Noticias IA del 27/12/2025

Qué pasó: California SB 53 entra en vigencia el 1 de enero de 2026 y establece el primer marco en EE. UU. de transparencia verificable sobre riesgos de modelos frontier.

Impacto:

• Transparencia mandatoria: laboratorios deben publicar cómo prueban y gestionan riesgos catastróficos.
• Obligación de reportar incidentes cuando se materialicen riesgos relevantes.
• Protecciones legales para whistleblowers dentro de organizaciones.
• Eleva el estándar de “compliance-grade documentation” frente a claims de marketing.

Acciones:

• Auditar permisos mínimos, confirmaciones explícitas y logging en sistemas agénticos.
• Preparar documentación de pruebas de riesgo y un plan de reporte de incidentes si operas en California.

Qué pasó: Google posiciona 2025 como el salto a “IA en producción”, integrando Gemini 3 en Search, Pixel y apps como NotebookLM, Slides, Vids, Flow y Labs, y sumando Nano Banana Pro y T5Gemma 2.

Impacto:

• La IA pasa de feature aislada a infraestructura operativa integrada en herramientas de trabajo.
• Nano Banana Pro habilita flujos tipo “design agents” para generar imágenes dentro de tareas como slides.
• T5Gemma 2 reaviva arquitecturas alternativas (encoder-decoder) con contexto largo y optimizaciones de eficiencia.

Qué pasó: RAGFlow lanza v0.23.0 con Memory, refactor del agente para mejor performance, voice I/O, webhooks para disparar ejecución y soporte de outputs estructurados, además de nuevos conectores.

Impacto:

• Reduce “pegamento” para construir Agentic RAG (memoria + webhooks + outputs estructurados).
• Mejora ingestión para long context (por ejemplo, extracción de table of contents).
• Amplía superficie de riesgo por conectores y voz (PII, permisos, abuso).

Acciones:

• Montar un sandbox y validar conectores (Gmail/Dropbox/WebDAV/Airtable) con cuentas de prueba.
• Probar voice I/O y outputs estructurados con guardrails y logging de trazas.

Qué pasó: Infinity publica v0.6.15 y RAGFlow v0.23.0 indica el bump del motor documental “Infinity” a esa versión, habilitando su uso como backend de doc/vectors.

Impacto:

• Puede cambiar rendimiento/estabilidad del motor documental si estás en el stack de RAGFlow.
• Habilita un backend alternativo cuando se configura DOC_ENGINE=infinity.
• Sin changelog visible en la vista consultada: conviene validar antes de producción.

Acciones:

• Probar en staging con DOC_ENGINE=infinity y medir recall/latencia/costo frente a tu baseline.

Qué pasó: Roo-Code publica 3.38.0 con soporte para Agent Skills (paquetes reutilizables de prompts/tools/resources) y añade un campo opcional mode en el front matter de slash commands.

Impacto:

• Facilita estandarización y reuso de “habilidades” de agentes entre equipos.
• Permite que un slash command cambie automáticamente a un modo específico al activarse.
• Introduce riesgo de supply chain y permisos al importar skills de terceros.

Qué pasó: DeepChat lanza v0.5.6-beta.3 con correcciones al streaming cuando hay tool calling, mejoras en el workspace de agentes y fixes para listar/cambiar múltiples modelos.

Impacto:

• Reduce fallos y fricción en flujos con tool calling intensivo.
• Mejora la experiencia operativa del “agent workspace” para sesiones largas.
• Requiere revisar tokens/credenciales y permisos de herramientas conectadas.

Qué pasó: OpenAI describe defensas para agentes tipo navegador (ChatGPT Atlas) frente a prompt injection y reconoce que, como el phishing, es improbable que se “resuelva” por completo.

Impacto:

• Obliga a diseño defensivo en capas: permisos mínimos, confirmaciones y auditoría de acciones.
• Introduce controles de usuario como pausas/confirmaciones y “Watch Mode” en sitios sensibles.
• Eleva la importancia de red-teaming y loops rápidos de respuesta para mantenerse adelante de adversarios.

Acciones:

• Implementar red-teaming automático y evaluación continua de prompt injection en CI/CD.
• Agregar confirmaciones explícitas antes de compras, transferencias u otras acciones sensibles.

Qué pasó: Zhipu AI lanza GLM-4.7 con 128K de contexto y desempeño destacado en benchmarks de programación, incluyendo mecanismos para preservar pensamiento entre turnos y reducir drift en refactorizaciones largas.

Impacto:

• Acorta la brecha entre modelos open-source y propietarios para tareas de ingeniería de software.
• Facilita deployment local/empresarial (compatibilidad con frameworks de inferencia mencionados en el informe).
• Reduce lock-in a APIs cuando el diferencial de capacidad es marginal en casos críticos.

Acciones:

• Evaluar GLM-4.7 en tus tareas de programación críticas frente a tus benchmarks privados.
• Probar fine-tuning (LoRA/QLoRA) y documentar gaps de latencia/costo/calidad.

Qué pasó: Nvidia anuncia la compra de activos de Groq (~$20B) para integrar tecnología de inferencia low-latency en su arquitectura “AI factory”, reforzando su posición en tiempo real.

Impacto:

• Refuerza a Nvidia no solo en entrenamiento, sino como plataforma de elección para inferencia especializada.
• Incrementa la presión competitiva sobre alternativas (AMD, Cerebras y startups) en baja latencia.
• Apunta a una era de demanda de inferencia creciente y necesidad de más data centers.

Acciones:

• Explorar optimización agresiva de inferencia: cuantización, batching dinámico y especialización de modelos pequeños.