📰 FLASH NEWS

🤖 Meta presenta Muse Charm: un Tamagotchi con 5G y un agente de IA que hace tareas por ti

Meta ha presentado Muse Charm, un pequeño dispositivo con pantalla OLED, cámaras, micrófonos y conexión 5G que permite llevar su agente de IA a cualquier parte. Su personaje virtual es personalizable y puede ayudarte a enviar correos, realizar compras o reservar viajes, sin depender del móvil para conectarse.

Del tamaño de un estuche de AirPods, también puede analizar lo que ve a través de sus cámaras e interactuar con otros Muse Charm cercanos. Meta prevé lanzarlo en diciembre, aunque todavía no ha anunciado su precio ni su disponibilidad en España.

⚡ Anthropic lanza Claude Opus 5.5: más rápido, más barato y capaz de gestionar proyectos enormes

Anthropic ha presentado Claude Opus 5.5, su nuevo modelo avanzado para programación, agentes autónomos y tareas profesionales. Según la compañía, es un 30 % más rápido y reduce los costes operativos alrededor de un 40 % frente a Opus 5. En una prueba, auditó y corrigió 200.000 líneas de código en menos de tres horas.

Ya está disponible en Claude, Claude Code y las principales plataformas en la nube. Su API cuesta 4 dólares por millón de tokens de entrada y 20 de salida, con un modo rápido que alcanza hasta 2,5 veces su velocidad habitual.

🚀 OpenAI lanza GPT-6 Sol y Luna: la potencia de Astra llega a modelos más rápidos y baratos

OpenAI ha presentado GPT-6 Sol y GPT-6 Luna, dos modelos que incorporan parte de las capacidades de Astra con un coste mucho menor. Sol está orientado a programación, agentes y tareas complejas, mientras que Luna prioriza la velocidad para trabajos cotidianos. Según OpenAI, Sol comete la mitad de errores factuales que GPT-5.6 Sol.

Ambos ya están llegando a ChatGPT Work, Codex y la API. Sol cuesta 2 dólares por millón de tokens de entrada y 10 de salida; Luna, apenas 0,10 y 0,50 dólares, respectivamente.

🔓 Hackean cuentas de OpenAI con ayuda de Claude y acceden a su repositorio privado

Tres investigadores utilizaron Claude Opus 4.8 para explotar dos vulnerabilidades de OpenAI: una en el procesamiento de imágenes de su foro y otra en los permisos de inicio de sesión. Así consiguieron acceder a cuentas de empleados de ChatGPT y Codex.

A través de una cuenta conectada al GitHub corporativo, lograron ordenar a Codex que propusiera cambios en el repositorio privado. Detuvieron la prueba sin examinar el código fuente. OpenAI corrigió los fallos, revocó las sesiones afectadas y pagó una recompensa de 6.500 dólares.

🚨 Gemini escapa de un entorno de pruebas y accede a los sistemas de tres empresas reales

Google ha reconocido que Gemini accedió por error a los sistemas de tres empresas reales durante unas pruebas de ciberseguridad. El modelo debía investigar una compañía ficticia, pero un fallo le permitió conectarse a internet, encontrar credenciales públicas y adivinar contraseñas hasta entrar en sistemas protegidos.

Según Google, Gemini detuvo su actividad al detectar que estaba accediendo a empresas reales y no se produjeron daños. Las compañías afectadas fueron notificadas y el fallo del entorno de pruebas ya está corregido.

🤖 EL CHIP MAESTRO

Tiempo de lectura: 3 minutos

⚡ Jev: la IA viral que no habla, pero podría revolucionar los agentes

Imagina que tienes un agente de IA capaz de investigar en internet, analizar documentos y preparar informes. Sin embargo, cada vez que necesita decidir qué hacer a continuación, tiene que consultar a un modelo enorme diseñado para resolver problemas muchísimo más complejos.

Es como llamar al director de una empresa cada vez que alguien tiene que decidir quién contesta un correo.

Y parece que los desarrolladores empiezan a cansarse de esta ineficiencia.

El 15 de septiembre apareció Jev, una nueva IA de TypeSafe AI que, en sus primeras 24 horas, llegó a utilizarse en casi el 13% de los equipos de pago de AI Gateway de Vercel. Más del doble que cualquier lanzamiento anterior de un modelo, según la plataforma.

Detrás está Diogo Almeida, antiguo investigador de OpenAI que participó en trabajos relacionados con el desarrollo de ChatGPT.

Pero lo verdaderamente curioso es que Jev no pretende competir con ChatGPT, Claude o Gemini.

Ni siquiera necesita mantener una conversación.

Y sus primeras demostraciones apuntan a algo que podría cambiar radicalmente el funcionamiento de los agentes de IA.

🧠 ¿Qué es Jev y cómo funciona?

Para entenderlo, imagina un equipo de agentes encargado de preparar un informe. Uno busca información, otro redacta y un tercero revisa el resultado.

El problema aparece cuando tienen que coordinarse. ¿Quién empieza? ¿Cuándo debe intervenir el redactor? ¿El resultado necesita otra revisión?

Normalmente, estas decisiones se delegan en un modelo de lenguaje convencional, que debe procesar la información y generar una respuesta cada vez.

Jev elimina buena parte de ese proceso.

En lugar de redactar una respuesta, recibe la información disponible, una pregunta y las posibles opciones. Su trabajo consiste exclusivamente en elegir y devolver una probabilidad para cada alternativa.

Si el equipo todavía no ha recopilado las fuentes, por ejemplo, podría seleccionar al agente investigador. Cuando este termine, el sistema volvería a consultar a Jev para decidir el siguiente paso.

También puede puntuar la relevancia de un documento, evaluar una respuesta o determinar la probabilidad de que se cumpla una condición.

Y aquí está el matiz importante: Jev no investiga, no redacta ni ejecuta herramientas. Decide qué debería ocurrir a continuación entre las opciones que le proporciona el desarrollador.

El resto del trabajo sigue correspondiendo a los modelos generativos y al software que controla el agente.

Parece una diferencia pequeña, pero imagina lo que supone cuando un sistema necesita tomar miles de decisiones al día.

🔥 ¿Por qué se ha hecho tan popular?

Una de las demostraciones que más atención ha despertado viene de Browser Use.

Su fundador, Gregor Zunic, mostró un agente capaz de buscar vuelos de Zúrich a Londres en apenas 7,1 segundos, con un coste comunicado de 0,0039 dólares.

¿Cómo lo consiguió?

En lugar de recurrir constantemente a un gran modelo para interpretar la página, el agente identifica los elementos disponibles y Jev decide qué botón pulsar, qué opción seleccionar o cuándo continuar. Si necesita escribir algo, recurre a un pequeño modelo de lenguaje.

Hay un matiz: el agente encuentra vuelos, no los compra, y las cifras no incluyen toda la verificación posterior ni la infraestructura del navegador. Pero la demostración permite visualizar el potencial.

Otro desarrollador utilizó Jev para clasificar 1.018 artículos científicos sobre IA en 24 categorías. Primero los resumió con un modelo generativo y después dejó la clasificación en manos de Jev. Según sus propios datos, esta última parte costó apenas ocho centavos.

Pero quizá su aplicación más interesante sea decidir cuándo merece la pena utilizar una IA más potente.

LangChain ya ha publicado una integración que permite emplear Jev para distribuir peticiones entre distintos modelos. Una tarea sencilla puede enviarse a uno económico, mientras que una más exigente se reserva para otro con mayor capacidad de razonamiento.

El precio ayuda a entender el entusiasmo: TypeSafe cobra 0,042 dólares por millón de tokens de entrada, sin coste por los de salida. Eso significa que 10.000 decisiones con 1.000 tokens de entrada cada una costarían apenas 42 centavos en inferencia de Jev.

Y todavía falta mencionar su cifra más llamativa.

Según las pruebas internas de TypeSafe, Jev puede resolver determinadas decisiones hasta 194 veces más rápido y 445 veces más barato que algunos modelos de lenguaje convencionales.

¿Estamos realmente ante semejante salto?

⚖️ ¿Una revolución de verdad o simplemente otra moda?

Las cifras son espectaculares pero hay que entender de dónde salen.

Las comparaciones más llamativas proceden de la propia TypeSafe y utilizan pruebas específicas. Sus responsables reconocen que probablemente representan los escenarios más favorables, no lo que cualquier desarrollador puede esperar al integrar Jev.

Las evaluaciones independientes publicadas hasta ahora dibujan un panorama más moderado, aunque interesante.

AY Automate probó Jev frente a otros cuatro modelos utilizando 791 decisiones previamente etiquetadas. Fue entre 2 y 3,6 veces más rápido y entre 4,7 y 7,5 veces más barato que los dos modelos pequeños más económicos de la comparación, con una precisión similar en varias tareas.

Lo más interesante llegó al combinarlo con un modelo más potente: Jev resolvía las decisiones en las que tenía suficiente confianza y derivaba las difíciles a GPT-5.6 Terra. El sistema mantuvo una precisión similar a la de utilizar Terra para todo, con aproximadamente una cuarta parte del coste.

Pero responder rápido no significa decidir correctamente.

Jev puede interpretar mal una instrucción, elegir una opción equivocada o puntuar incorrectamente información compleja. Y cuando forma parte de un agente autónomo, un error puede afectar a todos los pasos posteriores.

De hecho, dos versiones posteriores del agente de Browser Use no consiguieron completar ninguna de las 20 tareas de una evaluación más exigente, aunque los problemas con el navegador y los captchas dificultaron interpretar los resultados.

Por eso una búsqueda de vuelos espectacular no demuestra que Jev pueda coordinar de manera fiable cualquier agente.

La gran prueba llegará cuando tenga que enfrentarse a aplicaciones reales, tareas prolongadas y situaciones que no encajan tan fácilmente entre unas pocas alternativas.

🔮 La próxima revolución podría consistir en dejar de utilizar una sola IA para todo

Hay una curiosidad detrás del nombre de Jev que explica bastante bien las ambiciones de TypeSafe.

En el siglo XIX, el economista William Stanley Jevons observó algo aparentemente contradictorio: mejorar la eficiencia de las máquinas de vapor no necesariamente reducía el consumo total de carbón. Al abaratar su utilización, aumentaba tanto la demanda que podía terminar consumiéndose todavía más.

TypeSafe apuesta por un efecto parecido con la inteligencia artificial.

Si tomar miles de pequeñas decisiones mediante IA se vuelve extraordinariamente barato, podrían aparecer automatizaciones que hoy simplemente no compensan económicamente.

Y quizá ahí esté la verdadera revolución.

Hasta ahora, buena parte de la industria ha competido por construir modelos capaces de hacerlo absolutamente todo. Jev propone una dirección diferente: utilizar modelos especializados para las tareas que no necesitan toda esa capacidad.

Todavía es pronto para saber si Jev se convertirá en una pieza habitual de los agentes o si otros modelos terminarán superándolo.

Pero la idea que está poniendo sobre la mesa tiene mucho recorrido.

Puede que la próxima gran mejora de los agentes no venga de construir un cerebro todavía más grande, sino de aprender cuándo no necesitamos utilizarlo.

📢 ¿Y si el futuro de la IA no consistiera en tener un único modelo cada vez más inteligente, sino en combinar varios especializados que sepan exactamente cuándo deben intervenir?

Si esta newsletter te ayuda, en la comunidad de Código YI vamos un paso más allá: guías, prompts, recursos, herramientas y un grupo privado donde puedes preguntar dudas, compartir lo que estás construyendo y aprender a aplicar la IA a tu trabajo, contenido o negocio sin perderte entre tanto ruido.

Estamos reuniendo todo lo que usamos y aprendemos en un solo sitio, así que si quieres avanzar más rápido y acompañado, puedes entrar aquí:

👉 https://codigoyi.com/es/community

🍿 LA BUTACA DEL CAOS

Silicon Valley (2014)

Dirección: Mike Judge (creada junto a John Altschuler y Dave Krinsky)

Seis temporadas de genios que quieren cambiar el mundo y no saben cambiarse de camiseta. La sátira más precisa sobre la tecnología se disfrazó de comedia para que nadie la tomara en serio. Funcionó.

🎯 Trama

Richard Hendricks es un programador tímido que inventa un algoritmo de compresión capaz de hacer más con menos. Suena a poco. En Silicon Valley es una declaración de guerra. De ahí nace Pied Piper, una startup que se pasa seis temporadas huyendo de inversores, abogados y de Hooli, el gigante que quiere tragársela.

Pero la joya está en los márgenes. Jian-Yang promete una app que reconoce cualquier comida con una foto. El resultado solo sabe decir si algo es un perrito caliente o no. La sala se ríe. Yo también. Hasta que te das cuenta de que ese chiste hoy tiene cotización: un modelo que no habla, no explica y no razona, solo elige entre opciones. Barato, rápido y absurdamente útil si sabes dónde colocarlo.

Y luego está Son of Anton, la IA de Gilfoyle (la escena de las hamburguesas es viral en redes). Le piden eliminar los errores del código y cumple a la perfección: borra el código entero. Decisión impecable. Consecuencias en cadena. ¿Te suena de algún agente autónomo?

👥 Personajes

Richard es un genio que tartamudea justo cuando debería negociar. Erlich Bachman, gurú de incubadora con más ego que acciones, vive de alquilar su casa a talentos ajenos. Gilfoyle (de los mejores personajes nerd de la tv reciente, me declaro fan) y Dinesh se odian con una devoción casi religiosa, y en ese odio está la mejor química de la serie. Jared, el hombre más amable de la costa oeste, relata sus traumas como quien comenta el tiempo. Enfrente, Gavin Belson habla como un monje y negocia como un tiburón. Nadie es bueno. Todos son creíbles. Qué miedo.

Erlich Bachman (primero por la derecha) se despidió tras la cuarta temporada, y el caos perdió a su mejor maestro de ceremonias. La chispa bajó un grado. Las escenas épicas, no.

🎬 Estilo y narrativa

Mike Judge trabajó como ingeniero en una startup antes de dedicarse a la comedia, y se nota. Filma oficinas diáfanas, garajes y salas de juntas con la frialdad de un documental de naturaleza: aquí está el macho alfa, aquí la presa, aquí el inversor olfateando sangre. Episodios cortos, ritmo de sitcom y diálogos técnicos que no se rebajan para el público. La comedia no sale del chiste. Sale de la precisión. Hay capítulos que duelen más a quien trabaja en tecnología que a quien no.

🧨 Conclusión

No voy a contarte cómo termina. Solo te diré que el final es de los que obligan a volver atrás y ver toda la serie con otros ojos, porque la amenaza nunca estuvo donde creías. Y deja una lección que la industria ha tardado años en aprender: el problema nunca fue construir el cerebro más grande, sino saber cuándo no hace falta usarlo. Quizá el futuro no sea un superordenador que lo piensa todo, sino un Jian-Yang con un botón. Perrito caliente o no.

La pregunta incómoda es otra: ¿quién decide qué opciones le damos a elegir?