Noticias IA del 25/01/2026

Qué pasó: OpenAI registró dos releases de Codex CLI: 0.90.0 añade un network sandbox proxy con policy enforcement y soporte inicial de connectors vía MCP; 0.91.0 reduce a 6 el máximo de sub-agents.

Impacto:

• Mejora seguridad/compliance al controlar el acceso de salida y reducir riesgo de exfiltración (requiere política bien definida).
• Reduce el “fan-out” multi-agente y el consumo de recursos, ayudando a contener costes operativos.
• Abre el camino a integraciones con herramientas/servicios mediante connectors e integración MCP.

Acciones:

• Instalar y verificar versión: npm install -g @openai/codex@0.91.0 y luego codex –version.
• Revisar y habilitar la configuración del network sandbox proxy y probar el control de red (detalles finos: N/D en el changelog).

Qué pasó: Reportes periodísticos (atribuidos a información de Bloomberg) indican que Apple planea demostrar una Siri más personalizada que usaría Google Gemini, con una ventana de demos en febrero y despliegue posterior (no confirmado por Apple).

Impacto:

• Estrategia: un Siri con Gemini implicaría dependencia de proveedor y negociación de privacidad/latencia/coste.
• Riesgo: acceso a datos personales y contenido en pantalla eleva requisitos de privacy by design y control de consentimiento.
• Si parte del flujo corre en cloud, el “data boundary” on-device vs cloud se vuelve crítico.

Acciones:

• Validación: seguir anuncios/demos en la ventana reportada y revisar notas de iOS cuando existan.
• Si aparece beta, medir latencia y verificar qué se ejecuta on-device vs cloud (N/D hasta release oficial).

Qué pasó: ScienceDaily resumió un estudio que compara LLMs (menciona ChatGPT, Claude, Gemini) vs ~100.000 humanos en el Divergent Association Task; los LLMs superan el promedio, pero no a los mejores humanos.

Impacto:

• Producto: útil para brainstorming y generación de alternativas, elevando equipos “promedio”.
• Riesgo: optimizar “creatividad” puede aumentar nonsense o desalineación; requiere evaluación.
• Operación: el diferencial competitivo puede seguir en humanos expertos + buen diseño de prompts.

Acciones:

• Reproducir DAT: pedir 10 palabras “lo más no relacionadas posible” y variar temperature.
• Comparar resultados con un panel humano interno (métrica exacta DAT: N/D en la fuente).

Qué pasó: Un paper en arXiv aborda load balancing en sistemas sincronizados por barrera y stateful; para LLM serving con data-parallel decoding, reporta que el idle inducido por barreras puede superar 40% del tiempo por paso.

Impacto:

• Puede impactar directamente coste y latencia de serving a gran escala si las mejoras se sostienen en implementación.
• Relevante para pipelines “barrier-synchronized” y escenarios con heterogeneidad de requests.
• Apunta a mejoras reportadas en throughput, latency y energy consumption.

Acciones:

• Descargar y leer el paper (p. ej., vía PDF) y revisar el planteamiento del scheduler.
• Auditar si tu serving sufre “barrier-idle” y prototipar un scheduler inspirado en la propuesta (código oficial: N/D).

Qué pasó: Streaming-dLLM propone acelerar Diffusion LLMs con un enfoque training-free que combina suffix pruning de tokens redundantes y un mecanismo de early-exit dinámico; el abstract reporta “hasta 68.2×” de speedup.

Impacto:

• Si los dLLMs maduran, acelerar su inferencia podría acercar latencia a necesidades reales de producto.
• El claim de speedup debe tomarse con cautela: el repo enlazado indica que el código se publicará más adelante.
• Introduce ideas de pruning/early-exit que pueden inspirar optimizaciones en otros decoders.

Acciones:

• Descargar el paper y revisar el método (suffix modeling + dynamic early-exit).
• Verificar el estado del repositorio GitHub enlazado (reproducibilidad): revisar README/commits.

Qué pasó: El paper evalúa 75 configuraciones de LLMs (0.27B–1000B) con dilemas de Moral Machine y reporta una relación tipo power-law donde la distancia a preferencias humanas disminuye con el tamaño (exponente aproximado −0.10).

Impacto:

• Aporta evidencia cuantitativa útil para discutir governance y riesgos de sistemas autónomos.
• Introduce métricas de valores/juicios al terreno de scaling laws, pero con límites (Moral Machine puede no representar valores globales).
• No equivale a alineación normativa: mayor consistencia no implica “lo correcto” para todas las culturas.

Acciones:

• Descargar el paper y revisar metodología y licenciamiento indicado (CC BY 4.0 en la fuente).
• Reproducir: implementar el set de dilemas de Moral Machine y medir distancia a preferencias humanas (dataset exacto: N/D en la página).

Qué pasó: MathWorks File Exchange lista AutoDRIVE Toolbox como Version 2.0.0, actualizado el 25 Jan 2026, con APIs y demos “turnkey” para investigación/educación en conducción autónoma en MATLAB/Simulink.

Impacto:

• Prototipado rápido: acelera pruebas de control/percepción/planificación en un entorno integrado.
• Educación/I+D: facilita demos y bancos reproducibles para algoritmos de conducción autónoma.
• Depende de licencias/entorno MathWorks (coste: N/D en la fuente).

Acciones:

• Descargar desde File Exchange y abrir en MATLAB.
• Ejecutar ejemplo (según README): autodrive = example_{vehicle}(4567) y luego autodrive.stop.

Qué pasó: Además del despliegue de clones, YouTube está desplegando herramientas para generar juegos completos a partir de prompts de texto.

Impacto:

• Reduce la barrera para crear experiencias interactivas sin equipos grandes de desarrollo.
• Incrementa la presión por moderación y calidad en contenido generado, ahora también en formato interactivo.
• Amplía la creatividad generativa a nuevas superficies de producto más allá de video y audio.