Nvidia y el “SO” de agentes & Agentes con cómputo elástico - Noticias de IA (21 mar 2026)

¿Y si la próxima muralla defensiva de Nvidia no fuera un chip, sino el “sistema operativo” donde corren los agentes de IA dentro de las empresas? Bienvenidos a The Automated Daily, AI News edition. El podcast creado por IA generativa. Hoy es 21 de marzo de 2026. Soy TrendTeller, y en cinco minutos te pongo al día con lo más relevante: plataformas para agentes, avances de eficiencia en entrenamiento, y un choque cada vez más visible entre IA y el ecosistema de la información.

Nvidia y el “SO” de agentes

Empecemos por Nvidia. Una columna de CNBC sostiene que Jensen Huang está intentando ampliar el foso competitivo más allá de las GPU. La idea es clara: a medida que el mercado pasa del entrenamiento a la inferencia —correr modelos en producción—, cambiar de proveedor puede ser más fácil y los hyperscalers tienen incentivos para diseñar sus propios chips. En GTC 2026, Nvidia presentó NemoClaw, una capa open source y agnóstica al hardware para construir y desplegar agentes de IA, con barandillas de empresa como seguridad, controles de datos y rutas de privacidad. El mensaje: Nvidia quiere ser el plano donde se instalan los agentes, no solo el proveedor de cómputo. Si esa capa se vuelve estándar, Nvidia puede seguir en el centro aunque cambien los modelos… y de paso reduce el poder de negociación de actores que querrían “encerrar” a los clientes en su propia plataforma.

Agentes con cómputo elástico

Y hablando de agentes, SkyPilot publicó un caso muy ilustrativo: escaló el proyecto de “autoresearch” dándole a Claude Code control sobre un clúster Kubernetes con 16 GPU. En unas ocho horas, el agente lanzó cientos de pruebas en paralelo y llegó a un mejor resultado mucho más rápido que un flujo secuencial. Lo interesante no es solo la velocidad: el paralelismo cambia el estilo de investigación. En vez de ir “a ciegas” ajuste por ajuste, el agente puede probar familias de ideas, descubrir interacciones y hasta aprovechar hardware heterogéneo —probando rápido en unas GPU y validando en otras. Es una pista de hacia dónde va el I+D: menos intuición artesanal y más exploración automatizada a gran escala.

Modelos más eficientes en datos

En la misma línea de exprimir mejor recursos, Qlabs reporta alrededor de diez veces más eficiencia de datos con un enfoque tipo NanoGPT Slowrun. El titular de fondo: el cómputo está escalando más rápido que la disponibilidad de datos de alta calidad, así que el cuello de botella puede mudarse del hardware al dataset. Su hallazgo clave es que, al entrenar en “ensamble” y con una especie de destilación encadenada, el sistema puede seguir mejorando incluso cuando modelos individuales empiezan a empeorar por sobreajuste. Si esto se generaliza, cambia la economía del progreso: no solo gana quien tenga más GPU, sino quien estire mejor cada token.

Visión y “pointing” open source

Otro trabajo que apunta al mismo dolor —el costo de alinear modelos— propone RLHF mucho más eficiente en etiquetas. En vez de recolectar enormes lotes de preferencias humanas y entrenar offline, el método actualiza continuamente un modelo de recompensa con datos que van entrando y, al mismo tiempo, ajusta el modelo de lenguaje con refuerzo. Reportan mejoras de orden de magnitud en etiquetas necesarias para lograr resultados comparables. Si esto se sostiene fuera del laboratorio, podría abaratar y acelerar ciclos de alineación, y también facilitar modelos que se adapten de manera más continua a contextos reales.

Búsqueda, salud y asistentes personales

Pasemos a visión y agentes que “tocan” el mundo. Ai2 lanzó MolmoPoint, una arquitectura open source que evita un detalle que parece menor, pero no lo es: en vez de “decir” coordenadas como texto, el modelo aprende a señalar directamente en su propio espacio visual. Esto importa para tareas como usar interfaces, operar en entornos físicos o entender video: señalar con precisión y con menos ambigüedad es un requisito para que un agente pueda actuar con fiabilidad. Es un recordatorio de que, en agentes, no todo es escribir mejor: también es percibir y anclar acciones a la realidad.

Autenticación y seguridad para agentes

En escritorio y asistentes personales, Bloomberg dice que Google está probando una app de Gemini para macOS. La novedad sería una función de “inteligencia de escritorio” capaz de leer el contexto de pantalla y extraer información de apps habilitadas para responder mejor. Falta saber si también podrá ejecutar acciones, pero el movimiento encaja con una tendencia: los chatbots se están convirtiendo en asistentes situados, con contexto del dispositivo. Y en paralelo, Perplexity lanzó Perplexity Health en EE. UU., orientado a conectar datos de salud y usar agentes especializados en un entorno privado. La carrera por ‘IA con datos personales’ se está calentando, y el diferenciador real será la confianza: controles, auditoría y límites claros sobre qué se usa y qué sale.

Noticias, archivos y titulares con IA

Eso nos lleva a identidad y seguridad para agentes. Por un lado, aparece Agent Auth Protocol, un borrador open source que quiere modernizar autenticación y autorización cuando el “usuario” ya no es una persona, sino múltiples agentes en ejecución. La promesa: permisos más finos, auditoría por agente y ciclos de vida controlados. Y por otro, OpenAI describió un sistema interno de monitoreo para agentes de programación que revisa sesiones y marca conductas sospechosas en flujos con herramientas reales. Lo relevante aquí es el cambio de mentalidad: si los agentes tocan sistemas sensibles, la observabilidad y el control dejan de ser opcionales; son parte del producto.

Open source bajo presión por IA

Ahora, un bloque de noticias sobre información pública y confianza. La EFF advierte que grandes editores están bloqueando al Internet Archive, lo que amenaza la integridad histórica de la Wayback Machine. La paradoja: intentar frenar el scraping de IA golpeando a un archivo sin fines de lucro no detiene a los actores con recursos, pero sí puede borrar evidencia útil para periodistas, investigadores y hasta tribunales. Y, como si fuera poco, The Verge reporta que Google Search experimenta con reemplazar titulares originales por versiones generadas por IA en resultados tradicionales. El problema no es solo estético: un titular reescrito puede cambiar el sentido, erosionar la atribución y romper la cadena de confianza entre medio y lector. Si el intermediario reinterpreta el contenido sin transparencia, el periodismo pierde control sobre su propio significado.

IA y el futuro de matemáticas

En comunidades de desarrollo, GitHub plantea que la mentoría open source necesita una reforma porque la IA hace fácil enviar PRs “pulidos” sin comprensión real. Eso sube el volumen y el costo de revisión, justo cuando el tiempo de los maintainers no crece. Su propuesta resume bien el nuevo contrato social: demostrar comprensión, aportar contexto útil para revisión y, sobre todo, continuidad. En 2026, contribuir no es solo mandar código; es sostener una relación de confianza.

Timelines amplios para planificar

Dos notas finales para ampliar el foco. Primero, Terence Tao sugiere que la generación automática de pruebas puede transformar las matemáticas como el automóvil transformó las ciudades: no basta con meter coches en calles medievales. Si la IA acelera resultados pero destruye la cultura de explicación, intuición y formación, perdemos más de lo que ganamos. Su llamado es a diseñar infraestructura nueva que combine verificación formal con objetivos humanos. Y segundo, un ensayo de LessWrong insiste en planificar con ‘timelines amplios’ para IA transformadora. Con tanta incertidumbre y desacuerdo experto, el consejo es pensar en portafolio: prepararse para escenarios tempranos sin abandonar inversiones de largo plazo. En gobernanza y en estrategia personal, la robustez vale más que una fecha exacta.

Eso es todo por hoy. Si algo conecta todas estas historias, es que la IA está dejando de ser “un modelo” para convertirse en infraestructura: plataformas de agentes, autenticación por identidad, monitoreo, y nuevas reglas para conocimiento y comunidades. Soy TrendTeller, y esto fue The Automated Daily, AI News edition. Encontrarás enlaces a todas las historias en las notas del episodio.

Nvidia y el “SO” de agentes & Agentes con cómputo elástico - Noticias de IA (21 mar 2026)

Our Sponsors

Today's AI News Topics