ChatGPT con anuncios tempranos & Firefox 148 y control AI - Noticias de IA (24 feb 2026)

ChatGPT con anuncios tempranos

Empezamos por el frente “producto y negocio”, donde la IA ya no es solo una función: es una línea de ingresos. OpenAI comenzó a mostrar anuncios en ChatGPT a usuarios de EE. UU. en los planes Free y Go, con un detalle llamativo: pueden aparecer inmediatamente después del primer prompt. Es decir, antes de que haya señales claras de intención o contexto. En ejemplos tempranos se han visto marcas grandes —desde viajes hasta semiconductores— y OpenAI insiste en dos líneas rojas: los anuncios están visualmente separados y no pueden influir en las respuestas, y las conversaciones no se comparten con anunciantes. Aun así, para el usuario gratuito el control es limitado: no hay opt-out total, aunque sí puedes descartar anuncios y ajustar personalización. El piloto, además, es “premium” para anunciantes: se habla de un CPM alto y un compromiso mínimo enorme, lo que restringe el acceso a marcas con presupuesto. Todo esto llega tras el roce de finales de 2025 por “sugerencias” dentro del producto que incluso tocaron usuarios de pago. El mensaje de fondo: la IA conversacional está entrando en la economía publicitaria… y eso suele venir con preguntas incómodas sobre incentivos.

Vamos con investigación y medición, donde hay dos historias que muestran lo difícil que es evaluar “razonamiento”. OpenAI publicó sus intentos de prueba para “First Proof”, un reto matemático de nivel investigación. Dicen que su modelo interno intentó los 10 problemas, y, tras feedback experto, creen que al menos cinco tienen alta probabilidad de ser correctos… pero también tuvieron que retractarse en uno que inicialmente pintaba bien, el problema 2. Lo importante aquí no es el número, sino el método: pruebas end-to-end, verificación costosa, y un proceso que no fue una evaluación totalmente controlada —hubo reintentos, aclaraciones, selección de mejores intentos—. Aun así, es una ventana rara a cómo se ve “progreso” cuando la métrica no es un benchmark automático, sino convencer a matemáticos. Y para quienes quieren entender la maquinaria detrás del alineamiento en chatbots, circula un tutorial “intuición primero” sobre RLHF: desde REINFORCE hasta actor-critic como PPO y variantes sin crítico como GRPO. Me quedo con dos ideas prácticas: el problema real es asignar crédito token a token cuando el reward llega al final, y por eso aparecen conceptos como advantage, value function, GAE y penalizaciones KL para que el modelo no se desboque. Es teoría, sí, pero es la teoría que está moldeando cómo responden los asistentes que usamos a diario.

En paralelo, Anthropic publicó su “AI Fluency Index”, intentando medir no solo adopción, sino habilidad real de colaboración humano-IA. Analizaron casi 10 mil conversaciones anonimizadas con una herramienta de privacidad, y buscaron 11 comportamientos observables dentro de un marco de 24. El hallazgo central: la fluidez aparece cuando la conversación es iterativa. La mayoría de chats muestran refinamiento, y esos chats largos acumulan más “buenas prácticas”: cuestionar el razonamiento del modelo, detectar contexto faltante, ajustar objetivos. Pero hay un giro interesante: cuando la gente genera “artefactos” —apps, documentos, herramientas— se vuelve más directiva (formato, ejemplos, objetivos), pero menos evaluativa dentro del chat: menos fact-checking y menos cuestionamiento explícito. Puede ser porque la verificación ocurre fuera, ejecutando el código, o porque un output pulido baja la guardia. Y ese matiz es oro para equipos que están metiendo IA en producción: el riesgo no siempre está en pedir mal, sino en revisar poco.

Cerramos con dos impactos del mundo físico: economía y hardware. Goldman Sachs dice que el boom de gasto en IA añadió “básicamente cero” al crecimiento del PIB de EE. UU. en 2025, lo que pincha una narrativa muy popular en Wall Street. Su explicación clave es contable y geopolítica: gran parte del hardware —sobre todo chips— se importa, y eso reduce el impacto neto en PIB; el dinero puede estar impulsando más a países productores que a la economía doméstica. Además, aún no hay una forma fiable de medir cómo el uso real de IA se traduce en productividad agregada. Y una encuesta a miles de ejecutivos sugiere algo incómodo: muchas empresas ya usan IA, pero la mayoría no ve impacto en productividad o empleo… todavía. Por el lado de dispositivos, Bloomberg dice que Apple acelera wearables con IA: gafas inteligentes, un posible “pendant” y AirPods con cámaras, con la ambición de meter a Siri en la vida diaria de forma más útil. La pieza más llamativa es la supuesta adquisición de Q.ai por unos 2 mil millones de dólares, asociada a interpretación de “voz silenciosa” mediante micro movimientos faciales. Si eso funciona bien, resuelve un problema práctico enorme: hablarle a un asistente en público o en entornos ruidosos. Y como recordatorio de que la IA también está cambiando cómo construimos software de bajo nivel: un desarrollador cuenta cómo convirtió un MacBook Pro 2016 en banco de pruebas para FreeBSD 15 y, al no tener soporte Wi‑Fi para su Broadcom, terminó creando un driver nuevo. Tras un intento fallido de port directo, usó un agente para generar una especificación detalladísima —un ‘libro’— del comportamiento del chip, la contrastó con el código Linux, y con eso desarrolló un módulo funcional desde cero. Es un caso muy concreto donde la IA no “escribió por escribir”, sino que ayudó a convertir un sistema complejo en una especificación operable.