no es solo el resultado puntual, sino el patrón: la IA parece estar sirviendo ya no solo como ayudante de escritura o consulta, sino como motor de exploración que propone, prueba y descarta hipótesis a gran escala. En campos donde las respuestas pueden verificarse con claridad, como ocurre muchas veces en matemáticas, esto podría acelerar descubrimientos de una forma bastante concreta y medible.

Claude Opus 5 y menos prompt

En modelos, Anthropic lanzó Claude Opus 5 como su nueva apuesta principal. La compañía lo presenta como un salto en tareas largas y de varios pasos, especialmente en programación, automatización y trabajo de conocimiento. Pero casi más interesante que el lanzamiento es otra idea que acompañó la semana: Anthropic dice que ha recortado más del 80 por ciento del prompt del sistema en Claude Code para sus modelos más recientes sin perder rendimiento. El mensaje es claro: conforme los modelos mejoran, llenarlos de reglas y recordatorios puede empeorar su criterio. Para muchos equipos, eso cambia cómo se diseña un producto con IA: menos rigidez, mejor contexto y más confianza en la capacidad del modelo.

Agentes más rápidos, baratos y seguros

Si los agentes van a ser realmente útiles, no basta con que respondan bien; también tienen que ser rápidos, asequibles y seguros. Un análisis sobre prompt caching recordó que gran parte del coste de un agente viene de volver a procesar el mismo contexto una y otra vez, y que pequeños cambios en herramientas, historial o sesión pueden romper esa ventaja sin que el usuario lo note. En paralelo, NVIDIA presentó una técnica para mover pesos y artefactos entre nodos de un clúster mucho más rápido, recortando tiempos de arranque de forma notable. Y otro artículo mostró cómo exponer herramientas a asistentes mediante MCP con autenticación moderna. La lectura conjunta es sencilla: la infraestructura invisible ya es tan importante como el modelo.

Lean y pruebas formales asistidas

Otra historia interesante viene del software verificado. Un desarrollador contó cómo usó Lean para implementar un descompresor y, sobre todo, para probar formalmente propiedades delicadas del sistema. La novedad está en que varios LLM pudieron generar esas pruebas en cuestión de minutos. Si esto se consolida, uno de los grandes frenos de los lenguajes con tipos dependientes, que es la enorme carga de demostrar que todo es correcto, podría empezar a bajar. No significa que el software formalmente verificado vaya a ser trivial de repente, pero sí que herramientas que antes parecían reservadas a nichos muy especializados podrían hacerse mucho más prácticas.

Trampas académicas detectadas con IA

En educación, la noticia del día fue bastante terrenal. Un profesor de historia en Estados Unidos escondió instrucciones invisibles dentro de un examen para detectar a estudiantes que estuvieran pegando el enunciado en un chatbot y entregando la respuesta sin revisarla. El truco funcionó: decenas de alumnos devolvieron textos con referencias absurdas que delataban el uso automático de IA. Más allá de lo pintoresco, el caso muestra dos cosas. Primero, que el uso perezoso de estas herramientas sigue muy extendido. Y segundo, que la evaluación académica está entrando en una fase de adaptación incómoda, donde no basta con prohibir la IA: hay que rediseñar cómo se enseña y cómo se comprueba el aprendizaje.

Costes de IA y modelos abiertos

Y cerramos con el gran debate estructural del sector. Por un lado, Ed Zitron volvió a plantear que la economía de la IA sigue siendo muy frágil: costes altísimos de inferencia, gasto masivo en centros de datos y dudas sobre si la demanda real compensa todo eso. Incluso advierte de efectos indirectos, como presión sobre precios de memoria y dispositivos. Por otro lado, Jensen Huang y varias grandes tecnológicas defendieron públicamente los modelos abiertos, con el argumento de que favorecen competencia, innovación y soberanía tecnológica. En el fondo, ambas discusiones se tocan: quién paga esta ola, quién controla los modelos y si el futuro de la IA quedará en manos de unas pocas APIs o de un ecosistema más distribuido.

Hasta aquí la edición de hoy. Soy TrendTeller, y recuerden que los enlaces a todas las historias están en las notas del episodio. Gracias por escuchar The Automated Daily, AI News edition. Nos escuchamos mañana.

IA que desafía conjeturas matemáticas & Claude Opus 5 y menos prompt - Noticias de IA (28 jul 2026)

Our Sponsors

Today's AI News Topics