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.
Google ata su buscador escolar a su IA, o las dos o ninguna
Los colegios que no quieran la IA de Google tendrán que renunciar también, cuando llegue el cambio, a su buscador, mientras la empresa presenta un ensayo que atribuye a su tutor guiado más aprendizaje. Además, StateBench, de Ai2, y por qué los modelos pierden la cuenta de los cambios en un texto largo; FlashProve, la propuesta de Anthropic para demostrar con criptografía qué modelo escribió una respuesta; Palantir, que ya vende más a empresas que al Gobierno; motores de avión para alimentar centros de datos; Qwen 3.8 leyendo pesos en un portátil, y Nexus Mods, que obliga a declarar el uso de IA.
Guion
Google ha decidido que, en sus colegios, la inteligencia artificial y el buscador van en el mismo paquete: quien no quiera una, se quedará también sin el otro.
Lo anunció ayer su vicepresidente de educación, Chris Phillips, en el blog de la empresa. Gemini, su cuaderno de estudio, Gemini dentro de Classroom y el propio buscador quedarán apagados por defecto en las cuentas de alumnos de primaria y secundaria hasta que el administrador del centro los encienda; los detalles llegarán a los colegios en los próximos meses, antes del despliegue. Suena a concesión: hace unos meses Google había activado Gemini por defecto en Classroom, que usan más de ciento cincuenta millones de profesores y alumnos. La letra pequeña la contó Phillips al New York Times: no habrá un interruptor para la IA separado del de las búsquedas, porque, dice, las dos cosas están profundamente integradas. El colegio que rechace los resúmenes generados verá a sus alumnos con un aviso de que el buscador no está disponible.
El senador Bernie Sanders lo llamó extorsión; el alcalde de Nueva York, Zohran Mamdani, dijo que ninguna empresa debería decidir cómo se enseña a los niños. Google responde que da a los centros más elección, no menos. El argumento técnico tiene un problema: desde mayo de 2024 el propio buscador tiene un filtro llamado Web que enseña solo enlaces, sin resúmenes. La separación existe; lo que falta es la voluntad de ofrecérsela a los colegios. Es como un supermercado que pone la fruta suelta en una estantería del almacén y luego explica a los colegios que solo puede vendérsela en lote con bollería.
Google acompaña el anuncio con un argumento pedagógico. Su modo de aprendizaje guiado, que en vez de dar la respuesta va haciendo preguntas y partiendo el problema en pasos, está desde ayer en Classroom en todo el mundo, y llegará al buscador para las cuentas de estudiantes, con una prueba en algunos colegios de Estados Unidos este mes. Lo respalda con un ensayo propio con más de trescientos estudiantes de la Universidad de Tokio, hecho con la aplicación de Gemini y no con el buscador. Durante media jornada estudiaron una lección de estadística; la mitad tenía además el tutor guiado. Los que solo usaron recursos normales mejoraron unos cinco puntos en el examen posterior; los del tutor, unos ocho.
Es un resultado modesto, de una sola sesión, y Google no publica ni las puntuaciones de partida ni si la diferencia es significativa. Y choca con lo que contamos el jueves pasado, cuando el metaanálisis preliminar de Patrick O'Neill, sobre cuarenta y cuatro experimentos, daba un efecto medio de la IA en el aprendizaje cercano a cero. Las dos cosas pueden ser ciertas a la vez. La IA que da la respuesta ahorra el esfuerzo que produce el aprendizaje; la que obliga a pensar puede ayudar un poco. Y Common Sense Media, que evalúa productos para menores, ya había puesto el buscador de Google en su peor nivel de riesgo: en sus pruebas, los resúmenes hicieron todos los deberes que se les pidieron. En el buscador, el modo guiado solo se activará cuando Google detecte que se trata de una tarea; la respuesta directa sigue a un clic, y el alumno cansado a las once de la noche elige la que le termina el ejercicio.
Para un director de colegio, la decisión deja de ser técnica: tendrá que elegir entre una herramienta que sus alumnos usarán para saltarse ejercicios y quedarse sin el buscador más usado del mundo, que necesitan para casi todo lo demás. El anuncio no incluye ningún compromiso sobre el uso de los datos de los alumnos, y eso es lo primero que un centro puede pedir por contrato; si muchos lo piden a la vez, junto con el interruptor separado, la forma técnica que hoy no se ofrece suele aparecer. Para una familia, la lección del ensayo es práctica: la diferencia no está en usar o no usar IA, sino en si la herramienta pregunta o contesta, y eso se puede mirar en casa. Y el movimiento revela dónde ve Google el valor: no quiere que una generación aprenda a buscar sin sus resúmenes, porque el estudiante de hoy es el usuario de búsqueda de dentro de diez años.
Hay una tarea que parece trivial y en la que los mejores modelos siguen fallando: llevar la cuenta de cómo cambian las cosas a lo largo de un texto largo. El Instituto Allen, Ai2, ha presentado StateBench, una prueba que mide justo eso, y su diseño enseña algo sobre cómo están hechos los modelos por dentro.
La prueba separa cuatro grados de dificultad, que se entienden con las variables de un programa. En el más fácil, un dato se fija una vez y no cambia, como una fecha de nacimiento. En el siguiente se reemplaza, y basta con encontrar el último valor, como un termostato. En el tercero cada cambio se suma al anterior, como un marcador de baloncesto, y no se puede saltar ningún paso. Y en el último unas variables toman el valor de otras, como el trilero que mueve una bola entre cinco cubiletes: para saber dónde está hay que seguir cada intercambio. La clasificación no es arbitraria; sale de una rama del álgebra, la teoría de Krohn y Rhodes, que descompone cualquier problema de este tipo en piezas elementales.
¿Por qué importa la arquitectura? La atención, que vimos el sábado, consulta todo el texto a la vez, pero con un número fijo de capas. Es como un equipo de lectores que repasan el libro en paralelo, cada uno en su página, y luego se pasan notas un número limitado de veces. Para encontrar el último valor de una variable eso basta. Para seguir una cadena de intercambios en la que cada paso depende del anterior, la teoría dice que no: llega un momento en que la cadena es más larga que las rondas de notas. Las arquitecturas recurrentes, como Gated DeltaNet, hacen lo contrario: llevan una memoria que se actualiza palabra a palabra, como quien va apuntando en una libreta, y en principio pueden seguir cualquier cadena.
Los resultados siguen la teoría, con matices que importan. Gemini tres punto ocho Flash, Claude Opus cinco punto cinco y dos modelos de OpenAI van bien en los dos primeros grados, pero en los difíciles se hunden con los textos largos, hasta acertar un trece por ciento o menos en el último. La arquitectura sola no basta: el Olmo híbrido de Ai2, que ya lleva capas recurrentes, se queda en el azar en el grado más difícil, igual que el transformer de la misma familia. Solo cuando Ai2 entrenó modelos pequeños a propósito para esto, la variante recurrente más flexible resolvió el último grado hasta unas diez veces más allá de lo que había visto; los transformers no lo aprendieron nunca. Es decir, la libreta permite llevar la cuenta, pero alguien tiene que enseñar a usarla, y el entrenamiento habitual no lo hace. Y el formato cambia el resultado: el mismo problema contado como ediciones de una hoja de cálculo hundió al azar a modelos pequeños que lo resolvían en otro formato.
Para quien trabaja con estos modelos, la lección es concreta. Un contrato con enmiendas que se remiten unas a otras, una hoja de cálculo con celdas que copian el valor de otras o un inventario en el que los artículos cambian de almacén son problemas de los grados difíciles, aunque parezcan lectura. Ahí conviene pedirle al modelo que escriba el estado en cada paso, o que use código, en vez de fiarse de su lectura de un tirón; y desconfiar más cuanto más largo sea el documento. Para la investigación, StateBench da por fin un mapa fino de dónde se rompe cada arquitectura, en un momento en que los modelos híbridos se extienden. Y para la ciencia de fondo, recuerda algo incómodo: que una red falle en algo no siempre significa que no pueda hacerlo; a veces nadie le ha dado los ejemplos.
Saber qué modelo te ha contestado de verdad es otra cosa que hoy se da por supuesta. Anthropic, con criptógrafos de la Politécnica de Lausana y del M.I.T., ha publicado FlashProve, un sistema de código abierto para demostrarlo. Usa una prueba de conocimiento cero sucinta, que descansa en una idea vieja: comprobar un cálculo puede ser mucho más barato que hacerlo, igual que una división se comprueba con una multiplicación. El proveedor publica una huella sellada de los pesos y adjunta a cada respuesta un certificado de que cada palabra es la que ese modelo habría elegido; el cliente lo revisa en su ordenador sin ver nunca los pesos. Funciona porque el modelo de prueba, Llama cuatro Maverick, de Meta, es una mezcla de expertos: de sus cuatrocientos mil millones de parámetros solo trabajan unos diecisiete mil millones en cada palabra, y solo eso hay que demostrar. Una sola H100 genera pruebas a unos cien tokens por segundo, y comprobarlas lleva unos diecisiete segundos en un procesador normal.
Los límites son serios. Generar la prueba cuesta entre setenta y noventa y cinco veces lo que cuesta servir la respuesta, así que se pensó para revisar muestras a posteriori, como el inspector que mira algunos tiques de caja. Hoy solo vale para contextos de unas mil palabras, muy por debajo de una conversación real, y para una versión del modelo que elige siempre la palabra más probable, sin el azar que usan los servicios reales. Los autores sugieren que un regulador pida certificados de lo servido y compruebe que solo corren modelos aprobados, y reconocen que eso no demuestra que esas G.P.U. no estén entrenando otra cosa a la vez. El protocolo está especificado y demostrado en Lean, el lenguaje de pruebas formales, porque Claude escribió la especificación y buena parte de la optimización y sus decisiones son difíciles de auditar; el verificador rápido que se usaría a diario no tiene esa garantía. Es un prototipo de investigación, y Anthropic lo presenta como una de varias vías para asegurar la integridad de lo que sirve. Como contamos el domingo, su marca de agua solo podía leerla quien la ponía; aquí comprueba cualquiera con un portátil. Los primeros interesados serían las plataformas que revenden muchos modelos, que podrían vender certificados como garantía, si el coste baja de esas setenta veces.
Palantir ha presentado unos resultados que, por primera vez, la retratan más como empresa de software para empresas que como contratista de defensa. Según su informe trimestral ante la S.E.C., sus ventas a empresas de Estados Unidos crecieron casi dos veces y media en un año y superaron, por poco, a las del Gobierno estadounidense. Lo que venden es la posibilidad de usar modelos de frontera, o entrenar modelos abiertos, sin sacar los datos de casa, con ingenieros propios sentados en la oficina del cliente.
El matiz está en los contratos. Los nuevos acuerdos con empresas del país sumaron unos mil quinientos millones de dólares, bastante menos que el trimestre anterior, aunque un once por ciento más que hace un año. Su consejero delegado, Alex Karp, reconoció que los clientes ahora prueban más deprisa y firman contratos más cortos, y lo defendió como la puerta para ampliarlos después. Es el patrón de la IA en las empresas este año: se salta la burocracia para empezar, y también para irse. Para una compañía que cotiza a muchos años de ingresos, la diferencia entre un cliente que se queda una década y uno que prueba seis meses lo es todo, y por ahora la propia Palantir apuesta por lo primero: ha subido su previsión de ventas a empresas del país para el año.
La espera para conectar un centro de datos a la red eléctrica se ha vuelto tan larga que algunos han empezado a fabricarse la electricidad con motores de avión jubilados. Lo publicó ayer el New York Times: motores de aviones retirados, como los de General Electric que llevan muchos Boeing, que la empresa ProEnergy reconstruye para quemar gas. Enganchar cien megavatios a la red en el norte de Virginia lleva unos siete años, según la Agencia Internacional de la Energía; con estos motores, un centro puede estar en marcha en un par. Crusoe, que construye para OpenAI el campus de Abilene, encargó trece en abril, y Musk ya los usa en Misisipi para su centro de Memphis, el mismo cuyas turbinas, como contamos el domingo, están en los tribunales. La pega es física: un motor pensado para empujar un avión no aprovecha el calor de los gases que expulsa, como sí hacen las centrales de ciclo combinado, así que quema más gas y contamina más por cada megavatio.
SpaceX, que ya opera los centros Colossus de Musk, ha subido su previsión a unos trece gigavatios en 2027, el equivalente a trece reactores nucleares. SemiAnalysis, que vende análisis a la propia industria, localiza nueve en marcha o en obra y cuenta que la electricidad aparece a veces con la obra ya empezada. Y añade un detalle que une las dos noticias: por un compromiso firmado en julio, las turbinas de la central que alimenta ese centro tendrán que bajar a menos de la mitad de su potencia en 2027. Para una comunidad que vive al lado, eso se traduce en motores que no estaban en ningún plan urbanístico y que se mueven de un sitio a otro según venzan los permisos.
Como contamos ayer, un trabajo del M.I.T. mostraba que un modelo de frontera puede leer los pesos de una red neuronal pequeña y adivinar para qué la entrenaron. Simon Willison ha repetido la prueba en su portátil con Qwen tres punto ocho de veintisiete mil millones de parámetros, un modelo abierto que ocupa unos diecisiete gigas. Le dio los números en bruto de cuatro redes entrenadas para jugar a versiones simplificadas de videojuegos clásicos, sin calculadora ni código, y acertó tres de cuatro: Pac-Man, Pong y Breakout; un juego más oscuro, Freeway, lo confundió con Pac-Man. Tardó entre cuarenta y cinco minutos y algo más de una hora por juego; Kimi K tres punto uno Pro, a través de su servicio, resolvió Breakout en menos de diez. El propio Willison cree que una persona con lápiz y papel llegaría a lo mismo con tiempo. Las objeciones también llegan: Matthew Honnibal, autor de la biblioteca spaCy, critica que el trabajo mezcla leer pesos sin herramientas con modificarlos usando código, y Sean Goedecke sostiene que el arreglo estrella siguió los pasos que habría dado cualquier investigador. Para quien investiga con poco presupuesto, la noticia es otra: un experimento que ayer exigía un modelo de frontera hoy se repite en casa, despacio y gratis.
Nexus Mods, el mayor repositorio de modificaciones para videojuegos de ordenador, ya tenía etiquetas para el contenido hecho con IA; lo nuevo es que serán obligatorias. Quien suba una modificación tendrá que declarar si usó IA y, si fue como ayuda, explicar en público dónde y cómo; las que ya están subidas tienen hasta el dos de enero para cumplir. Su dueño, Victor Folmann, descarta prohibirla con un argumento que merece atención: la IA ya está en todo el proceso, del autocompletado de código a las texturas y las voces, y una prohibición no la eliminaría, solo haría que nadie lo dijera. También promete no usar las modificaciones para entrenar modelos ni venderlas a quien lo haga. Es el modelo de la etiqueta de ingredientes frente al de la aduana: no decide por el usuario, le da el dato para que decida. Pero la misma web lanza un filtro para ocultar todo lo etiquetado, primero en las páginas de cada juego y en la portada, y después en el buscador, así que declarar puede costar descargas desde el primer día. La sinceridad que pide tiene un precio, y lo paga quien la practica.
Un buscador que no se vende sin su resumen, un certificado que cualquiera revisa sin ver los pesos, una etiqueta que pide a cada autor que lo diga él mismo: comprobar ha dejado de ser un asunto técnico para convertirse en una forma de poder.
Fuentes
- Google, «Responsible AI for schools with Guided Learning» (Chris Phillips, 3 nov 2026) — https://blog.google/products-and-platforms/products/education/ai-learning-era-updates-2026/
- Google, «New research shows how Guided Learning supports students» (ensayo en la Universidad de Tokio, 3 nov 2026) — https://blog.google/products-and-platforms/products/education/guided-learning-uk-japan/
- The Verge, Google desactivará el buscador en los colegios que rechacen su IA (declaraciones al New York Times y reacciones) — https://www.theverge.com/tech/1025411/google-turn-off-search-ai-features
- Tedium, el filtro «Web» del buscador de Google (mayo de 2024) — https://tedium.co/2024/05/17/google-web-search-make-default/
- Common Sense Media, evaluación de los resúmenes de IA del buscador de Google — https://www.commonsensemedia.org/articles/google-ai-overview-cant-turn-it-off
- Ai2 en Hugging Face, «StateBench: Testing how language models track state changes over long documents» (3 nov 2026) — https://huggingface.co/blog/allenai/statebench
- Ai2, paper de StateBench — https://allenai.org/papers/statebench
- Ai2, conjunto de datos de StateBench — https://huggingface.co/datasets/allenai/state-bench
- Ai2, código de StateBench — https://github.com/allenai/state-bench
- Anthropic, «Progress on provable inference for large language models» (FlashProve, 2 nov 2026) — https://www.anthropic.com/research/provable-inference
- Anthropic, informe técnico de FlashProve — https://www.anthropic.com/document/flashprove-technical-report
- Anthropic, código de FlashProve — https://github.com/anthropics/FlashProve
- Palantir, resultados del tercer trimestre de 2026 (8-K ante la S.E.C.) — https://www.sec.gov/Archives/edgar/data/0001321655/000132165526000045/a2026q3ex991pressrelease.htm
- TechCrunch, la señal preocupante en el trimestre de Palantir (declaraciones de Alex Karp) — https://techcrunch.com/2026/11/03/hiding-inside-palantirs-skyrocketing-quarter-is-a-foreboding-signal/
- TechCrunch, centros de datos con motores de avión reconvertidos (a partir del New York Times) — https://techcrunch.com/2026/11/03/data-centers-are-turning-to-old-jet-engines-as-the-wait-for-power-grows/
- SemiAnalysis, «Elon Is Doing It Again: SpaceX Will Be The World's Biggest AI Cloud» (3 nov 2026) — https://newsletter.semianalysis.com/p/elon-is-doing-it-again-spacex-will
- Takehi, Teoh, Zhang y Khattab, «Sparks of Weight-Space Programming» — https://rikiyat.github.io/blog/weight-space-programming/
- Registros y prompts del experimento de lectura de pesos — https://github.com/RikiyaT/lm_understand-logs
- Simon Willison, «Qwen 3.8 27B on my laptop can interpret model weights, too» (3 nov 2026) — https://simonwillison.net/2026/Nov/3/qwen-can-interpret-model-weights/
- Qwen 3.8 27B, ficha del modelo — https://huggingface.co/Qwen/Qwen3.8-27B
- The Verge, Nexus Mods obliga a declarar el uso de IA — https://www.theverge.com/games/1026085/nexus-mods-ai-disclosures
- Nexus Mods, anuncio sobre contenido generado con IA — https://www.nexusmods.com/news/15654