OpenAI lanza GPT-6.2 Astra y Sol & Gemini ejecuta tareas personales reales - Noticias de IA (19 nov 2026)
Un agente de IA creó 38 modelos con miles de descargas. Además: GPT-6.2, Gemini que paga tus facturas, Anthropic bajo fuego y la economía de la IA.
15 episodios gratis al día, 5 ediciones, 3 idiomas, y producirlos cuesta unos 4 dólares al día. Un café lo mantiene en marcha ☕
Apoya el programa →Our Sponsors
Today's AI News Topics
-
OpenAI lanza GPT-6.2 Astra y Sol
— OpenAI presenta GPT-6.2 Astra, su modelo premium para trabajo profesional complejo, y GPT-6.2 Sol, más rápido y barato. Ambos llegan con salvaguardas reforzadas de ciberseguridad, y Astra es el primero en alcanzar el umbral alto de automejora de la IA. -
Gemini ejecuta tareas personales reales
— Google amplía Gemini con un modo Task que reserva citas, paga facturas y hace compras en más de 60 apps. Es un paso claro del chatbot hacia un asistente agéntico con acciones reales. -
Microsoft presenta siete modelos MAI
— En Ignite 2026, Microsoft AI anunció siete modelos MAI para ciberseguridad, código, imagen, voz en tiempo real y decisiones, entre ellos Decision 1.1. También presentó MAI Licensed Weights para personalizar modelos frontera dentro de Azure. -
Agente autónomo Horizon en Hugging Face
— Un agente autónomo llamado Horizon, basado en Opus 5.5, creó 38 modelos en Hugging Face que superaron las 50.000 descargas y llegaron a más de 100 repositorios de GitHub. Todo indica que la adopción fue orgánica. -
Enjambres de agentes: Replit y Perplexity
— Replit Missions coordina enjambres de agentes de IA con presupuesto y permisos acotados, y Perplexity lanza Multiagent, donde varios modelos frontera colaboran y se verifican entre sí en tareas complejas. -
Vercel eve 1.0 y arneses de agentes
— Vercel publica eve 1.0, un framework open source para agentes de IA en producción. Por su parte, el benchmark FrontierHarness de Runta muestra que el arnés ideal cambia según el modelo y puede multiplicar el coste por cinco. -
Cerebras y NVIDIA optimizan la inferencia
— Cerebras separa la inferencia entre GPU y chips de oblea completa y logra cinco veces más tokens por megavatio. NVIDIA, por su lado, explica cómo diseñar la atención dispersa junto con el hardware para trabajar con contextos largos. - 08
LLM que escriben pesos neuronales
— Varios experimentos de programación en el espacio de pesos muestran que Claude puede escribir los pesos de una red neuronal en MNIST, IMDB o Go. Sin embargo, lo que hace es reconstruir técnicas clásicas y no supera al descenso de gradiente. -
Coalición acusa a Anthropic de incoherencia
— Una coalición liderada por el Center for AI Safety, con firmantes como Steven Pinker y Judea Pearl, acusa a Anthropic de usar la etiqueta de seguridad mientras compite por una IA que se automejora, justo antes de su posible salida a bolsa. -
Escepticismo sobre la superinteligencia artificial
— Un análisis cuestiona la viabilidad técnica de la superinteligencia artificial y de la automejora recursiva, y menciona los límites de la computabilidad. Aun así, advierte de los riesgos de los sistemas autónomos potentes. -
Cómo definir el trabajo de capacidades
— Redwood Research propone una definición estricta de actividades de capacidades en IA para limitar el cómputo dedicado al avance de la frontera, con excepciones acotadas para producto, servicio a clientes y seguridad. -
Brecha entre políticas de IA y control
— Un informe de Delinea revela que casi todas las organizaciones tienen políticas de acceso de la IA a datos, pero solo la mitad las aplica en tiempo real. Además, el 76 % de los empleados se salta las aprobaciones para usar herramientas de IA. -
Demanda por falsa alarma de armas
— Cuatro estudiantes negros de Baltimore demandan después de que el sistema de detección de armas de Omnilert confundiera una bolsa de patatas fritas con una pistola, lo que terminó en esposas y registros policiales. -
IA: valor económico sin grandes fortunas
— Un ensayo basado en el marco de Carlota Pérez sostiene que la IA generativa creará un enorme valor económico, pero que las ganancias irán sobre todo a los gigantes tecnológicos, a los proveedores de chips y nube, y a los clientes.
Sources & AI News References
- → Why AI May Transform the Economy Without Making Investors Rich
- → Replit Launches Missions for AI Agent Swarms
- → LaunchDarkly Launches Release Autopilot for AI-Built Code
- → Weight-Space Programming Looks Like 1990s Machine Learning
- → Verda Launches Inference Preview for Frontier Open-Weight Models
- → Perplexity Launches Multiagent for Complex Computer Tasks
- → Cerebras Launches Split Inference System for Faster AI
- → NVIDIA on Co-Designing Sparse Attention for Faster Long-Context Inference
- → OpenAI Introduces GPT-6.2 Astra and Sol
- → Google Adds Task-Handling Agent Features to Gemini
- → Lawsuit Filed Over False AI Gun Alert That Led to Search of Black Students
- → Microsoft brings Decision-1.1 to general availability
- → Vercel Releases eve 1.0 as a Generally Available Agent Framework
- → Delinea Report Finds a Gap Between AI Policy and Enforcement
- → Coalition Challenges Anthropic’s Safety Claims Ahead of IPO
- → Redwood Research proposes a definition of AI capabilities activities
- → FrontierHarness Eval v1.1 Shows Harness Choice Depends on the Model
- → Toptal AI Promotes Full-Stack Enterprise AI Services
- → Microsoft AI unveils seven new models at Ignite 2026
- → Autonomous Agent Horizon Earns Real Adoption on Hugging Face
- → Why One Computer Scientist Thinks Superintelligence Won't Happen
- → Testing Weight-Space Programming on Classic ML Tasks
Full Episode Transcript: OpenAI lanza GPT-6.2 Astra y Sol & Gemini ejecuta tareas personales reales
Un agente de inteligencia artificial recibió una cuenta vacía en Hugging Face y unas pocas GPU. Siete semanas después había publicado decenas de modelos que hoy usan desarrolladores reales en todo el mundo. ¿Cómo lo hizo, y qué nos dice eso del futuro? Enseguida lo contamos. Bienvenidos a The Automated Daily, edición AI News, el podcast creado por inteligencia artificial generativa. Soy TrendTeller y hoy es 19 de noviembre de 2026. Tenemos un día movido: nuevos modelos de OpenAI y Microsoft, un Gemini que hace recados, polémica en torno a Anthropic y una pregunta incómoda sobre quién se va a hacer rico con todo esto. Empezamos.
OpenAI lanza GPT-6.2 Astra y Sol
Comenzamos con los grandes laboratorios. OpenAI presentó dos modelos nuevos pensados para el trabajo profesional. GPT-6.2 Astra es la opción de gama alta para tareas complejas, desde presentaciones y hojas de cálculo hasta ciencia y código. GPT-6.2 Sol es la versión más ágil y económica, pensada como modelo por defecto. El punto delicado está en la ciberseguridad: los dos encuentran vulnerabilidades con mucha más soltura, así que llegan con salvaguardas más estrictas. Hay un detalle que no pasa desapercibido: según OpenAI, Astra es su primer modelo publicado que alcanza el umbral alto de automejora de la IA en su marco de preparación.
Gemini ejecuta tareas personales reales
Google, por su parte, quiere que Gemini deje de limitarse a responder y empiece a hacer cosas. Su nuevo modo Task puede llamar a un negocio para pedir cita, revisar tu factura de la luz en busca de ahorro o hacer la compra con límites de gasto y protección de pagos. Funciona con más de sesenta aplicaciones y se le pueden encargar tareas por la app, por mensaje de texto o reenviando un correo. Será gratuito para cientos de millones de usuarios, aunque algunas funciones llegarán primero a Estados Unidos.
Microsoft presenta siete modelos MAI
Y Microsoft aprovechó Ignite 2026 para presentar siete modelos propios de la familia MAI. Hay modelos para seguridad, para programación, para generar y editar imágenes y para voz en tiempo real, además de Decision 1.1, un modelo rápido y barato que decide a qué modelo enviar cada tarea, clasifica y verifica. El mensaje de fondo es claro: Microsoft quiere competir en calidad y en precio, y con MAI Licensed Weights ofrece a las empresas personalizar modelos frontera con sus propios datos sin salir de su entorno de Azure.
Agente autónomo Horizon en Hugging Face
Vamos con la historia del inicio. Un equipo de investigadores dejó a un agente autónomo, llamado Horizon y basado en Opus 5.5, con una cuenta en blanco de Hugging Face y recursos de cómputo limitados. En siete semanas creó 38 modelos, que acumulan más de cincuenta mil descargas y aparecen en más de cien repositorios de GitHub. Lo llamativo no es solo que los construyera, sino que detectara qué hacía falta: eligió modelos pequeños y prácticos, como detectores de inyección de prompts o herramientas para ocultar datos personales. Los autores revisaron si las descargas estaban infladas y concluyen que la gran mayoría fueron orgánicas. Encontraron incluso competidores que reaccionaron a sus modelos.
Enjambres de agentes: Replit y Perplexity
Siguiendo con los agentes, la idea de trabajar con equipos de ellos gana terreno. Replit lanzó Missions: defines un objetivo y un enjambre de agentes planifica, construye y prueba dentro de un presupuesto y unos permisos fijados. Como demostración, asegura haber levantado una plataforma de monitorización completa en dos días con tres mil dólares. Perplexity va en la misma línea con Multiagent, un modo en el que un agente principal coordina a otros que usan distintos modelos frontera, se contrastan entre sí y entregan una única respuesta.
Vercel eve 1.0 y arneses de agentes
Para quienes construyen agentes, Vercel declaró estable eve 1.0, su framework de código abierto, con sesiones colaborativas, memoria persistente y mejores controles de aprobación. Y un aviso útil desde el lado de las mediciones: el benchmark FrontierHarness de Runta, con más de veintisiete mil ejecuciones, concluye que el mejor arnés depende del modelo. Con el mismo modelo, el coste por tarea puede variar hasta cinco veces según el arnés, y gastar más no garantiza mejores resultados. Otro dato revelador: buena parte del gasto se va en ejecuciones fallidas que, aun así, terminan con una respuesta muy segura de sí misma.
Cerebras y NVIDIA optimizan la inferencia
En infraestructura, Cerebras ya tiene en producción lo que llama inferencia desagregada. Las GPU procesan el prompt y sus chips de oblea completa se encargan de generar la respuesta. Según la empresa, así se obtienen cinco veces más tokens por megavatio, algo importante cuando la energía empieza a ser el cuello de botella. Entre los socios iniciales está Amazon Web Services. NVIDIA, por su parte, publicó un análisis sobre la atención dispersa en contextos largos. Su conclusión es que el ahorro solo aparece si el modelo y el código de la GPU se diseñan juntos.
Ahora, un experimento curioso: ¿puede un modelo de lenguaje escribir directamente los pesos de una red neuronal, sin entrenarla? Un primer trabajo lo probó con varias tareas y obtuvo soluciones elegantes y fáciles de interpretar, como un clasificador de reseñas basado en listas explícitas de palabras positivas y negativas. Aun así, no superó al entrenamiento clásico. Un segundo análisis le baja aún más los humos. Al revisar lo que hacía Claude, el autor descubrió que lo que construía era básicamente visión por computador de los años noventa: plantillas dibujadas a mano y detectores de esquinas. Es decir, los modelos recombinan muy bien técnicas antiguas, pero todavía no estamos ante una forma nueva de aprendizaje.
Coalición acusa a Anthropic de incoherencia · Escepticismo sobre la superinteligencia artificial
Pasamos a la seguridad y la política. Una coalición encabezada por el Center for AI Safety, con firmas como Steven Pinker, Judea Pearl o Lawrence Lessig, acusa a Anthropic de presentarse como empresa segura mientras compite por construir una IA capaz de mejorarse a sí misma. Llega en un momento sensible, con su salida a bolsa en el horizonte. En paralelo, un ensayo cuestiona que esa explosión de inteligencia sea viable técnicamente: los avances fáciles en código y matemáticas quizá no se trasladen a la ciencia real, y la propia computación tiene límites. Eso sí, advierte de que los sistemas autónomos pueden causar daños mucho antes de llegar a una superinteligencia.
Cómo definir el trabajo de capacidades
Desde Redwood Research llega una propuesta muy concreta: si algún día se quiere frenar el ritmo de la frontera limitando el cómputo, hay que definir qué cuenta como trabajo de capacidades. Su respuesta es que prácticamente todo, salvo unas pocas excepciones bien delimitadas, como el servicio a clientes o cierta investigación de seguridad. Prefieren pasarse de estrictos que quedarse cortos.
Brecha entre políticas de IA y control
Del papel a la práctica hay un buen trecho, y un informe de Delinea lo cuantifica. Casi todas las organizaciones tienen una política sobre el acceso de la IA a datos, pero solo la mitad la comprueba en tiempo real. Además, el ochenta y siete por ciento de los responsables de seguridad dice que algún agente accedió a más datos sensibles de los necesarios, y tres de cada cuatro empleados admiten haberse saltado las aprobaciones para usar herramientas de IA.
Demanda por falsa alarma de armas
Y una consecuencia muy tangible de confiar demasiado en estos sistemas. El Lawyers' Committee for Civil Rights Under Law demandó en nombre de cuatro estudiantes negros de Baltimore. En 2025, un sistema de detección de armas confundió una bolsa de patatas fritas con una pistola. Aunque el personal ya había visto que era un error, llegó la policía armada y los jóvenes acabaron de rodillas y esposados. La demanda pide protocolos claros para que una alerta cancelada no termine en una intervención peligrosa.
IA: valor económico sin grandes fortunas
Cerramos con una reflexión económica. Un ensayo basado en el marco de la economista Carlota Pérez sostiene que la IA generativa se parece menos a los inicios del ordenador personal y más a la llegada del contenedor de transporte: una tecnología transformadora en la que la competencia reduce enseguida los márgenes. Según el autor, quienes más ganarán serán los gigantes tecnológicos, los clientes y los proveedores de chips, nube y centros de datos, más que las startups. La idea con la que se queda es que transformar la economía no es lo mismo que crear fortunas para quienes invierten.
Hasta aquí el repaso de hoy, 19 de noviembre de 2026. Modelos más capaces, agentes que trabajan en equipo y un debate cada vez más intenso sobre seguridad y sobre quién se queda con el valor. Encontraréis los enlaces a todas las historias en las notas del episodio. Soy TrendTeller, gracias por escuchar The Automated Daily, edición AI News. Nos oímos mañana.
More from AI News
- 17 de noviembre de 2026 Petición para reinstalar a Jensen Huang & FBI alerta sobre herramienta Artex
- 16 de noviembre de 2026 Claude diseña un sintetizador analógico & Nvidia frena su financiación de IA
- 14 de noviembre de 2026 Modelos abiertos contra modelos cerrados & Enrutamiento inteligente de modelos de IA
- 13 de noviembre de 2026 Monetización de la IA bajo presión
- 12 de noviembre de 2026 DeepMind verifica formalmente el protocolo Signal