Noticias IA del 16/01/2026

Qué pasó: OpenAI anunció disponibilidad global de ChatGPT Go, incluyendo EE. UU. por $8/mes, como plan intermedio entre Free, Plus y Pro con foco en GPT-5.2 Instant.

Impacto:

• Baja la barrera de entrada para uso más intensivo (más cuota y memoria) sin pasar a Plus.
• Presiona el pricing y la segmentación de suscripciones en asistentes conversacionales.
• Riesgo señalado: límites/beneficios pueden variar por mercado con el tiempo.

Acciones:

• En ChatGPT: Settings/Plan → seleccionar Go (precio local puede variar; en EE. UU. $8/mes).
• Validar con un caso real (documentos + imágenes) si la mayor cuota/memoria reduce fricción vs Free.

Qué pasó: En las release notes del 16 de enero, Anthropic indicó que Claude Code queda incluido en Team (standard seats) y que Opus 4 y 4.1 se retiraron del selector y de Claude Code.

Impacto:

• Reduce fricción para adoptar Claude Code en equipos que ya pagan Team.
• La deprecación puede afectar reproducibilidad: exige revalidar prompts y suites de pruebas.

Acciones:

• En Team: verificar que Claude Code aparece habilitado para standard seats.
• Si dependías de Opus 4/4.1, ejecutar un “prompt regression suite” con el modelo sustituto.

Qué pasó: Google publicó una guía práctica para fine-tuning de FunctionGemma (orientado a function/tool calling) y presentó un “Tuning Lab” no-code en Hugging Face Spaces.

Impacto:

• Busca mejorar la “tool selection ambiguity” al elegir entre herramientas similares (p.ej., KB interna vs Google).
• Promueve tool-calling con modelos pequeños, con potencial de menor coste/latencia.
• Advierte riesgos: splits train/test incorrectos pueden generar métricas engañosas.

Acciones:

• Descargar y correr localmente el “FunctionGemma Tuning Lab” según los comandos del post.
• Probar un set de prompts donde falle la selección de herramienta y comparar antes/después del ajuste.

Qué pasó: Google Cloud publicó un recap técnico sobre reinforcement learning y fine-tuning en TPUs, destacando TPU Pods para cargas complejas como RL.

Impacto:

• Señala madurez de TPUs para workloads de RL que escalan, según el recap.
• El post menciona que un TPU Pod puede conectar hasta 9.216 chips con interconexión de baja latencia.
• Riesgo señalado: dependencia de proveedor/stack; coste real y disponibilidad regional quedan N/D en la fuente.

Acciones:

• Crear un entorno de training en Google Cloud con TPU (VM o Pod slice) y ejecutar un loop RL/fine-tuning (configs exactas: N/D en la fuente).

Qué pasó: El changelog de Codex muestra releases fechadas 2026-01-16 para Codex CLI, con cambios en ergonomía y en integraciones MCP.

Impacto:

• Mejora DX del CLI con /help, mejores mensajes de error y gestión de sesiones al usar MCP.
• Añade salida –json en codex mcp para automatización.
• Riesgo señalado: scripts que dependían de codex list pueden romperse.

Acciones:

• Actualizar con npm a la versión indicada en el changelog y validar con codex --version.
• Reemplazar usos de codex list por codex --help según la guía del changelog.

Qué pasó: Phoronix reportó la salida de llm-scaler-vllm beta 0.11.1-b7, una capa de despliegue en contenedores para servir modelos sobre vLLM enfocada en GPUs Intel.

Impacto:

• Añade soporte de symmetric int4 quantization (sym_int4) para algunos modelos mencionados en el artículo.
• Incluye fixes para crashes y errores bajo alta carga descritos por la fuente.
• Riesgo señalado: al ser beta, compatibilidad y estabilidad requieren validación.

Acciones:

• Localizar el repo oficial y el tag/imagen 0.11.1-b7 (URLs directas: N/D en la fuente) y reproducir el despliegue.
• Ejecutar una prueba de carga para verificar mejoras reportadas (p.ej., estilo JMeter).

Qué pasó: Demis Hassabis dijo que mantiene conversaciones diarias con Sundar Pichai para coordinar la estrategia de IA y alinear DeepMind con los productos de Google.

Impacto:

• Refuerza una coordinación estrecha entre investigación y producto en Google.
• Enmarca la competencia como “feroz e intensa” frente a rivales como OpenAI y Anthropic.
• Sugiere aceleración de despliegue de capacidades de IA en el portafolio de Google.

Qué pasó: El reporte indica que Wikipedia realizó acuerdos comerciales con empresas de IA para formalizar acceso de pago a su contenido para entrenamiento, y Wikimedia enfatizó cooperación.

Impacto:

• Normaliza el licenciamiento pagado de datos de conocimiento público a escala industrial.
• Puede influir en prácticas de adquisición de datos para entrenamiento y en la relación con editores.
• Eleva el debate sobre sostenibilidad, atribución y compensación en datasets de alto valor.