Noticias IA del 13/12/2025

Qué pasó: OpenAI detalla la estructura de costos de GPT-5.2, posicionándolo para flujos de trabajo empresariales masivos con un descuento del 90% en inputs cacheados.

• Precios: $1.75/1M tokens de entrada, $14/1M salida.
• Métricas: Alcanza 71% de paridad con expertos humanos en tareas de “knowledge work”.
• Impacto: El modelo de precios incentiva el uso de contexto largo y agentes persistentes.

Acciones: Calcular nuevo ROI basándose en el descuento de caché para tareas repetitivas.

Qué pasó: Google retiró docenas de videos generados con modelos como Veo tras recibir un “cease-and-desist” de Disney por uso no autorizado de IP.

• Conflicto: Choque directo entre herramientas de generación de video y derechos de autor.
• Contexto: Ocurre días después de que Disney anunciara inversión estratégica en OpenAI.

Acciones: Revisar políticas de uso de IP en herramientas de generación de video corporativas.

Qué pasó: Se presentó una técnica para optimizar modelos gigantes desactivando “circuitos” innecesarios durante la inferencia.

• Eficiencia: Reducción de 50-70% en operaciones de punto flotante (FLOPs).
• Valor: Permite inferencia más rápida y económica, crítica para la adopción masiva de modelos de razonamiento.

Acciones: Evaluar impacto en costos operativos de infraestructura a gran escala.

Qué pasó: Qatar Investment Authority lanza Qai para desarrollar infraestructura de computación de alto rendimiento (HPC) y herramientas de IA.

• Competencia: Busca rivalizar con los hubs establecidos en EAU (G42) y Arabia Saudí (Humain).
• Estrategia: Compra de “opcionalidad estratégica” en talento y centros de datos.

Acciones: Monitorizar nuevas zonas de disponibilidad para despliegues en MENA.

Qué pasó: Anthropic modificó el “system prompt” de Claude para priorizar la imparcialidad política tras críticas de sesgo.

• Resultado: Evaluaciones muestran un 94% de score en neutralidad.
• Contexto: Respuesta directa a la administración Trump y críticas sobre “AI woke”.

Acciones: Re-evaluar sesgos en aplicaciones que dependen de la “personalidad” del modelo.

Qué pasó: Se publicó el Foundation Model Transparency Index 2025, revelando disparidades significativas en cómo los laboratorios reportan datos y entrenamiento.

• Líderes: Meta, Hugging Face, OpenAI, Stability AI.
• Rezagados: Google, Anthropic, Cohere.

Acciones: Considerar el nivel de transparencia como factor de riesgo en el procurement corporativo.

Qué pasó: Hugging Face lanzó HF-Skills + Codex, permitiendo delegar el ciclo completo de ML (dataset -> training -> export) a agentes.

• Capacidades: Validación de datos, selección de GPUs (ej. T4 vs A100), monitoreo de costos y exportación a GGUF.
• Innovación: Pipeline “end-to-end” sin intervención humana constante.

Acciones: Probar pilotos de entrenamiento delegado para modelos pequeños (ej. Qwen 0.6B).

Qué pasó: Actualizaciones importantes en herramientas de inferencia local y servidor.

• vLLM-Ascend: Mejoras de rendimiento para hardware Ascend y soporte a nuevos modelos DeepSeek.
• Ollama: Defaults más agresivos para mejorar latencia “out-of-the-box”.

Acciones: Actualizar entornos de prueba, validando compatibilidad con los nuevos defaults de atención.

Qué pasó: Scientific American analiza la brecha entre la inteligencia de los LLMs y la capacidad física de los robots.

• Problema: El “knowledge gap” físico. El mundo real exige recalibración constante que el software actual no resuelve solo.
• Cuello de botella: Falta de datos de entrenamiento “encarnados” (sensores/física) vs. datos de texto.

Acciones: Centrar inversión en pipelines de datos de sensores y teleoperación, no solo en hardware.