Las claves de la IA

Hecho por una IA. Este programa lo investiga, lo escribe y lo locuta por completo una inteligencia artificial, sin revisión humana. Puede contener errores. Las fuentes de cada noticia están en la descripción.

Parte diario IA · domingo, 1 de noviembre de 2026 · 13 min

OpenAI rebaja su ronda a 20.000 millones y lleva reunidos 11.000

OpenAI rebaja su ronda previa a la bolsa a 20.000 millones tras haber rebajado ya la valoración. Además, la marca de agua que Anthropic añade al texto de Claude y quién puede comprobarla, un teorema de Balestriero y LeCun sobre por qué los modelos convergen hacia la misma idea del mundo, cómo trabaja una gestora de patrimonios dirigida por agentes, la rectificación a medias de Nathan Lambert sobre los modelos abiertos y el ciberataque, y un juez que deja seguir la demanda contra las turbinas de xAI.

Descargar el audio (MP3)

Guion

OpenAI ha salido a pedir dinero antes de su salida a bolsa y los inversores le han dado bastante menos de lo que pedía.

El viernes, el Financial Times publicó que OpenAI ha rebajado la meta de su ronda de unos treinta mil millones de dólares a veinte mil millones, con inversores de Emiratos Árabes Unidos al frente, un primer cierre todavía menor y una oferta posterior para particulares ricos que completaría el resto. El Wall Street Journal añadió que, por ahora, ha asegurado unos once mil millones y que algunos grandes inversores han respondido con tibieza. Es una ronda puente, la última antes de cotizar.

El orden de las rebajas cuenta más que su tamaño. En septiembre, OpenAI salió a pedir dinero con una valoración de un billón cuatrocientos mil millones. A finales de octubre la bajó a un billón doscientos cincuenta mil millones, porque algunos inversores se resistieron al precio, según los documentos que vio el mismo diario. Y ahora cede en la cantidad. En una ronda previa a la bolsa, la valoración es la cifra que viaja: el ancla con la que se negociará el precio de salida y la que leen los empleados para saber cuánto valen sus acciones. La cantidad es la prueba de verdad: cuánta gente está dispuesta a pagar ese precio. Ceder primero en una y luego en la otra es lo que hace quien vende un piso que no se mueve: rebaja el anuncio y, cuando ni así llegan visitas, acepta vender solo una parte.

Quién compra también cuenta. Un fondo soberano del Golfo no invierte solo por la rentabilidad: las informaciones sobre esta ronda la han ligado a un posible acuerdo para que Emiratos aporte capacidad de cálculo, y ahí el dinero y el hierro vienen en el mismo paquete. Y la oferta para particulares ricos desplaza parte del riesgo desde quien más información tiene, los grandes fondos que han dudado, hacia quien menos tiene.

La mejor defensa de OpenAI es la del calendario. Esta semana las tecnológicas han caído en bolsa por el miedo al gasto, Anthropic espera para su deuda una nota de bono basura, como contamos ayer, y pedir dinero en una semana así es pedirlo con viento en contra. Sus ingresos siguen creciendo deprisa: a principios de octubre rondaban los cincuenta mil millones al año. A un billón doscientos cincuenta mil millones, el comprador paga unas veinticinco veces esos ingresos. Y no es el múltiplo más caro del sector: Anthropic aspira, según las informaciones de octubre, a salir a bolsa por entre un billón y medio y dos billones, con unos ingresos algo menores que los de OpenAI según su folleto, así que pide bastante más por cada dólar que factura. Que la empresa más barata de las dos, en esa cuenta, tenga que recortar dice que la tibieza es con el sector entero, no solo con OpenAI. Para que esos múltiplos tengan sentido, los ingresos tienen que multiplicarse varias veces y, a la vez, la factura de cálculo tiene que dejar de crecer más deprisa que ellos. Los once mil millones dicen que hay inversores que ya no dan por hecho lo segundo.

El primero en notarlo es el sector, porque el coste del capital es la variable que lo mueve todo. Los laboratorios firman compromisos de cálculo a diez años, las nubes de alquiler piden prestado contra esos contratos y los fabricantes de chips cuentan con esos pedidos. Si el primer eslabón paga más caro su dinero, la presión baja por la cadena, y lo primero que se recorta no son los modelos, sino los proyectos de centros de datos más especulativos. Para quien usa ChatGPT o programa con sus modelos, el efecto es de incentivos: una empresa que necesita enseñar ingresos fieles antes de cotizar tiene todo el interés en atar a sus mejores clientes. Los créditos de su interfaz de programación que regala a quien paga los planes de cien dólares o más, como contamos el viernes, van en esa dirección: hacen más cómodo quedarse y más caro irse, justo cuando los precios por tarea de los rivales siguen bajando.

De quién paga el dinero a quién puede leer lo que escribe una máquina. Anthropic ha actualizado esta semana la página donde explica cómo marca el contenido que genera Claude, y la novedad es que está añadiendo la marca de agua invisible también a los modelos anteriores a agosto, a los que la ley europea dio un periodo de transición. En los nuevos, la marca va desde agosto, y el debate sobre su coste empezó entonces. La obligación viene de Europa: el artículo cincuenta de la ley de inteligencia artificial exige desde el dos de agosto que el texto generado lleve una señal legible por máquina, y Anthropic ha firmado el código de buenas prácticas con el que la Comisión da por cumplida esa obligación. La marca se aplica en el propio modelo, así que va en todas partes donde se use Claude, en todo el mundo, también a través de las nubes de Amazon, Google y Microsoft. Y la detección del texto, de momento, solo está abierta a reguladores, policía, medios, verificadores, investigadores, centros educativos, grupos de la sociedad civil europea y empresas obligadas por la ley; para las imágenes y ficheros hay un comprobador gratuito.

Cómo se esconde una firma en un texto sin cambiar sus palabras visibles merece un minuto. Un modelo no escribe la palabra más probable: sortea la siguiente entre varias candidatas, cada una con su probabilidad. La marca de agua no toca esas probabilidades; toca el sorteo. El método de referencia, el que Google DeepMind publicó en Nature en 2024 y que Anthropic enlazaba en agosto como base de su diseño, saca varias candidatas y las enfrenta en un pequeño torneo. Quién gana cada duelo lo decide una función secreta que mira las últimas palabras escritas y la candidata, y le da una puntuación. Si no tienes la clave, la palabra elegida parece salida del sorteo de siempre. Si la tienes, puedes recorrer el texto, recalcular esas puntuaciones y ver que las ganadoras puntúan algo más alto de lo que daría el azar. En un párrafo, la diferencia es invisible. En varias páginas, se acumula como se acumula una moneda ligeramente trucada después de mil tiradas.

Anthropic sostiene que la marca no afecta a la calidad, y para una respuesta suelta es verdad: de media, el dado sigue sacando cada cara con la misma frecuencia. El problema está en el material suplementario del propio artículo de Nature, que reconoce un intercambio entre detectabilidad y diversidad: si se pide varias veces lo mismo, las respuestas con marca se parecen más entre sí que las que no la llevan. La razón es sencilla. Con la clave fija, el mismo contexto empuja siempre hacia las mismas ganadoras, así que darle a «reintentar» es tirar un dado cargado de la misma forma una y otra vez. El consultor Natzir Turrado lo reprodujo con un modelo abierto y la configuración del artículo: de cinco descripciones de un viaje, cuatro empezaban casi con la misma frase; sin la marca, el mismo modelo empezó de forma distinta en tres de cinco.

Le toca primero a quien escribe con el modelo. Si la marca de Claude se comporta como la del artículo de Nature, quien pide diez versiones de una frase para elegir la mejor recibe ahora un abanico más estrecho, y quien usa el truco de preguntar varias veces lo mismo y quedarse con la respuesta mayoritaria para fiarse más tiene votos menos independientes de lo que cree. A la educación, después, y aquí está lo delicado. La propia página de Anthropic admite que la marca aparece también cuando Claude solo corrige, traduce o resume, que no prueba quién tuvo las ideas y que su ausencia no prueba nada. Pero la detección la tiene el centro educativo y no el alumno: quien entrega un trabajo propio que pasó por un corrector automático no puede comprobar qué dirá el detector antes de que lo diga. La ley europea pide que la marca exista, no que solo una parte pueda leerla; Anthropic dice que ampliará el acceso con el tiempo. Hasta entonces, la asimetría es el problema de fondo, más que la marca: una prueba que solo puede usar el acusador se parece mucho a una sospecha con sello oficial.

De la firma que lleva un texto al significado que hay debajo. Randall Balestriero y Yann LeCun han publicado esta semana un artículo que convierte en teorema una idea que circulaba como intuición: que los modelos entrenados con datos distintos, unos con imágenes y otros con texto, acaban representando el mundo de la misma manera. Hasta ahora, esa hipótesis «platónica» se apoyaba en que, al crecer, los modelos de lenguaje y los de visión se parecían cada vez más por dentro, sin saber por qué ni cómo provocarlo.

Su resultado tiene la forma de una receta. Las arquitecturas que estudian, llamadas J.E.P.A., aprenden a predecir la representación de una vista de algo a partir de otra vista de lo mismo: dos fotos de la misma escena, o dos descripciones de la misma imagen. El teorema dice que, si las parejas son de verdad dos miradas a una misma cosa, modelos entrenados por separado en cualquier modalidad aprenden la misma representación, salvo un giro. Y aquí viene lo provocador: predecir la siguiente palabra también es una de estas arquitecturas, pero con malas vistas, porque dos trozos de un documento no son dos fotos de la misma escena. Por eso los modelos de lenguaje solo se alinean con la visión a fuerza de tamaño. Con buenas vistas, un modelo de texto pequeño, de poco más de cien millones de parámetros, se alinea con los codificadores de imagen mejor que todos los modelos de lenguaje que probaron, hasta setenta y dos mil millones. Y basta un giro para convertir dos codificadores entrenados por separado en un generador de pies de foto.

Es la tesis de siempre de LeCun, que lleva años diciendo que predecir palabras es un camino ineficiente; lo nuevo es que ahora viene con una demostración y una ley de escala que predice experimentos que no se habían hecho. La objeción razonable es que parecerse a un codificador de imágenes no es razonar, programar ni conversar, que es donde los modelos de lenguaje ganan. Pero para quien entrena modelos el mensaje es claro: elegir bien qué cuenta como dos vistas de lo mismo puede ahorrar más cálculo que añadir escala.

Entre tanto modelo que aprende solo, una empresa que ha decidido qué no le deja hacer a sus agentes. Arca, una gestora de patrimonios nacida con inteligencia artificial, que acaba de levantar casi cincuenta millones de dólares, ha contado en el pódcast Latent Space cómo trabaja por dentro. Su ingeniero jefe de inteligencia artificial, Aman Singh, lo resume con una inversión: los agentes dan instrucciones a las personas más que las personas a los agentes. Usa sobre todo Claude, pero con un arnés propio que elige modelo según sus pruebas internas y le permite cambiar de proveedor. El agente lleva el expediente de cada cliente, que puede durar hasta diez días con muchas manos de por medio, y una memoria compartida recuerda qué se ha hecho, qué falta y quién es responsable de cada paso.

Lo copiable está en dos decisiones. La primera: todas las restricciones de seguridad son deterministas, no dependen de que el modelo se porte bien. El agente analiza y propone; mover dinero lo hace siempre un asesor humano. La segunda: cuando el agente escribe código para consultar los datos de un cliente, ese código no se ejecuta tal cual. Se traduce a un formato estricto, se tira el código original y los controles se aplican sobre ese formato. Es la diferencia entre dejar que alguien entre en el archivo y pedirle que rellene una ficha de préstamo.

Un estudio de esta semana da una razón más para esa raya. Un equipo de investigadores, con gestores de fondos al frente del criterio, ha preparado un examen de análisis bursátil con la información congelada en cada fecha, para que el modelo no pueda ver el futuro. El mejor, GPT seis Astra, saca un notable bajo en el conjunto, pero en previsión y modelo financiero se queda en un cincuenta y dos sobre cien; Claude Opus cinco punto cinco va justo detrás en la nota global. Saben escribir el informe; no saben acertar el precio. Para cualquiera que use estos modelos con su dinero, esa es la línea: que trabajen el expediente, que la decisión la firme otro.

Esa línea entre lo que un modelo puede hacer y el daño que causa de verdad es también la que ha vuelto a pensar Nathan Lambert, investigador de Ai2, donde se hacen modelos abiertos, y autor del boletín Interconnects. Hace unas semanas defendió que, si un modelo con las capacidades ofensivas de Claude Mythos se hubiera publicado en abierto, el mundo habría estado más o menos bien. Tras un octubre lleno de fallos críticos descubiertos, ha escrito un texto titulado «¿Me equivoqué?», y lo nuevo es lo que concede. Admite que «bien» se queda corto si uno no había descontado un periodo de turbulencias, y que lo que viene es una actualización forzosa y cara de cómo se hace el software.

Lo que mantiene es más interesante que lo que retira. Sigue creyendo que los modelos abiertos equilibran ataque y defensa, y, con mucha incertidumbre según él mismo, que la mayoría de los fallos los encuentran modelos cerrados. Su argumento de fondo viene de la gente de ciberseguridad, no de la de inteligencia artificial: los daños por ataques crecían de forma exponencial desde mucho antes de los modelos de lenguaje, y lo de ahora está en esa tendencia, sin un salto. Y añade un incentivo que pocos señalan: que unas pocas empresas vendan a la vez las herramientas que escriben software con fallos y las que los arreglan. La mejor objeción está en el trabajo que él mismo cita. Epoch AI usó ese modelo abierto, GLM cinco punto tres, para aprovechar el hueco entre que se publica un arreglo de Firefox y que llega a los usuarios: leyó el código, adivinó qué cambios tapaban fallos y montó una página que, con solo visitarla, sacaba ficheros del ordenador. De paso, el modelo encontró por su cuenta un fallo aún no publicado para salir del aislamiento del navegador. Lambert lo lee al revés: hace falta montar la página y atraer a la víctima. Pero el paso que antes pedía un especialista ya cuesta unos mil dólares por versión atacada, sin que ningún proveedor lo frenara.

Y del software al aire que se respira. Una jueza federal de Misisipi, Debra Brown, ha rechazado el intento de xAI de cerrar la demanda que la N.A.A.C.P., la veterana organización estadounidense de derechos civiles, presentó por las turbinas de gas que alimentan su centro de datos Colossus dos. La empresa sostenía dos cosas: que las turbinas eran fuentes móviles, y por tanto no necesitaban permiso de emisiones, y que los ciudadanos no pueden demandar en nombre de una ley federal. La jueza ha desestimado las dos. La central no es una fuente móvil según la normativa, y quien demanda lo hace por un daño propio, no en lugar del gobierno. El atajo se lo había dado el propio regulador de Misisipi, que en julio de 2025 escribió a xAI que daba las turbinas por móviles; la jueza dice que esa carta no la obliga. Son al menos veintisiete turbinas, casi quinientos megavatios, la electricidad de una ciudad mediana. Diez días antes, el mismo tribunal ya había rechazado la petición del Departamento de Justicia, que se había sumado al caso para intentar cerrarlo del lado de xAI. La medida cautelar que pide la N.A.A.C.P. sigue sin decidirse.

Lo que se discute de fondo es ese atajo. Uno de los cuellos de botella de la inteligencia artificial es conectar un centro de datos a la red eléctrica, que puede llevar años. Las turbinas llamadas temporales permitían saltarse esa cola y la de los permisos, y producir electricidad en meses. Si ese atajo se cierra por vía judicial, construir deprisa costará más, y no solo a xAI: cualquier empresa que haya planeado alimentarse así tendrá que contar con la lista de espera de los demás. Y quien paga, mientras tanto, son los vecinos del sur de Memphis y del norte de Misisipi, que es donde va a parar lo que sale de las chimeneas.

Una ronda que se encoge dos veces, un texto que lleva una firma que su autor no puede leer y unas turbinas que querían ser móviles para no pedir permiso: lo que la industria hacía deprisa empieza a tener a alguien que pide cuentas.

Fuentes