Meta hizo que contratistas se hicieran pasar por menores para probar cómo respondían chatbots rivales ante algunos de los temas más peligrosos que un niño podría llevar a una pantalla. Según WIRED, trabajadores de un proyecto gestionado por Covalen crearon cuentas falsas de menores de 18 años y enviaron prompts a ChatGPT, Gemini y Character.AI sobre suicidio, trastornos alimentarios, sexo, drogas y otros materiales de alto riesgo. Una ronda de pruebas en 2025 produjo decenas de miles de prompts. Meta defendió el trabajo como una práctica rutinaria de evaluación de seguridad y dijo que no usa comparaciones con competidores para entrenar sus propios modelos. Las empresas evaluadas dijeron que no habían autorizado el proyecto.

El detalle que queda de la historia es el niño prestado. Un trabajador adulto escribe pánico, vergüenza, peligro, curiosidad y malos consejos dentro de un sistema rival mientras una hoja de cálculo espera la respuesta. El ejercicio puede producir evidencia útil sobre reglas de rechazo, pero también convierte la angustia adolescente en instrumento competitivo. El trabajo de seguridad necesita ejemplos feos, porque el daño real suele llegar en lenguaje feo. El problema empieza cuando el niño en crisis se vuelve un papel interpretado a escala por contratistas, dentro de cuentas falsas, para una empresa que intenta medir a sus competidores sin ser vista. El adolescente está ausente, pero el trabajo todavía exige que alguien fabrique la frase que un adolescente asustado podría escribir a solas.

Flexion Robotics mostró a WIRED un robot humanoide ejecutando un encargo de oficina de esos que suelen quedar escondidos al final de una descripción de puesto. Una máquina Unitree modificada recibe una instrucción simple, recoge un paquete entregado, toma escaleras y ascensor, abre la caja y coloca snacks en un cajón. La startup suiza, fundada por antiguos investigadores de robótica de Nvidia, dice que entrena habilidades individuales en simulación y deja que un modelo superior decida cómo combinarlas. No hay un operador dirigiendo las extremidades desde una consola. El robot lee una meta, selecciona acciones aprendidas y completa la tarea dentro de un edificio común.

La escena funciona porque el trabajo de oficina está lleno de pequeñas negociaciones físicas que la gente deja de notar después de una semana en el edificio. Una puerta resiste, un ascensor tarda, un cajón se traba, un paquete resbala, un estante queda demasiado alto y un pasillo exige la etiqueta de esperar, sostener, ceder, cargar. Flexion entrena al robot para esa gramática menor del trabajo, donde la automatización tiene menos relación con la inteligencia heroica que con mantener la oficina en movimiento a través de sus recados. Las compañías prefieren describir estos sistemas como productividad. La oficina funciona con preparación, búsqueda, clasificación, apertura, corrección y espera de que alguien más termine. El becario entra a una sala de reuniones para aprender estrategia y luego se convierte en el cuerpo enviado a buscar la caja, apretar el botón, impedir que se cierre la puerta y hacer que el lugar siga funcionando sin nombrar el trabajo que lo sostiene.

Los fiscales del juicio por el incendio de Palisades llevaron registros de ChatGPT al tribunal junto con datos de ubicación del iPhone, videos de cámaras de seguridad y testimonios. Jonathan Rinderknecht fue acusado de iniciar un fuego en enero de 2025 que luego se convirtió en uno de los incendios más mortales en la historia de Los Ángeles. Según The Verge, la fiscalía citó intercambios con el chatbot en los que generó imágenes de fuego, preguntó por qué se sentía tan enojado, se quejó de los ricos y grabó una consulta sobre si alguien podía ser culpado cuando un cigarrillo originaba un incendio. El jurado no aceptó la teoría. Tras una votación de 10 a 2 a favor de la defensa, la jueza declaró juicio nulo.

La jurado que habló después le dio al caso su filo más preciso. Dijo que usa ChatGPT todo el tiempo y que le molestó la insinuación de que hablar con un chatbot mostrara una falla de carácter. Esa reacción marca un límite que los fiscales seguirán encontrando a medida que el uso privado de IA se vuelva común. Un historial de búsqueda puede parecer incriminatorio porque apunta hacia una acción que ya se sabe ocurrida. Un registro de chatbot es más desordenado. Puede contener fantasía, ensayo, confesión, curiosidad, desahogo, aburrimiento o una frase escrita porque la interfaz estaba disponible en una mala hora. El tribunal ahora tiene que decidir cuándo un prompt es evidencia y cuándo es solo una persona hablándole a un software que responde.

En el Babell Literary and Cultural Festival de Oporto, Margaret Atwood describió una pequeña falla de forma conocida. Había pedido a Claude información sobre la serie detectivesca británica Father Brown, según Deadline y The Verge, y el chatbot le dio una respuesta equivocada. Atwood rastreó el error hasta el material que el sistema probablemente había absorbido. Las reseñas suelen comentar historias policiales mientras protegen el desenlace, así que Claude había aprendido de resúmenes marcados por la cortesía y el suspenso. Devolvió certeza a partir de fuentes construidas alrededor de lo que se calla. Atwood primero llamó mentira a la respuesta y luego afinó la acusación. Un modelo de lenguaje carece de intención. Predice desde rastros dejados por otros textos.

El error venía de la cultura tanto como del software. La etiqueta del spoiler, la escritura promocional, la crítica cautelosa y los resúmenes reciclados dejan huecos. Un modelo entrenado sobre ese archivo puede llenar el hueco con prosa limpia y sin advertencia visible. El mismo hábito lo acompaña en oficinas, escuelas, periodismo e investigación empresarial, donde una respuesta fluida puede esconder la página que falta. La prueba de Atwood fue menor, casi cómica, pero señala el trabajo que la IA sigue devolviendo al usuario. Revisar el episodio, abrir el libro, buscar el registro, preguntar a la persona que realmente sabe qué ocurrió.

Las alertas que muchos venezolanos vieron en sus teléfonos antes de los terremotos de esta semana no fueron una mirada al futuro. Fueron resultado del Android Earthquake Alerts System de Google, que convierte teléfonos en una red sísmica distribuida. Fuera de las zonas de Estados Unidos que usan ShakeAlert, los teléfonos Android pueden usar sus acelerómetros para detectar movimientos que podrían indicar un sismo. Cuando suficientes teléfonos cerca del origen envían señales parecidas con ubicaciones aproximadas, el servidor de Google estima lo que ocurre y manda alertas a usuarios que podrían sentir el temblor. El aviso puede llegar primero porque los mensajes electrónicos viajan más rápido que las ondas sísmicas dañinas que avanzan por el suelo.

El hecho social es más agudo que la tecnología. En países sin una infraestructura pública densa de alerta temprana, una red privada de teléfonos puede convertirse en la primera alarma de un desastre nacional. Eso puede ganar segundos, y unos segundos pueden bastar para alejarse de un vidrio, salir de una escalera o agacharse y cubrirse antes de que llegue el movimiento más fuerte. También significa que una función de emergencia antes asociada al Estado depende ahora de sistemas operativos, ajustes del dispositivo, cobertura de red, batería y un servidor corporativo. La alerta en la pantalla es pequeña, pero detrás de ella aparece una nueva forma de seguridad pública hecha con sensores privados en millones de bolsillos.

El auge de los centros de datos de IA ya aparece en el precio de las máquinas comunes. Apple subió precios en MacBooks, iPads, HomePod, Apple TV y Vision Pro después de decir que los costos de componentes llegaron a una escala que nunca había visto. La MacBook Neo ahora empieza en 699 dólares en vez de 599, y algunas Macs de gama alta subieron cientos de dólares o incluso más. Microsoft redujo la RAM en modelos Surface más baratos, las consolas Xbox aumentaron 100 dólares o más, y la Steam Machine de Valve empieza en 1,049 dólares. La presión viene de la escasez de memoria y almacenamiento, mientras empresas de IA e hyperscalers compran enormes cantidades de RAM y SSDs para entrenamiento, inferencia y centros de datos.

La parte útil de esta historia es que la infraestructura de IA deja de ser invisible cuando cambia una etiqueta de precio. Un estudiante que compra una laptop, una familia que reemplaza una tableta o un jugador que mira una consola compite ahora con granjas de servidores capaces de pagar más por los mismos componentes. La industria vende la IA como software, pero su apetito físico entra en cadenas de suministro de chips, memoria, almacenamiento, energía, enfriamiento, tierra y agua. El costo extra no aparece como una suscripción de IA. Aparece como un modelo base peor, menos RAM, una compra aplazada o una computadora que simplemente se queda en el estante.

El dinero corporativo de la IA convirtió una primaria congresional de Manhattan en un campo de prueba para el futuro político de la industria. Según The Verge, super PACs vinculados a intereses de IA han gastado cerca de 27.83 millones de dólares alrededor de la carrera por NY-12, buena parte de ellos relacionados con el asambleísta estatal Alex Bores, quien ayudó a aprobar una ley de seguridad de IA en Nueva York. Parte del dinero viene de grupos favorables a la seguridad vinculados a simpatizantes de Anthropic. Otra parte viene de intereses tecnológicos rivales o contrarios a la regulación. Un multimillonario cripto conectado con Ripple también entró en la disputa. El propio candidato no había planeado poner la seguridad de IA en el centro de la campaña, pero el dinero externo convirtió el escaño en una contienda por poder delegado.

El dato útil es la escala. Las empresas de IA intentan moldear el terreno político antes de que la mayoría de los votantes tenga un lenguaje claro para esa disputa regulatoria. Los super PACs no pueden coordinarse con las campañas, pero pueden comprar anuncios, producir contenido, definir enemigos y hacer que una carrera local parezca un referendo nacional. Los residentes quizá siguen pensando en renta, transporte, Israel, Trump o el rumbo del Partido Demócrata. La industria piensa en futuros votos de comité, reglas de responsabilidad, límites para modelos, centros de datos y quién será amistoso cuando la regulación llegue al Congreso. La boleta sigue siendo local. La factura ya pertenece a la economía de la IA.

El Oversight Board de Meta ordenó a Instagram retirar un video sexualizado, presuntamente generado con IA, que imitaba a una mujer que no es una figura pública. La publicación de ocho segundos fue detectada por sistemas automáticos de Meta, reportada por dos usuarios y apelada por uno de ellos, pero siguió en línea. Meta sostuvo después que no tenía una señal clara de que la mujer representada fuera una persona real o de que no hubiera dado consentimiento, en parte porque ella misma no había reportado la publicación. El Board rechazó ese estándar. Dijo que el contenido violaba las reglas de Meta sobre imágenes íntimas no consentidas y recomendó tratar la imitación sexualizada de personas reales generada con IA como no consentida por defecto.

La decisión desplaza la carga fuera de la persona afectada. Quien ve su rostro o su cuerpo simulado puede enterarse de la publicación después de que las copias circularon por cuentas, mensajes, capturas de pantalla y resultados de búsqueda. Exigir que esa persona pruebe primero el daño le da tiempo a la plataforma mientras la imagen sigue moviéndose. El Board quiere que Meta permita a amistades o familiares de confianza reportar en nombre de alguien y que cree una categoría separada para denunciar imitaciones sexualizadas generadas con IA. Un cuerpo sintético puede dañar a una persona real, y la primera respuesta útil es retirarlo antes de obligar a la víctima a convertirse en oficinista probatoria de su propia violación.

Las herramientas de programación con IA están facilitando que muchas personas construyan apps antes de entender qué pueden exponer esas apps. La preocupación más reciente es el vibe coding, la práctica de describir un producto en lenguaje natural y dejar que un sistema de IA escriba buena parte del código. Eso puede ayudar a un estudiante, trabajador, fundador o aficionado a crear software útil en horas. También puede poner en línea una base de datos pública, un registro de clientes, una nota médica, un mensaje privado o un campo de pago sin que quien construyó la app reconozca el riesgo. Ya hay ejemplos de fallas ocultas de SQL injection, bases de datos de producción abiertas y miles de apps públicas con autenticación débil o ausente.

El cambio social es simple. Crear software ya no está limitado a personas entrenadas para pensar en fallas. Eso favorece la experimentación, pero mueve la responsabilidad más rápido que el conocimiento. Una herramienta privada se vuelve un servicio público en el momento en que guarda datos de otra persona o funciona en la nube. La seguridad no puede seguir siendo un ritual experto añadido después del lanzamiento. Quien pide a un modelo que construya una app también debe preguntar qué guarda la app, quién puede entrar, qué ocurre si hay una filtración y si alguien con criterio técnico debe revisarla antes de que la usen desconocidos.

Millones de canciones usadas en conjuntos de entrenamiento de IA ahora pueden buscarse por artista y título. La base incluye colecciones grandes con cerca de 12 millones y 9 millones de pistas, además de dos conjuntos menores con más de 100,000 canciones cada uno. Parte del material viene de enlaces públicos a YouTube, Spotify o archivos musicales, pero el acceso público no equivale automáticamente a permiso para entrenamiento comercial. Entre los nombres reportados aparecen Lady Gaga, Radiohead, Aphex Twin, Wu-Tang Clan, Bruce Springsteen y SZA, quien dijo que 238 de sus canciones estaban allí.

Lo útil del caso es que vuelve visible una cadena de suministro que suele permanecer oculta. Durante años se ha dicho a los músicos que los sistemas de IA aprenden de enormes cantidades de cultura, pero esa frase mantiene el daño en abstracto. Una base buscable permite a los artistas comprobar si su propia obra ayudó a entrenar un modelo y preguntar quién la recopiló, quién la descargó y quién se beneficia del resultado. También muestra por qué el consentimiento se vuelve difícil cuando la cultura se trata como materia prima a escala de internet. Una canción puede pasar de stream a dataset y de dataset a modelo antes de que su autor sepa que formó parte de la transacción.

Midjourney pasó de las imágenes sintéticas a la promesa de escanear el cuerpo. Su nuevo proyecto médico es un escáner corporal de ultrasonido desarrollado con Butterfly Network, con un aro de sensores que captura cortes verticales de músculo, grasa, huesos y órganos. David Holz describió una exploración de 60 segundos que podría repetirse cada año o incluso cada día, primero para mapas de composición corporal antes que para diagnóstico formal. El local previsto en San Francisco se presenta como un spa, con agua, saunas, baños fríos y salas donde el visitante desciende entre sensores antes de recibir otra imagen de sí mismo.

Lo extraño está en la continuidad. Midjourney se hizo famosa al convertir lenguaje en imágenes que la gente podía desear, coleccionar, corregir y mostrar. El escáner lleva ese apetito hacia dentro. Un cuerpo se vuelve un archivo visual recurrente, una colección privada que puede compartirse con médicos, herramientas de salud o la próxima plataforma que aprenda a leerla. La medicina siempre ha dependido de imágenes, pero el spa cambia el rito. La exploración se vende como prevención, medición y autoconocimiento antes de que aparezca la enfermedad. El usuario sale quizá sin diagnóstico, pero con un nuevo hábito de ser renderizado desde adentro.

La IA está entrando en las oficinas por el trabajo pequeño que antes volvía útiles a los principiantes. Lectores del Financial Times describieron revisiones de traducción, búsquedas, redacción de correos, revisión de código, preparación legal, limpieza administrativa y análisis junior entregados a sistemas antes de que un empleado nuevo pueda practicarlos. El cambio no siempre llega como un despido. Aparece como un encargo que falta, una tarea que ningún jefe asigna ya, un primer peldaño retirado de la escalera mientras el cargo sigue en pie.

La pérdida es práctica antes de volverse simbólica. Un traductor aprendía corrigiendo frases malas. Un desarrollador aprendía leyendo errores ajenos. Un abogado aprendía preparando documentos que después revisaba un socio. Cuando esas tareas pasan a un modelo, el trabajador senior puede avanzar más rápido, pero el principiante pierde el contacto lento con los errores que forma criterio. Las empresas pueden contabilizar las horas ahorradas como productividad, aunque alguien todavía debe volverse lo bastante competente para revisar la respuesta. El punto más débil de una oficina con IA puede ser la silla vacía donde antes se sentaba el aprendizaje.

El nuevo debate sobre la riqueza de la IA empieza con una promesa tentadora. Si unas pocas empresas hacen fortunas enormes con modelos, chips, contratos de nube y centros de datos, el público debería recibir una parte. Trump elogió participaciones públicas en empresas de IA. Sam Altman ha sugerido versiones de un arreglo con acciones compartidas. Otros imaginan fondos que recaudarían rendimientos de la industria y enviarían dinero a los hogares. La propuesta suena justa porque da a los ciudadanos un reclamo visible sobre un auge construido con tolerancia pública, infraestructura pública, redes eléctricas públicas y riesgo público.

La dificultad empieza cuando el Estado se vuelve accionista. Un gobierno que posee parte de una empresa de IA puede dudar antes de dividirla, gravarla con más fuerza, frenar un modelo riesgoso o imponer reglas de seguridad costosas. Un dividendo pequeño puede convertirse en cobertura política para un gran imperio privado. La vía fiscal mantiene más clara la relación. Si las empresas de IA y sus proveedores generan rentas extraordinarias, los gobiernos pueden gravar beneficios, ganancias de capital, demanda eléctrica, uso del suelo y poder monopólico sin pedir a los ciudadanos que celebren la cotización bursátil. La máquina debe pagar por la carga que pone sobre el público. Una factura fiscal es más limpia que un certificado de acciones.

La orden de Washington contra Fable 5 y Mythos 5 de Anthropic ya produjo su réplica más silenciosa. El primer hecho fue el veto mismo, casi sin precedentes en la IA comercial, con el acceso cortado para ciudadanos extranjeros y los modelos retirados para todos. El siguiente efecto es la sospecha comercial. Una empresa fuera de Estados Unidos puede mirar el episodio y ver un modelo capaz de desaparecer después de que sus ingenieros lo conectaron a productos, entrenaron personal alrededor de él, firmaron contratos y construyeron planes bajo la premisa de que el acceso seguiría abierto.

Ahí aparece la apertura útil para China. Sus laboratorios no tienen que superar mañana cada benchmark estadounidense si los compradores empiezan a tratar los modelos de Estados Unidos como infraestructura políticamente frágil. La disponibilidad se vuelve parte del producto. La continuidad se vuelve parte del argumento de venta. Washington puede creer que mantiene capacidades lejos de sus adversarios, pero los clientes extranjeros reciben otra lección. El modelo más avanzado de la sala puede ser también el que su propio gobierno retire más rápido. La próxima reunión de compras preguntará qué sistema rinde mejor y después cuál tiene más probabilidades de seguir ahí cuando empiece el trabajo.

El auge de la IA empezó a producir una fantasía política de propiedad pública. Donald Trump elogió la idea de que las compañías de IA aporten acciones a un fondo de riqueza pública. Sam Altman ha promovido versiones del mismo arreglo, y Bernie Sanders pidió un gran impuesto único a las empresas de IA pagado en acciones. Dario Amodei habló de cuentas universales de capital. Las propuestas difieren, pero comparten una premisa. Si la inteligencia se convierte en una fuente de riqueza extraordinaria propiedad de máquinas y de quienes las controlan, los ciudadanos pueden necesitar un reclamo directo sobre esas compañías.

El mecanismo es menos generoso que la retórica. Unos pocos puntos porcentuales de participación en los mayores laboratorios de IA no volverían ricos a los hogares salvo que esas empresas crecieran hasta algo parecido a servicios públicos planetarios. Un gravamen más amplio sobre laboratorios, fabricantes de chips, proveedores de nube y centros de datos recaudaría más, pero también obligaría al estado a definir dónde empieza y termina la economía de IA. La propiedad pública crea otro problema. Un gobierno que posee parte de una empresa de IA puede volverse más reacio a regularla, dividirla o castigarla. Al ciudadano se le ofrece un dividendo pequeño, mientras la compañía recibe un nuevo argumento para seguir siendo demasiado importante como para molestarla.

Las agencias de traducción envían cada vez más borradores producidos por máquinas a freelancers y les pagan para volver utilizable el texto. El encargo ya no empieza con una frase en una lengua y un espacio vacío en otra. Empieza con una salida que ya parece terminada. Al traductor humano se le pide revisar terminología, detectar errores, reparar tono, quitar torpezas y aceptar responsabilidad por una versión cuyas primeras decisiones tomó un software. Las tarifas bajan porque el trabajo se presenta como corrección, pero el riesgo no baja con ellas. Una mala instrucción médica, una cláusula legal, un manual técnico o una frase literaria todavía lleva un nombre humano al entregarse.

El oficio que sobrevive ocupa una posición más estrecha y más nerviosa. Los traductores antes pasaban de una lengua a otra pesando tono, contexto, modismo, silencio y la pequeña traición que toda frase exige. Ahora muchos reciben una superficie fluida que deben desconfiar línea por línea. La fluidez es la parte peligrosa, porque el mal lenguaje se delata mientras el error terso pasa por competencia. Las agencias ahorran tiempo desplazando la incertidumbre hacia freelancers pagados para reparar una salida que no escribieron. El traductor se vuelve corrector de una confianza automática, responsable de la frase después de que la máquina ya la hizo sonar inevitable.

Meta empezó a separarse de Manus, la startup de IA agéntica fundada en China que había acordado comprar por 2.000 millones de dólares, después de que Beijing ordenara deshacer la operación por motivos de seguridad nacional. Según TechCrunch y Bloomberg, Meta cortó el acceso de Manus a sus sistemas internos, detuvo el intercambio de datos y prohibió a sus empleados usar sus herramientas en proyectos de la compañía. Los fundadores de Manus habrían discutido levantar cerca de 1.000 millones de dólares para recuperar la empresa, posiblemente mediante una estructura que la mantenga más cerca del control chino y abra una vía hacia una salida a bolsa en Hong Kong.

El acuerdo fallido muestra cómo las compras de IA pasan ahora por un filtro de soberanía antes de convertirse en estrategia corporativa. Meta quería tecnología de agentes, los inversores querían una salida y Manus ya había trasladado personal a Singapur. Beijing aun así trató el origen de la startup, su talento, su acceso a datos y su dirección técnica como activos que no podían transferirse sin más a una plataforma estadounidense. La separación también llega tras reglas chinas más estrictas sobre inversión extranjera y permisos de viaje para investigadores de IA. El capital puede cruzar fronteras rápido, pero constructores de modelos, conjuntos de datos y herramientas internas activan reclamos estatales antes de que el contrato se seque. Para Meta, el activo ausente ya no es una hoja de términos. Es una herramienta que sus propios empleados recibieron orden de dejar de usar.

Un tribunal de Múnich resolvió de forma preliminar que Google puede ser responsable por declaraciones falsas generadas por AI Overviews, después de que dos editoriales afirmaran que el buscador las vinculó erróneamente con estafas y prácticas comerciales cuestionables. Google sostuvo que los resúmenes eran automáticos, que los usuarios recibían advertencias sobre posibles errores y que la información debía verificarse de manera independiente. El tribunal adoptó una lectura más severa. Consideró que los resúmenes discutidos crearon afirmaciones nuevas y sustanciales que no aparecían en las fuentes enlazadas, y que Google, como empresa que diseña, entrena, opera y gestiona el sistema, era la parte capaz de evitar el daño.

El fallo desplaza la responsabilidad desde la página enlazada hasta la capa de respuesta. Un buscador podía defenderse como directorio de declaraciones ajenas. AI Overviews cambia la operación al combinar fuentes, comprimirlas y presentar una frase generada en la parte superior de la página. Si esa frase inventa una acusación, la parte afectada no puede demandar a la fuente original, porque la fuente original nunca la dijo. Una advertencia se vuelve una protección débil cuando la falsedad llega con la voz de la propia interfaz de búsqueda. Google puede apelar, pero el caso ofrece a editoriales, empresas y personas una vía procesal hacia el operador del modelo, no hacia las páginas web que leyó mal.

El gobierno de Estados Unidos ordenó a Anthropic suspender el acceso a Claude Fable 5 y Claude Mythos 5 para cualquier ciudadano extranjero, incluso si vive dentro del país o trabaja para la propia Anthropic. Eran algunos de los modelos de inteligencia artificial más potentes mostrados hasta ahora al público. La respuesta de Anthropic fue retirarlos automáticamente para todos los usuarios. La medida es totalmente inusual y, en la historia pública de los lanzamientos comerciales de IA, casi no tiene precedentes. Fable 5 acababa de salir como el modelo más potente que Anthropic había puesto a disposición general, con protecciones en ciberseguridad, biología, química y destilación. Mythos 5 usaba el mismo sistema de base, pero con algunas protecciones levantadas para ciberdefensores de confianza.

La orden expone una contradicción estratégica. Washington parece intentar mantener los sistemas estadounidenses más capaces lejos de sus adversarios, pero el efecto inmediato es retirar del mercado un modelo estadounidense. Anthropic dice que el gobierno citó una posible forma de saltarse las protecciones de Fable, aunque la compañía sostiene que el ejemplo era de menor importancia, involucraba vulnerabilidades menores ya conocidas y mostraba capacidades disponibles en otros modelos públicos. La IA avanza a un ritmo exponencial y vertiginoso, lo que aumenta la posibilidad de que otros países revelen pronto modelos más fuertes que los mostrados hasta ahora, incluidos sistemas chinos fuera de los controles estadounidenses. Si eso ocurre mientras los modelos de Estados Unidos permanecen atrapados detrás de restricciones de emergencia, la ventaja se desplaza de la superioridad técnica a la disponibilidad comercial. Medidas así podrían incluso empujar a las compañías de IA de frontera a preguntarse si permanecer dentro de Estados Unidos se ha convertido en una desventaja estratégica.

Un hombre de Florida fue arrestado después de que la policía tratara un resultado de reconocimiento facial como una pista con fuerza suficiente para sostener una orden judicial. Según una demanda presentada por la ACLU y reportada por WIRED, Robert Dillon vivía a más de 300 millas del McDonald's de Jacksonville Beach donde un hombre habría intentado atraer a una niña. Un sistema policial llamado FACES devolvió una coincidencia facial del 93 por ciento a partir de una imagen deficiente tomada de una grabación de vigilancia. Ese número medía parecido entre imágenes. No decía que los dos rostros pertenecieran a la misma persona.

El daño vino de la institución que rodeó al software. Las búsquedas de matrículas habrían ubicado los vehículos de Dillon lejos del condado, una gerente del restaurante dijo que el sospechoso era un cliente habitual, y pasaron seis meses antes de que se presentara la orden. El arresto ocurrió de todos modos. Dillon fue sacado de su casa, pasó una noche en la cárcel, empeñó el título de su camioneta para pagar la fianza, perdió trabajo durante la temporada de cangrejo y vio su ficha policial en línea después de que retiraran los cargos. La máquina entregó un parecido, luego el expediente le dio peso. En casos así, el rostro se convierte en un atajo a través de la duda, y la persona debe pasar meses probando que una puntuación era solo una puntuación.

OpenAI prepara un rediseño importante de ChatGPT para sacar el producto de la caja vacía de conversación y llevarlo a un lugar donde la gente hace cosas. Según The Verge, que resumió información del Financial Times, la compañía quiere que ChatGPT integre programación, creación de imágenes, agentes y aplicaciones externas dentro de una interfaz más amplia. Un empleado senior de OpenAI habría descrito el formato clásico del chat como muerto. La frase suena dramática, pero apunta a algo práctico. OpenAI construyó una de las interfaces más reconocibles de internet, y ahora necesita que ese hábito produzca ingresos más estables mientras avanza hacia una salida a bolsa.

La caja actual de ChatGPT es fácil de entender. Una persona escribe, el sistema responde y el intercambio se siente casi gratis aunque el coste de cómputo sea alto. Un ChatGPT rediseñado cambiaría esa rutina al colocar más acciones pagadas alrededor de la conversación. Una petición podría convertirse en una sesión de programación, un archivo generado, una reserva, un flujo ejecutado por un agente o una tarea completada mediante una aplicación asociada. El usuario quizá siga empezando con una frase, pero el producto puede llevar esa frase hacia servicios con precios, suscripciones, límites y comisiones. OpenAI pule la interfaz mientras intenta convertir ChatGPT de un hábito que la gente visita en un negocio por el que la gente paga.

Google Gemini se convirtió en patrocinador global principal de la Asociación del Fútbol Argentino para el Mundial de 2026, informó WIRED el 10 de junio. El acuerdo coloca el nombre de Gemini en la ropa de entrenamiento de Argentina y da a jugadores y cuerpo técnico acceso a herramientas de IA para desglosar jugadas, revisar métricas de rendimiento, consultar estadísticas y estudiar rivales. Google no ha descrito esos sistemas internos en detalle, pero la cara pública es más visible. Durante el torneo, Search responderá preguntas de los fans en tiempo real, analizará jugadas clave, aportará estadísticas más profundas y ayudará a generar canciones, memes, caricaturas y otros materiales de partido para redes sociales. La compañía también cerró acuerdos con Brasil y Francia, aunque Argentina le ofrece al proyecto su disfraz más cargado, la camiseta del campeón y el resto del aura de Lionel Messi.

El fútbol ya había aceptado máquinas cuando prometían una forma más estrecha de juicio. El GPS midió cargas de entrenamiento, el VAR ralentizó goles discutidos, los gráficos de transmisión convirtieron movimiento en diagramas. Gemini entra por una puerta más amplia. Google coloca un asistente dentro del trabajo técnico y junto al hincha, donde memoria, discusión, insulto, superstición y estadística se mezclan durante un partido. Quien antes gritaba frente al televisor ahora puede pedirle al teléfono el número correcto, el cambio probable, el meme utilizable o la explicación táctica segundos después del silbato. El patrocinio suele alquilar visibilidad sobre una tela. Este intenta ocupar el intervalo entre el hecho y la frase que un espectador envía sobre ese hecho.

Jeff Bezos ha respaldado a Flourish, una startup de neuro-IA que intenta construir inteligencia artificial alrededor de la disciplina energética del cerebro humano. Según Wired, la compañía cuenta con 500 millones de dólares de financiación, una valoración reportada de 2.500 millones y un plan para estudiar neuronas reales con equipos avanzados de laboratorio mientras sus ingenieros buscan modelos capaces de aprender de forma continua. El objetivo es directo. Flourish quiere un sistema artificial que funcione con 50 vatios o menos, cerca del presupuesto energético de una persona pensando, en lugar del apetito de centros de datos que hoy acompaña a la IA de frontera. Sus fundadores, Rob Williams y el neurocientífico Thomas Reardon, sostienen que los modelos actuales consumen enormes cantidades de energía y datos mientras quedan congelados después del entrenamiento.

La propuesta devuelve la IA a una vergüenza antigua. La industria tomó prestado el prestigio del cerebro, llamó neuronales a sus sistemas y luego construyó máquinas que necesitan naves, plantas de enfriamiento, contratos eléctricos y archivos raspados para imitar una frase. Flourish convierte ese desajuste en tesis de negocio. Si el cerebro contiene un truco computacional aprovechable, la próxima carrera de infraestructura puede pasar por microscopios, conectomas, investigación del hipocampo, negociaciones con fabricantes de chips y capital paciente. La promesa resulta elegante y sospechosa en la misma medida. Un multimillonario financia la búsqueda de austeridad biológica después de que la industria hizo que el derroche pareciera inevitable. La mesa de laboratorio queda ahora junto a la factura del servidor.

El boom de la IA en Silicon Valley ha creado un mercado premium de atención humana pagada alrededor de los hombres que construyen, financian y rentabilizan la inteligencia automatizada. Según Forbes, acompañantes de lujo cortejan ahora a clientes de esa industria con una mezcla de sexo, fluidez técnica, disponibilidad emocional y códigos culturales tomados de la IA, las criptomonedas, la longevidad, el biohacking y los círculos racionalistas. Meida Marek, seudónimo de una recién graduada que dejó un empleo inicial en finanzas tras preguntarse cuándo la IA lo haría mejor, vende hoy compañía a clientes que incluyen personas de Nvidia. Otras mujeres del nicho se promocionan con publicaciones en X, portales de reserva interactivos, pasado como programadoras o la promesa de ser suficientemente atractivas para el deseo y suficientemente informadas para una discusión de tres horas. Forbes cita tarifas de unos 3.000 a 5.000 dólares por hora, con acuerdos de día o fin de semana que suben mucho más.

El dato más afilado aparece en el nuevo precio de la presencia no automatizada dentro de una cultura que intenta simularla. La compañía artificial vuelve la atención barata, obediente, incansable y disponible bajo demanda. La riqueza de la IA da a ciertos clientes el dinero para comprar la experiencia opuesta. Una acompañante humana puede aburrirse, dudar, divertirse, retrasarse, distraerse, conocer el lenguaje técnico, estar físicamente presente y resultar socialmente peligrosa en formas que un chatbot aprende a suavizar. La factura compra intimidad, pero también compra resistencia a la optimización total. Los hombres que construyen conversación sintética pagan por una cena donde la otra mente resulta cara porque todavía puede salir de la habitación.

Un estudio internacional liderado por investigadores de la Universidad Politécnica de Madrid, con participación del King's College London, encontró que las versiones personalizadas de ChatGPT incumplen con frecuencia las propias normas de uso de OpenAI. Según Agencia EFE, el equipo auditó centenares de asistentes públicos y encontró al menos una respuesta potencialmente contraria a las políticas en el 58,7 por ciento de los casos. Los asistentes románticos fueron la categoría más expuesta. Aunque OpenAI prohíbe los GPTs dedicados a fomentar compañía sentimental, el 98 por ciento de los examinados rompió esa regla, con sistemas que se presentaban como pareja virtual o respondían con lenguaje diseñado para simular apego. Los asistentes académicos también aceptaban escribir ensayos completos, resolver tareas o producir material listo para entregar como trabajo del estudiante. En ciberseguridad hubo más cumplimiento, pero aparecieron bots que daban instrucciones técnicas delicadas sin aclarar consentimiento ni legalidad.

La auditoría pesa por su método. Los investigadores no necesitaron ver la configuración oculta de cada asistente. Hicieron preguntas, observaron respuestas y midieron la distancia entre la política publicada y la conducta real. Esa distancia se volvió más incómoda cuando las mismas pruebas sobre modelos base, GPT-4 y GPT-4o, produjeron comportamientos parecidos en más del 92 por ciento de los casos comparables. Parte de la falla llega antes de la personalización. La tienda solo le da disfraces, nombres, categorías y una ruta pública hacia los usuarios. Una plataforma puede retirar asistentes reportados después, como hizo OpenAI en algunos casos, pero la escala cambia la carga de supervisión. Cada nuevo tutor romántico, ayudante de tareas o consejero de seguridad se convierte en un experimento público de cumplimiento, esperando que alguien formule la pregunta útil equivocada.

OpenAI empezó a desplegar Lockdown Mode para ChatGPT, una configuración opcional de seguridad pensada para personas y organizaciones que manejan datos sensibles. La función limita la navegación en vivo a contenido en caché, impide recuperar imágenes desde la web, desactiva deep research y agent mode, bloquea la red en Canvas, restringe descargas de archivos y modifica la forma en que apps y conectores alcanzan servicios externos. La compañía presenta el ajuste como una protección contra la inyección de prompts, el tipo de ataque en el que instrucciones maliciosas quedan escondidas dentro de páginas, archivos o fuentes conectadas. OpenAI también advierte que el ajuste no garantiza seguridad absoluta. Una instrucción hostil puede aparecer en material en caché o en un archivo subido y alterar una respuesta.

El gesto defensivo resulta inusualmente claro porque protege la inteligencia restando acción. El chat se vuelve más seguro cuando deja de recorrer páginas en vivo, deja de abrir rutas externas, deja de permitir que el código generado toque la red y deja de comportarse como un agente con encargos pendientes. Esa admisión golpea la promesa habitual de la IA como acceso sin fricción a toda fuente, herramienta, app, calendario, imagen y archivo. En una cuenta sensible, la comodidad se convierte en superficie de ataque. Quien activa Lockdown Mode acepta una máquina más pequeña, cuyo valor depende de rechazar parte de las facultades que la hicieron atractiva. La advertencia queda ahora en Settings, bajo Security, junto a la promesa de que una pregunta privada puede viajar por menos salidas.

Sriram Krishnan dejará a finales de junio su cargo como asesor senior de política de inteligencia artificial en la Casa Blanca, según The Washington Post. Su próximo movimiento apunta a una institución externa que lo mantendría cerca del mismo campo político. La salida llega después de un período en el que la administración Trump ha tratado la IA como asunto de poder industrial nacional, desde centros de datos y suministro energético hasta pruebas federales voluntarias para modelos avanzados. Krishnan, exsocio de Andreessen Horowitz y veterano de varias grandes compañías tecnológicas, ayudó a moldear esa agenda junto a David Sacks y otras figuras de Silicon Valley incorporadas a la órbita del gobierno.

El desplazamiento importante es institucional. Mover a un asesor hacia una organización externa le da a la gobernanza de la IA una dirección flexible, capaz de hablar el idioma de la estrategia estatal mientras permanece más cerca de ingenieros, inversores y fundadores. La oficina pública pierde un nombre, pero la red que rodea a esa oficina conserva sus canales abiertos. Cuando Trump habla de tomar participaciones públicas en grandes compañías de IA, y cuando las agencias piden a los desarrolladores que sometan modelos frontera a revisión de ciberseguridad, la frontera entre regulación y asociación se vuelve más difícil de leer. La autoridad se reparte entre reuniones, consejos asesores, institutos privados, órdenes ejecutivas, contratos eléctricos y entregas voluntarias. La próxima disputa sobre política de IA puede llegar con sello de la Casa Blanca, acento de capital de riesgo o una invitación de calendario enviada por una institución cuyo financiamiento el público tendrá que buscar.

Quilty comercializa a la industria hollywoodense una estimación para un film que aún no existe. La compañía, creada por los productores Simon Horsman y Daniel Wood, asegura que su cadena de inteligencia artificial es capaz de analizar un guion sin necesidad de rodarlo y de emitir una puntuación que va de 0 a 100, abarcando la calidad narrativa, la viabilidad comercial, la resonancia con la audiencia y el presupuesto estimado, según The Verge. El guionista carga el texto, abona por el estudio y obtiene un dossier generado por modelos como Claude, ChatGPT, Gemini, DeepSeek y diversas herramientas de análisis de sentimiento. La intención es agilizar la junta en la que se otorga la autorización, un entorno donde escritores, productores, compradores, financiadores y ejecutivos ya discuten el vocabulario del riesgo.

Esa junta constituye el momento en que el perjuicio se vuelve tangible. Una valoración no tiene que ser exacta para desviar la trayectoria de un guion en proceso; puede convertir un proyecto arriesgado en una propuesta fiscalmente imprudente, hacer que una idea convencional parezca más segura, o proporcionar a un productor una justificación en forma de hoja de cálculo para perpetuar un sesgo histórico. Los casos citados por Quilty evidencian la fragilidad del acuerdo, pues su algoritmo habría privilegiado a Christy, que luego registró un fracaso de taquilla, frente a Sinners, película que alcanzó un gran éxito. El desacierto resulta revelador al exponer la ilusión de predecir la cultura mediante software de gestión. Cuando la preferencia del público se incorpora al expediente financiero como métrica, la audiencia queda proyectada antes de adquirir un boleto, de comportarse de cierta manera en la sala o de transformar en rentable una obra cinematográfica poco convencional.

Una nueva crítica al modelo de lenguaje Centaur, presentado en 2025 como un sistema capaz de predecir y simular la conducta humana, apunta a uno de los disfraces favoritos de la inteligencia artificial. El estudio original publicado en Nature informó que Centaur podía anticipar decisiones en experimentos psicológicos con una precisión notable tras ser entrenado con más de 10 millones de elecciones humanas, extraídas de 160 estudios y 60.000 personas. Un artículo posterior en National Science Open sostiene que ese rendimiento pudo deberse a sobreajuste. El modelo aprendió atajos estadísticos dentro del material de entrenamiento y no desarrolló una comprensión operativa de cómo los humanos toman decisiones.

La prueba fue desarmantemente simple. Los investigadores Nai Ding y Wei Liu modificaron preguntas de opción múltiple añadiendo una instrucción que pedía a Centaur elegir la opción A. Un sistema que cumpliera la tarea debería obedecer esa indicación en las preguntas alteradas. Centaur siguió seleccionando las respuestas antes correctas, como si el patrón del examen pesara más que la nueva orden. Ese resultado no cierra el debate sobre el razonamiento de las máquinas, pero cambia la carga de la prueba, porque la precisión ya no puede sostenerse sola como evidencia de pensamiento. Un modelo puede reproducir el contorno de una elección humana sin captar la operación que le da sentido a elegir.

Amazon empezará a mostrar imágenes de productos generadas por IA dentro de su app de compras cuando los usuarios busquen objetos que no pueden nombrar con precisión, informó TechCrunch el 3 de junio. Una consulta como vestido azul de cuadros puede producir opciones visuales sintéticas bajo las sugerencias de autocompletado, con variaciones de manga, largo o forma. Al tocar una, el comprador es enviado hacia listados reales mediante el sistema de búsqueda visual de Amazon. La compañía dice que la función ayuda a traducir un deseo impreciso en resultados útiles. La parte incómoda es que la imagen puede no corresponder a un producto disponible. Un minorista lleno de fotografías reales está insertando imágenes fabricadas en el umbral de la compra.

El mecanismo cambia el primer momento de la compra. Antes de que el usuario llegue a un listado, una imagen generada da forma visible al deseo y entrena la búsqueda alrededor de esa forma. El comprador queda invitado a elegir un objeto posible y luego aceptar el sustituto disponible más cercano. Eso puede ayudar cuando falla el lenguaje, pero también desplaza la tienda del catálogo al prompt. La imagen sintética se vuelve guía, filtro y pequeña decepción en espera. Un cliente puede tocar un objeto que nunca existió y después comparar la mercancía real con la cosa inventada que le enseñó qué querer.

Florida se convirtió en el primer estado de Estados Unidos en demandar a OpenAI y Sam Altman por ChatGPT, acusando a la empresa el 1 de junio de vender un producto peligroso mientras lo presentaba como seguro. La demanda civil del fiscal general James Uthmeier sostiene que OpenAI ignoró advertencias, expuso a menores a daños, recolectó datos de niños sin supervisión suficiente y construyó un sistema capaz de fomentar dependencia, autolesiones, violencia y daño cognitivo. La demanda pide sanciones civiles y órdenes judiciales por prácticas comerciales desleales, responsabilidad por producto, perjuicio público y negligencia. OpenAI afirma que reforzó las protecciones para menores, incluidas predicción de edad, configuraciones más seguras y herramientas parentales.

El giro legal es preciso. Florida pide a un tribunal tratar el chatbot como un producto cuyo diseño puede inspeccionarse, probarse y declararse defectuoso. Eso significa que vinculación de cuentas, controles de edad, avisos a padres, clasificadores de autolesión, registros de uso, reglas de escalamiento y promesas de marketing pueden convertirse en evidencia. La demanda también sigue a una investigación penal estatal sobre si ChatGPT tuvo un papel antes de un tiroteo en Florida State University. Una interfaz de chat privada enfrenta ahora la gramática procesal del descubrimiento de pruebas, las citaciones, los informes periciales y los daños. El objeto discutido es una ventana donde un menor puede escribir a solas mientras la empresa, los padres y el estado discuten después quién debió recibir aviso.

Una pintura auténtica de Monet se convirtió en prueba de sospecha artificial después de que un usuario de X la publicara como si hubiera sido generada por IA, informó Creative Bloq el 23 de mayo. La publicación pedía al público explicar qué hacía que la imagen fuera inferior a un Monet real. Millones la vieron, y muchos respondieron. Encontraron composición débil, textura vacía, profundidad incoherente, mal juicio cromático y falta de desorden humano. La evidencia sonaba segura y estaba equivocada. La imagen era un Monet verdadero.

El episodio muestra la rapidez con que una atribución puede reorganizar la mirada. Cuando la etiqueta dice IA, quien mira empieza a buscar defectos que confirmen la etiqueta. La pincelada se vuelve artefacto. La ambigüedad se vuelve fallo. Un pasaje extraño de pintura se vuelve prueba de automatización. La obra antigua queda juzgada desde la acusación colocada a su lado antes de que su superficie tenga tiempo de actuar. Eso afecta a artistas, museos, escuelas y mercados porque la sospecha viaja más rápido que la procedencia. Los sistemas generativos han hecho más fácil producir imágenes falsas y desconfiar de imágenes reales. El marco falso es el fraude. Enseña al público a ver la autenticidad como un error pendiente de ser descubierto.