Noticias IA del 25/02/2026

Qué pasó: Anthropic anunció la adquisición de Vercept para impulsar “computer use”, es decir, que Claude opere aplicaciones en vivo como una persona. El equipo de Vercept se integra en Anthropic y el producto externo cerrará en las próximas semanas.

Impacto:

• Refuerza la carrera por agentes que automatizan UI, más allá de integraciones vía API.
• Puede acelerar el roadmap de “computer use” al sumar talento y foco dedicado.
• Señala madurez de benchmarks como OSWorld (Anthropic reporta 72% en Sonnet “hoy”).

Qué pasó: Anthropic actualizó sus compromisos de deprecación usando Claude Opus 3 como caso. Indica que Opus 3 fue retirado el 2026-01-05, pero mantiene acceso condicionado.

Impacto:

• Equipos con dependencia en modelos específicos necesitan playbooks de migración y contingencia.
• “Retirado” no equivale a “inaccesible”, pero sí a acceso limitado y con fricción.
• Introduce prácticas como preservar pesos y “retirement interviews” para retiros futuros.

Acciones:

• En claude.ai: verificar disponibilidad si tienes plan de pago (según el post).
• En API: seguir el mecanismo de acceso “by request” descrito por Anthropic.

Qué pasó: Google actualizó Circle to Search para permitir seleccionar múltiples objetos en una imagen y obtener resultados por cada elemento. Atribuye el flujo a Gemini 3, que decide recortes y ejecuta búsquedas en paralelo.

Impacto:

• Mejora la “búsqueda agentic” al descomponer una consulta visual en sub-tareas.
• Puede ampliar el discovery en e-commerce al identificar más ítems por imagen.
• Introduce una técnica explícita de “visual query fan-out” con cross-reference de resultados.

Acciones:

• En dispositivos soportados, usar Circle to Search y seleccionar varios objetos (outfits, productos, etc.).

Qué pasó: Google detalló nuevas funciones de IA en Android para Samsung Galaxy S26, incluyendo Scam Detection con un modelo Gemini en el dispositivo. Si detecta una posible estafa durante una llamada, el usuario recibe alertas de audio y hápticas.

Impacto:

• Ejemplo claro de seguridad del consumidor con IA on-device, reduciendo dependencia de cloud para ese caso.
• Abre preguntas de UX y calibración (falsos positivos/negativos) al intervenir en tiempo real.
• Incluye una nota de privacidad sobre el procesamiento de audio de llamadas (según el post).

Acciones:

• En un Galaxy S26 (si está disponible), habilitar Scam Detection en Settings y validar el flujo con escenarios de prueba controlados.

Qué pasó: OpenAI actualizó Codex CLI a la versión 0.105.0 con mejoras de TUI (syntax highlighting, diffs y selector de tema con vista previa). Añade dictado con transcripción de voz (feature flag) y mejoras para ejecutar y rastrear flujos multi-agente.

Impacto:

• Mejora la DX del “coding agent” en terminal, incluyendo legibilidad de diffs en claro/oscuro.
• Introduce un flujo de voz para prompts, aunque marcado como “still under development”.
• Refuerza patrones de fan-out (p.ej., desde CSV) con progreso/ETA y aprobaciones por sub-agente.

Acciones:

• Actualizar con: npm install -g @openai/codex@0.105.0
• (Opcional) Habilitar voz con features.voice_transcription = true en la configuración.

Qué pasó: NVIDIA publicó resultados de cuarto trimestre y año fiscal 2026, enmarcándolos en la demanda de infraestructura para IA. Reporta $68B (trimestre), $62B (Data Center) y $215B (FY2026), y cita un “agentic AI inflection point”.

Impacto:

• Señal de presión sostenida en capacidad de cómputo y disponibilidad de aceleradores.
• Refuerza la narrativa de plataformas (Blackwell/NVLink y “Vera Rubin”) como palanca de coste por token.
• Dato útil para estrategias multi-vendor y negociación de capacidad en infra de IA.

Acciones:

• Para más detalle, revisar el comunicado y el PDF enlazado en la página (según la fuente).

Qué pasó: Reuters informó (según fuentes, no confirmado por compañías) que DeepSeek no compartió un pre-release de su próximo modelo con Nvidia y AMD para optimización. Reuters añade que habría dado early access a proveedores domésticos, incluyendo Huawei, para optimizar con semanas de ventaja.

Impacto:

• Posible fricción geopolítica en el pipeline “modelo → optimización → hardware”.
• Riesgo de fragmentación de performance/compatibilidad por región si se rompe la co-optimización habitual.
• Tratar como “no confirmado”: depende de fuentes anónimas y respuestas limitadas (según Reuters).

Qué pasó: AMD (ROCm docs) publicó/actualizó una guía de inferencia con vLLM recomendando un Docker image ROCm-enabled como entorno pre-construido. La guía apunta a Linux y GPUs AMD Instinct, con vLLM y PyTorch adaptados.

Impacto:

• Reduce fricción de bring-up del stack ROCm + serving y ayuda a estandarizar MLOps.
• Facilita estrategias multi-vendor para inferencia, con una ruta “Docker first”.
• Da una base reproducible para medir throughput/latencia en hardware AMD Instinct.

Acciones:

• Probar con: docker pull vllm/vllm-openai-rocm:latest
• Requisitos: Linux + GPU AMD Instinct soportada (según la fuente).

Qué pasó: Scientific Reports publicó un estudio sobre LLMs en fact-checking multilingüe: evalúa 9 LLMs en 5.000 claims, con ground truth de 174 organizaciones en 47 idiomas y más de 240.000 anotaciones.

Impacto:

• Reporta un patrón tipo Dunning-Kruger: modelos más pequeños muestran alta confianza con menor precisión.
• En productos, la “confianza” no debe usarse como proxy de veracidad sin calibración.
• Señala brechas más marcadas en idiomas no ingleses y claims del Global South.

Acciones:

• Descargar el PDF desde la página y revisar métricas, dataset y benchmark descritos (según la fuente).

Qué pasó: El presidente Donald Trump convocará el 4 de marzo en la Casa Blanca a grandes tecnológicas (Amazon, Google, Meta, Microsoft, xAI, Oracle y OpenAI) para firmar un compromiso sobre costes de energía de data centers enfocados en IA.

Impacto:

• Señal de marco cuasi-regulatorio sobre cómo crecer capacidad sin disparar factura eléctrica y presión política.
• Incentiva eficiencia (chips, cooling y scheduling) y puede acelerar migración a regiones con energía barata/renovable.
• Refuerza que “infra de IA” se decide también por energía, no solo por GPU.

Acciones:

• Si operáis en cloud: revisar precios por kWh y programas verdes en vuestra región, y considerar zonificación multi-región.
• Medir “PUE lógico”: coste de cómputo por unidad de valor (p.ej., coste por 1k consultas vs ingreso asociado).

Qué pasó: IBM publicó su X-Force Threat Intelligence Index 2026, señalando un aumento del 44% en ataques que empiezan explotando aplicaciones públicas. El informe destaca el uso de IA para acelerar descubrimiento de vulnerabilidades y automatizar campañas.

Impacto:

• Aumenta el coste de no tener “seguridad de base” (auth, configuración y hardening) en servicios expuestos.
• Empuja adopción de automatización defensiva (scanners, copilots y respuesta) y mejora de observabilidad.
• Subraya que el mismo tooling de IA se usa tanto para defensa como para ataque.

Acciones:

• Integrar (aunque sea experimentalmente) herramientas de code-scanning y pentesting asistido por IA en CI.
• Definir política interna de uso de modelos en seguridad: datos permitidos, qué se auto-hospeda y cómo se auditan prompts y logs.

Qué pasó: Cold Spring Harbor Laboratory presentó un modelo de visión inspirado en la corteza visual, aproximadamente 500 veces más pequeño que redes típicas en neuro-IA, manteniendo alto alineamiento con respuestas neuronales.

Impacto:

• Refuerza el enfoque de eficiencia (“small-thinking”) frente a la carrera de escala.
• Puede habilitar modelos perceptivos más ligeros para edge, wearables y robótica, con mejor eficiencia energética.
• Ofrece un caso de estudio para modelos de visión más interpretables y comprimidos.

Acciones:

• Para visión en edge, explorar arquitecturas compactas y seguir la literatura de neuro-IA relacionada (según el informe).

Qué pasó: CNBC recoge la preocupación de inversores de renta fija por una posible “burbuja de IA”, ante el volumen de deuda que se emitiría para financiar infra de IA (data centers, chips y redes).

Impacto:

• Si sube el miedo a sobre-CAPEX, el coste de capital de proyectos grandes de IA puede aumentar.
• Presiona a justificar inversión con métricas de ROI y eficiencia (latencia, calidad e ingresos asociados).
• Puede acelerar la búsqueda de optimización y eficiencia energética como ventaja competitiva.