Noticias IA del 27/01/2026

Qué pasó: La nota reporta que Moonshot AI lanzó Kimi K2.5 como modelo open source multimodal (texto/imagen/video) y presentó Kimi Code como agente de código para terminal e IDEs.

Impacto:

• Refuerza la presión competitiva del open source en multimodalidad y tooling “agentic”.
• Los benchmarks y el detalle de entrenamiento se presentan como claims atribuidos a la empresa.
• La licencia y los artefactos (pesos/código) no quedan verificados en la fuente (N/D).

Qué pasó: DSIT anunció AI fellows para modernizar sistemas críticos y una asociación con Anthropic para construir y pilotar un assistant de servicios públicos, empezando por orientación a job seekers.

Impacto:

• Marca un caso de adopción temprana de asistentes en gobierno con requisitos de seguridad.
• Se menciona intención de operar offline o en redes seguras para contextos sensibles.
• El anuncio no detalla salvaguardas operativas ni calendario de acceso público (N/D).

Qué pasó: Anthropic publicó un post sobre el piloto GOV.UK, indicando que el assistant estará powered by Claude y adoptará un enfoque por fases “Scan, Pilot, Scale”.

Impacto:

• Se presenta como referencia para diseño y despliegue de asistentes en el sector público.
• Menciona cumplimiento con UK data protection law y una opción de opt-out.
• Detalles técnicos de minimización y auditoría de datos no se describen (N/D).

Qué pasó: Google anunció Agentic Vision para Gemini 3 Flash con un loop Think-Act-Observe y soporte de code execution (Python) para tareas sobre imágenes.

Impacto:

• Eleva la robustez de pipelines visuales al combinar razonamiento con herramientas.
• Puede mejorar precisión en inspección, medición y QA frente a VQA “solo texto”.
• La ejecución de herramientas aumenta superficie de seguridad; controles específicos: N/D.

Acciones:

• Probar la demo indicada en Google AI Studio.
• Evaluar Gemini API con “code execution” habilitado para tu caso visual.

Qué pasó: Google comunicó beneficios “developer” incluidos en AI Pro/Ultra, con créditos mensuales de Cloud y menciones de tooling como AI Studio, Antigravity y Gemini CLI.

Impacto:

• Reduce barrera de coste para prototipar y desplegar con Gemini API.
• Refuerza el bundle de suscripción combinando modelos, tooling y crédito de infraestructura.
• Condiciones exactas de elegibilidad y límites no se detallan completamente (N/D).

Acciones:

• Activar el beneficio con cuenta AI Pro/Ultra y aplicar créditos en un proyecto Cloud.
• Probar Gemini API desde AI Studio con el entorno de desarrollo indicado.

Qué pasó: Se anunció una colaboración CGI-OpenAI orientada a despliegues “securely” y a escala, ampliando un piloto y expandiendo ChatGPT Enterprise internamente en CGI.

Impacto:

• Acelera industrialización de IA vía integradores con presencia global.
• La expansión interna a “tens of thousands” sugiere adopción masiva en consultoría.
• No se detallan métricas de rendimiento, SLAs o productos liberados públicamente (N/D).

Qué pasó: El mercado entra en una semana de resultados con foco en si la inversión masiva en IA se traduce en crecimiento sostenible y retorno medible.

Impacto:

• El listón de ROI sube: se espera evidencia clara de monetización de IA en 2026.
• Capex récord presiona márgenes y prioriza eficiencia en infraestructura y despliegue.
• El gasto de hyperscalers condiciona disponibilidad de cómputo y precios para el ecosistema.

Qué pasó: El repunte de Alphabet se atribuye a la recepción favorable de Gemini 3 y se menciona una asociación estratégica con Apple para mejorar Siri con modelos Gemini.

Impacto:

• Refuerza la tesis de que mejoras de modelo pueden mover percepción y valoración de plataforma.
• Una integración en Siri elevaría la distribución y el “default” de Gemini en consumo.
• Incrementa la presión competitiva sobre asistentes rivales y acuerdos de ecosistema.

Qué pasó: Se reporta la presentación del chip Maya de Microsoft para inferencia, destacando conteo de transistores y rendimiento en precisiones 4-bit y 8-bit.

Impacto:

• Apunta a reducir dependencia de aceleradores externos y optimizar coste de inferencia.
• Puede mejorar latencia y rendimiento para servicios en Azure AI.
• Refuerza la carrera por hardware propio en hyperscalers (chips + red + data centers).

Qué pasó: Se reporta un acuerdo de largo plazo en el que Meta pagaría hasta $6B a Corning por cables de fibra óptica para su expansión de centros de datos de IA.

Impacto:

• Subraya que la infraestructura física (interconexión) es cuello de botella del escalado IA.
• Da visibilidad de demanda a la cadena de suministro de redes de data centers.
• Refuerza la idea de que la “carrera IA” se decide también en capex y logística.

Qué pasó: Se reporta que Microsoft proyecta un aumento significativo del uso de agua en centros de datos de 2020 a 2030, asociado a la expansión por IA.

Impacto:

• Intensifica el foco regulatorio y social en sostenibilidad de infra de IA.
• Puede acelerar inversiones en refrigeración alternativa y eficiencia hídrica.
• Introduce riesgo reputacional en regiones con estrés hídrico.

Qué pasó: Mozilla anunció planes para desplegar alrededor de $1.4B en reservas con foco en apoyar entidades “mission-driven” y construir una alternativa de ecosistema.

Impacto:

• Podría financiar proyectos y startups alineados con apertura y misión pública.
• Introduce un actor con capital relevante frente a laboratorios y plataformas dominantes.
• El alcance operativo y criterios de asignación no quedan detallados en la nota.

Qué pasó: El paper propone Keel, un Transformer Post-LN que sustituye la ruta residual por una conexión estilo Highway para evitar vanishing gradients en redes muy profundas.

Impacto:

• Abre una vía para escalar por profundidad con cambios arquitectónicos concretos.
• Afirma estabilidad a profundidades extremas (>1000 capas) sin “trucos” complejos.
• La reproducibilidad depende de artefactos externos (código/datos) no confirmados en la página.

Acciones:

• Leer el PDF/TeX en arXiv y extraer el bloque Keel (Post-LN + Highway).
• Prototipar el módulo en tu stack y medir estabilidad vs Pre-LN.

Qué pasó: Innovator-VL se presenta como un modelo multimodal orientado a descubrimiento científico, y afirma una metodología de entrenamiento más “principled” y transparente.

Impacto:

• Plantea una alternativa a pipelines opacos y escalado por datos masivos en VLMs.
• Podría acelerar adopción en entornos científicos si se valida el rendimiento reportado.
• En la página visible no se detallan pesos/código/licencia (N/D).

Acciones:

• Leer PDF/TeX en arXiv y revisar el esquema de entrenamiento propuesto.
• Buscar artefactos asociados (repositorios/enlaces externos) si existieran.

Qué pasó: AAAI-26 concluyó el 27 de enero en Singapore EXPO, con sesiones técnicas, talleres y pósters que reflejan el estado del arte en IA.

Impacto:

• Resume la agenda de investigación y tendencias en la comunidad científica.
• Sirve como señal de qué líneas (modelos, agentes, seguridad, multimodal) ganan tracción.
• Ayuda a priorizar lecturas y replicaciones con foco en avances recientes.

Qué pasó: Se reporta el lanzamiento de Material List Builder, una herramienta de Home Depot que genera listas de materiales para proyectos a partir de voz o texto.

Impacto:

• Reduce fricción en planificación de proyectos al convertir prompts en listas accionables.
• Ejemplifica adopción de IA generativa en retail para mejorar conversión y ticket medio.
• Anticipa más asistentes verticales que conectan intención del usuario con catálogo e inventario.