Noticias IA del 11/03/2026

Qué pasó: Reuters informó sobre un memo interno del Pentágono, fechado el 6 de marzo, que abre la puerta a excepciones para seguir usando herramientas de Anthropic después del plan de retirada. Las exenciones se reservarían para casos “mission-critical” y exigirían mitigaciones de riesgo.

Impacto:

• Confirma que el phase-out no sería absoluto si la operación depende de esas herramientas.
• Afecta contratos, cumplimiento de supply chain y ventas de IA al sector defensa.
• Mantiene vivo el litigio sobre hasta dónde puede llegar un proveedor al imponer guardrails.

Qué pasó: OpenAI publicó una guía operativa donde trata la prompt injection como un vector que ya se parece más al social engineering que a simples cadenas maliciosas. La recomendación central es diseñar el sistema para contener el daño incluso si parte del ataque supera los filtros.

Impacto:

• Empuja a separar instrucciones por jerarquía en lugar de confiar solo en limpieza de prompts.
• Refuerza la idea de exigir confirmación humana antes de acciones sensibles.
• Reduce riesgo de exfiltración de datos y uso indebido de herramientas externas.

Acciones:

• Montar pruebas de navegación con páginas que incluyan instrucciones maliciosas.
• Revisar qué acciones del agente requieren aprobación humana explícita.

Qué pasó: Reguladores y grandes empresas estatales chinas enviaron directrices internas para desalentar la instalación de OpenClaw en dispositivos de trabajo y, en algunos casos, también en equipos personales usados para tareas oficiales. La preocupación es que un agente con permisos amplios provoque fugas, borrado o mal uso de información sensible.

Impacto:

• Muestra que los agentes de escritorio empiezan a tratarse como software de alto riesgo.
• Señala que el debate regulatorio ya no se limita a chatbots, sino a sistemas que actúan sobre el entorno.
• Anticipa restricciones sectoriales por tipo de dato y criticidad del dispositivo.

Acciones:

• Inventariar qué agentes de escritorio usan ya tus equipos internos.
• Definir una política provisional para máquinas corporativas y datos sensibles.

Qué pasó: Atlassian anunció el despido de aproximadamente el 10% de su plantilla global, unas 1.600 personas, para reequilibrar la empresa hacia productos con IA y ventas enterprise. El memo interno admite que la IA está cambiando los perfiles y el número de roles necesarios en varias áreas.

Impacto:

• Convierte la reestructuración AI-first en una decisión organizativa, no solo de roadmap.
• Aumenta la presión sobre software seat-based ante copilots y agentes más capaces.
• Sugiere más foco en automatización de tickets, documentación y soporte en Jira y Confluence.

Acciones:

• Probar funciones de IA de Atlassian en un proyecto piloto y medir impacto operativo.

Qué pasó: Elon Musk presentó, vía Reuters, un proyecto conjunto entre Tesla y xAI llamado “Macrohard” o “Digital Optimus”. La propuesta combina Grok como navegador de alto nivel con un agente que observa vídeo de pantalla y opera aplicaciones mediante teclado y ratón.

Impacto:

• Plantea una visión de automatización horizontal capaz de emular tareas de una empresa de software.
• Refuerza la tendencia hacia agentes multimodales con capacidades de RPA avanzada.
• Presiona a modelos de negocio de soporte, back-office, análisis y desarrollo.

Qué pasó: El consejo de North Lincolnshire aprobó la construcción de Elsham Tech Park, uno de los mayores centros de datos del Reino Unido enfocado en cargas de IA. Según la BBC, el proyecto podría atraer hasta 10.000 millones de libras y crear unos 900 empleos cualificados.

Impacto:

• Confirma que la carrera de IA depende también de suelo, permisos, energía y cooling.
• Refuerza el atractivo europeo para cómputo sensible a cumplimiento y residencia de datos.
• Añade presión al debate británico sobre priorización de acceso a la red eléctrica.

Qué pasó: Nuro anunció que sus vehículos autónomos ya circulan por vías públicas de Tokio con conductores de seguridad a bordo. Es su primer despliegue internacional y llega tras pruebas en circuito cerrado, simulación masiva y modo shadow.

Impacto:

• Sirve como prueba de portabilidad desde entornos de EE. UU. a tráfico denso y circulación por la izquierda.
• Muestra un patrón útil para robots y sistemas embebidos: combinar simulación, shadow mode y adaptación gradual.
• Amplía la validación real de stacks de percepción, planificación y conducción autónoma.

Qué pasó: OpenAI describió cómo equipa Responses API con un entorno de ejecución para agentes que incluye shell tool, contenedores alojados, filesystem, almacenamiento estructurado opcional y red restringida. La pieza lo presenta como un runtime empaquetado para pasar de modelos que responden a agentes que ejecutan.

Impacto:

• Reduce la fricción para construir agentes reproducibles con archivos, bases de datos y bucles largos.
• Introduce aislamiento y networking acotado para limitar blast radius.
• Apoya workflows extensos con compaction server-side y skills reutilizables.

Acciones:

• Probar una llamada mínima habilitando el shell tool y ejecutando un comando simple en el contenedor.

Qué pasó: NVIDIA anunció Nemotron 3 Super como un modelo open hybrid mixture-of-experts orientado a agentic AI. El anuncio destaca 120B parámetros totales, 12B activos y optimización para Blackwell con foco en throughput y coste por paso.

Impacto:

• Refuerza la carrera por modelos agent-first donde importa tanto el rendimiento como la calidad.
• Apunta a casos enterprise en automatización de workflows, ciberseguridad y diseño de chips.
• Subraya la presión por contener el coste de contextos largos y razonamiento multi-paso.

Qué pasó: Anthropic lanzó The Anthropic Institute como un esfuerzo para analizar los desafíos sociales de sistemas de IA cada vez más potentes. La empresa dice que compartirá aprendizajes de su investigación interna y ampliará tanto el equipo del instituto como el de Public Policy.

Impacto:

• Puede influir en narrativas regulatorias y en estándares de evaluación de impacto.
• Refuerza la idea de que los propios builders quieren moldear el debate público sobre frontier AI.
• Señala más inversión en análisis de empleo, economía, gobernanza y valores.

Qué pasó: Databricks presentó Genie Code como un agente autónomo para construir pipelines, depurar fallos, entregar dashboards y mantener sistemas de datos. Además, anunció la adquisición de Quotient AI para incorporar evaluación continua y reinforcement learning sobre trazas completas de agentes.

Impacto:

• Lleva la evaluación de agentes al centro del producto, más cerca de SLA y gobernanza.
• Une ejecución autónoma con observabilidad y señales de mejora continua.
• Refuerza la competencia por plataformas de datos con capacidades agentic integradas.

Acciones:

• Comprobar si Genie Code o las funciones asociadas están disponibles en tu workspace de Databricks.

Qué pasó: Google Research y Google DeepMind presentaron un estudio prospectivo, de un solo centro y aprobado por IRB, para evaluar AMIE en un flujo clínico real junto a Beth Israel Deaconess Medical Center. El sistema se usó para recoger información previa a visitas de atención primaria y analizar la experiencia de pacientes y clínicos.

Impacto:

• Mueve la conversación desde demos sintéticas hacia evidencia clínica en workflows reales.
• Eleva las exigencias de seguridad, validación y cumplimiento para IA conversacional en salud.
• Ofrece una referencia temprana para medir factibilidad antes de despliegues más amplios.

Qué pasó: Cloudflare anunció que, cuando un cliente pida text/markdown, application/json o application/problem+json, devolverá errores estructurados compatibles con RFC 9457 en lugar de páginas HTML pensadas para humanos. La empresa afirma que el cambio reduce más del 98% del gasto de tokens por error.

Impacto:

• Mejora la fiabilidad del agent loop al entregar errores con contrato semántico y guía accionable.
• Reduce costes y parsing ambiguo en agentes que navegan o llaman APIs.
• Normaliza respuestas machine-friendly para tráfico de agentes a gran escala.

Acciones:

• Comparar una respuesta HTML con otra usando Accept: application/problem+json en una ruta que devuelva error.

Qué pasó: LangChain anunció una herramienta para que los agentes puedan activar por sí mismos la compresión de contexto en los momentos adecuados. La idea es evitar reglas rígidas por umbral y compactar en fronteras limpias de tarea, con soporte habilitado en Deep Agents CLI y opt-in en el SDK.

Impacto:

• Reduce context rot en ejecuciones largas sin depender de comandos manuales.
• Permite conservar mensajes recientes y resumir lo anterior con más criterio operativo.
• Mejora la robustez de agentes prolongados con menos fricción en el harness.

Acciones:

• Evaluar compaction en cambios de tarea y no solo por número fijo de tokens.