June | 2026
Meta had contractors pose as minors to test how rival chatbots handled some of the most dangerous subjects a child might bring to a screen. According to WIRED, workers on a project managed by Covalen created dummy under-18 accounts and sent prompts to ChatGPT, Gemini, and Character.AI about suicide, eating disorders, sex, drugs, and other high-risk material. One testing round in 2025 produced tens of thousands of prompts. Meta defended the work as routine safety benchmarking and said it does not use competitor benchmarking to train its own models. The companies being tested said they had not authorized the project.
The detail that stays with the story is the borrowed child. An adult worker writes panic, shame, danger, curiosity, and bad advice into a rival system while a spreadsheet waits for the answer. The exercise may produce useful evidence about refusal rules, but it also turns adolescent distress into a competitive instrument. Safety work needs ugly examples, because real harm often arrives in ugly language. The trouble begins when the child in crisis becomes a role performed at scale by contractors, inside dummy accounts, for a company trying to measure competitors without being seen. The teenager is absent, but the job still requires someone to manufacture the sentence a frightened teenager might type alone.
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 showed WIRED a humanoid robot carrying out an office errand usually hidden at the bottom of a job description. A modified Unitree machine receives a simple instruction, picks up a delivered parcel, takes stairs and an elevator, opens the box, and puts snacks in a drawer. The Swiss startup, founded by former Nvidia robotics researchers, says it trains individual skills in simulation and lets a higher-level model decide how to combine them. There is no operator steering the limbs from behind a console. The robot reads a goal, selects learned actions, and carries the task through an ordinary building.
The scene works because office labor is full of small physical negotiations that people stop noticing after a week in the building. A door resists, an elevator arrives late, a drawer jams, a package slides, a shelf sits too high, and a hallway demands the etiquette of waiting, holding, yielding, carrying. Flexion is training the robot for this minor grammar of work, where automation has less to do with heroic intelligence than with keeping the workplace moving through its errands. Companies prefer to describe such systems as productivity. The office runs on setup, fetching, sorting, opening, correcting, and waiting for someone else to finish. The intern enters a meeting room to learn strategy, then becomes the body sent to find the box, press the button, keep the door from closing, and make the place continue without naming the labor that holds it together.
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.
Prosecutors in the Palisades fire trial brought ChatGPT logs into court alongside iPhone location data, security camera footage, and witness testimony. Jonathan Rinderknecht was accused of starting a January 2025 blaze that later became one of the deadliest wildfires in Los Angeles history. According to The Verge, the prosecution cited chatbot exchanges in which he generated images of fire, asked why he felt angry, complained about the wealthy, and recorded a question about whether someone could be blamed if a cigarette started a fire. The jury did not accept the theory. After a 10-2 vote favoring the defense, the judge declared a mistrial.
The juror who spoke afterward gave the case its sharper edge. She said she talks to ChatGPT all the time and became angry at the suggestion that using a chatbot showed a character flaw. That reaction marks a limit prosecutors will keep meeting as private AI use becomes ordinary. A search history can look incriminating because it points to an action already known to have happened. A chatbot record is messier. It can contain fantasy, rehearsal, confession, curiosity, venting, boredom, or a sentence typed because the interface was available at a bad hour. The courtroom now has to decide when a prompt is evidence and when it is only a person speaking into software that answers back.
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.
At the Babell Literary and Cultural Festival in Porto, Margaret Atwood described a small failure with a familiar shape. She had asked Claude for information about the British detective series Father Brown, according to Deadline and The Verge, and the chatbot gave her the wrong answer. Atwood traced the mistake to the material the system had likely absorbed. Reviews often discuss detective stories while protecting the ending, so Claude had learned from summaries shaped by courtesy and suspense. It returned certainty from sources built around withholding. Atwood first called the answer a lie, then narrowed the accusation. A language model has no intention. It predicts from traces left by other texts.
The error came from culture as much as from software. Spoiler etiquette, promotional writing, cautious criticism, and recycled summaries all leave gaps. A model trained on that archive can fill the gap with clean prose and no visible warning. The same habit follows it into offices, schools, journalism, and business research, where a fluent answer can hide the missing page. Atwood's test was minor, almost comic, but it points to the labor AI keeps handing back to the user. Check the episode, open the book, find the record, ask the person who actually knows what happened.
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.
The phone alerts many Venezuelans saw before this week's earthquakes were not a glimpse of the future. They were the result of Google's Android Earthquake Alerts System, which turns phones into a distributed seismic network. Outside parts of the United States that use ShakeAlert, Android phones can use their accelerometers to detect motion that may indicate an earthquake. When enough phones near the source send similar signals with coarse locations, Google's server estimates what is happening and sends alerts to users who may feel shaking. The warning can arrive first because electronic messages travel faster than the damaging seismic waves moving through the ground.
The social fact is sharper than the technology. In countries without dense public warning infrastructure, a private phone network can become the first alarm of a national disaster. That may save seconds, and seconds can be enough to move away from glass, leave a staircase, or drop and cover before stronger motion arrives. It also means that an emergency function once associated with the state now depends on operating systems, device settings, network coverage, battery charge, and a company server. The alert on the screen is small, but behind it sits a new form of public safety built from private sensors in millions of pockets.
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.
The AI data center boom is showing up in the price of ordinary machines. Apple raised prices across MacBooks, iPads, the HomePod, Apple TV, and Vision Pro after saying component costs had reached a scale it had never seen. The MacBook Neo now starts at $699 instead of $599, and some high-end Macs rose by hundreds or even more. Microsoft has cut RAM in cheaper Surface models, Xbox console prices have climbed by $100 or more, and Valve's Steam Machine starts at $1,049. The pressure comes from memory and storage shortages as AI companies and hyperscalers buy huge quantities of RAM and SSDs for model training, inference, and data centers.
The useful part of this story is that AI infrastructure stops being invisible when it changes a price tag. A student buying a laptop, a family replacing a tablet, or a player looking at a console is now competing with server farms that can pay more for the same components. The industry sells AI as software, but its physical appetite reaches into supply chains for chips, memory, storage, power, cooling, land, and water. The extra cost does not appear as an AI subscription. It appears as a worse base model, less RAM, a delayed purchase, or a computer that simply stays on the shelf.
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.
Corporate AI money has turned a Manhattan congressional primary into a test site for the industry's political future. According to The Verge, super PACs tied to AI interests have spent about $27.83 million around the NY-12 race, much of it connected to state Assemblyman Alex Bores, who helped pass an AI safety law in New York. Some money has come from safety-aligned groups linked to Anthropic supporters. Other money has come from anti-regulation or rival tech interests. A crypto billionaire connected to Ripple has also entered the fight. The candidate himself did not set out to make AI safety the center of the campaign, but outside money has made the seat into a proxy contest.
The useful fact is the scale. AI companies are trying to shape the political field before most voters have a clear language for the policy fight. Super PACs cannot coordinate with campaigns, but they can buy ads, produce content, define enemies, and make a local race feel like a national referendum. Residents may still be thinking about rent, transit, Israel, Trump, or the direction of the Democratic Party. The industry is thinking about future committee votes, liability rules, model restrictions, data centers, and who will be friendly when regulation reaches Congress. The ballot remains local. The invoice already belongs to the AI economy.
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.
Meta's Oversight Board has ordered Instagram to remove a reportedly AI-generated sexualized video impersonating a woman who is not a public figure. The eight-second post was flagged by Meta's automated systems, reported by two users, and appealed by one of them, but it remained online. Meta later argued that it lacked a clear signal that the woman depicted was real or that she had not consented, partly because she had not reported the post herself. The Board rejected that standard. It said the content violated Meta's rules on non-consensual intimate imagery and recommended that AI-generated sexualized impersonation of real people be treated as non-consensual by default.
The decision moves the burden away from the target of the abuse. A person whose face or body has been simulated may learn about the post after copies have traveled through accounts, messages, screenshots, and search results. Requiring that person to prove harm first gives the platform time while the image keeps circulating. The Board wants Meta to let trusted friends or family report on someone's behalf and to create a separate reporting category for AI-generated sexualized impersonation. A synthetic body can still damage a real person, and the first useful response is removal before the victim is forced to become the evidence clerk for her own violation.
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.
AI coding tools are making it easy for people to build apps before they understand what those apps can expose. The latest concern is vibe coding, the practice of describing a product in natural language and letting an AI system write much of the code. That can help a student, worker, founder, or hobbyist build useful software in hours. It can also put a public database, a customer record, a medical note, a private message, or a payment field online without the builder recognizing the risk. Recent examples include hidden SQL injection flaws, production databases left open, and thousands of public apps with weak or missing authentication.
The social change is simple. Software creation is no longer limited to people trained to think about failure. That is good for experimentation, but it moves responsibility faster than knowledge. A private tool becomes a public service the moment it stores someone else's data or runs in the cloud. Security cannot remain an expert ritual added after launch. The person who asks a model to build an app must also ask what the app stores, who can enter, what happens if it leaks, and whether a human needs to review it before strangers use it.
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.
