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.
EE. UU. vota contra los centros de datos en 46 de 47 consultas
En las elecciones de mitad de mandato, casi todas las consultas locales sobre centros de datos salieron a favor de frenarlos, y ganaron candidatos que piden moratorias. Moonshot publica los pesos de Kimi K3.1 Pro y Ricursive saca Ripple-65B, un modelo abierto estadounidense entrenado por 32 millones de dólares. Además, Uber cuenta cuatro viajes pedidos por agentes, Apple raciona los tokens de sus ingenieros, OpenAI y Meta compran herramientas de programación con agentes, Postman se instala dentro de los agentes de sus usuarios y Google DeepMind lanza habilidades de química para su entorno de agentes.
Guion
Los estadounidenses votaron el martes muchas cosas, y una de ellas, por primera vez de forma directa, fue la infraestructura de la inteligencia artificial. El resultado no deja mucho sitio a la interpretación: allí donde se preguntó a los vecinos si querían centros de datos, la respuesta fue casi siempre que no, o que no así.
El recuento más completo es el de Ballotpedia, que sigue las consultas locales de todo el país. A fecha del miércoles se habían decidido cuarenta y siete consultas sobre centros de datos, la mayoría en Ohio, y en cuarenta y seis ganó la opción de poner más límites, ya fuera aprobando una restricción o rechazando un proyecto. Las fórmulas cambian de un pueblo a otro: prohibir las naves que consumen tanta electricidad como una ciudad pequeña, moratorias de unos meses, exigir que los vecinos voten cualquier proyecto que pida mucha luz o mucha agua. En el condado de Ohio donde Meta planeaba una de sus naves, los vecinos aprobaron directamente una prohibición. La encuesta a pie de urna de NBC News añade el tono: más de tres de cada cuatro votantes no quieren un centro de datos cerca de casa, y casi seis de cada diez dijeron que el asunto pesó mucho en su voto.
Lo más llamativo está en las candidaturas. En Texas, el segundo estado con más centros de datos en proyecto, ganó la gobernación Gina Hinojosa, demócrata, que pide una moratoria estatal. En Ohio, Sherrod Brown recuperó su escaño en el Senado frente a Jon Husted, a quien llevaba meses llamando «la cara de los centros de datos»; el comité republicano del Senado llegó a escribir, en un memorando filtrado y enviado a las propias tecnológicas para pedirles ayuda, que los centros de datos eran el ancla colgada del cuello de su candidato. Hubo victorias parecidas en Michigan, Georgia, Nevada y Maine. La ola demócrata fue general, pero el asunto no es de un solo partido. Byron Donalds, el republicano que ganó en Florida, rechaza una moratoria y aun así presentó en julio una ley para que las naves grandes se abastezcan por su cuenta de electricidad y de agua; en Texas, el gobernador saliente, Greg Abbott, también había pedido límites. Y la Cámara de Representantes, con mayoría republicana, aprobó por cuatrocientos diecisiete votos a tres una ley que pide a los reguladores estudiar que los centros de datos paguen la ampliación de la red que necesitan. No obliga a nada, pero nadie quiso votar en contra.
El dinero de la industria tampoco sirvió de mucho. Dos comités de acción política favorables a la industria, uno de ellos el brazo republicano de Leading the Future, el grupo que financian el presidente de OpenAI, Greg Brockman, y el fondo Andreessen Horowitz, gastaron casi cinco millones de dólares en apoyar a la candidata republicana al Senado por Carolina del Sur, que perdió frente a una pediatra que pedía dos años de moratoria. Al otro lado, Public First, el grupo que financia Anthropic y pide más controles, vio caer a varios de los republicanos que apoyaba y acertó más con los demócratas. Y Guardrails Alliance, que gastó más de un millón contra cada uno de sus dos objetivos y vio perder a los dos, tiene un director político que resume su estrategia sin rodeos: «nuestro objetivo es que el dinero de la IA sea tóxico en política». Por lo visto el martes, no le hace falta esforzarse mucho.
Debajo de los votos hay un mecanismo sencillo. Un centro de datos grande trae pocos empleos, pide una conexión eléctrica del tamaño de una ciudad pequeña y, con las tarifas actuales, parte del coste de reforzar la red acaba en la factura de todos los vecinos. Durante dos años, la industria lo resolvió a base de discreción: acuerdos de confidencialidad que impedían a los concejales hablar de los proyectos y desgravaciones fiscales negociadas lejos del pleno. Esa discreción ha fabricado justo lo que más temía, un villano local con nombre propio. Ayer contamos que, ante los años de espera para conectarse a la red, algunos promotores ya montan viejos motores de avión para generar su propia luz. Ahora el cuello de botella tiene otra forma: ya no faltan solo transformadores y turbinas, falta permiso. El Financial Times calcula que los resultados podrían afectar a casi la mitad de la expansión prevista.
La cuenta cambia para todos los que están en la cadena. Si cada proyecto tiene que pagar su red y su agua, el kilovatio de cálculo sale más caro en Estados Unidos y algunos proyectos buscarán estados más dóciles u otros países; y la capacidad que no se construye es capacidad que se raciona, así que quien usa estos modelos lo notará en precios por tarea que dejan de bajar tan deprisa. En la política, el Congreso pasa a manos demócratas justo cuando la gran pelea del sector es si una ley federal debe anular las leyes de los estados; con este resultado, quien quiera una norma única tendrá que ofrecer algo a cambio a los vecinos. A la vista del martes, el error de la industria no fue construir, fue construir pidiendo que no se supiera, y la factura de ese secreto empieza ahora.
Al otro lado del Pacífico, Moonshot ha cumplido. Los pesos de Kimi K3.1 Pro, que presentó hace dos semanas, ya se pueden descargar enteros: unos dos coma ocho billones de parámetros, de los que trabajan unos cien mil millones en cada palabra. Según Artificial Analysis, con la versión nueva de su índice, queda a unos trece puntos del primero, Gemini cuatro Carbon, y saca casi catorce al siguiente modelo abierto, DeepSeek V cuatro punto uno Flash; el cuarto puesto que dimos el día del anuncio era con el índice anterior. Por dinero no es una ganga: un modelo cerrado de OpenAI, GPT seis punto uno Sol en su modo medio, saca lo mismo por la décima parte del coste por tarea. Lo que vende Kimi no es precio, es que se puede descargar. En Hacker News la queja que más se repite es que está entrenado para lucir en las pruebas; otros usuarios dicen que en su trabajo no lo han notado.
La ficha publicada con los pesos precisa algo que el día del anuncio no estaba claro. El sábado de la presentación dijimos que era la misma arquitectura que Kimi K3 con mucho más aprendizaje por refuerzo. Es casi cierto. Kimi mezcla dos tipos de capas de atención. La mayoría, sesenta y nueve de noventa y tres, usan una atención lineal propia: en lugar de releer todo el texto anterior, cada capa lleva una libreta de tamaño fijo, y al llegar cada palabra no apunta una línea más, sino que corrige la entrada que ya tenía, restando lo que la libreta esperaba y sumando lo que de verdad llegó. Es la libreta que el miércoles comparábamos con los lectores que se pasan notas. Las otras veinticuatro capas son las que miran el texto entero, y ahí está el cambio: en K3 lo leían todo; en K3.1 un pequeño indexador elige primero unos dos mil tokens que vale la pena mirar; es la misma idea de DeepSeek que contamos con Mistral la semana pasada. Con un millón de tokens de contexto, mirar solo lo que importa es la diferencia entre un modelo que se puede servir y otro que no. Y los cuatro bits por peso no salen de comprimirlo después, sino de entrenarlo desde el principio sabiendo que trabajaría así.
Esta misma semana ha llegado desde Estados Unidos una respuesta casi opuesta. Ricursive, el laboratorio de Anna Goldie y Azalia Mirhoseini, las creadoras de AlphaChip en Google, valorado en cuatro mil millones de dólares, ha publicado Ripple sesenta y cinco B, un modelo denso, sin mezcla de expertos, con licencia Apache que permite cualquier uso. Dice haberlo hecho todo, desde cero, por treinta y dos millones de dólares, y que es el mejor modelo abierto estadounidense en programación con agentes. Treinta y dos millones son poco para un modelo así y poco para una empresa con ese bolsillo. La etiqueta merece lupa: estadounidense, abierto y en una prueba concreta es un podio muy estrecho, y en su tabla no aparece ni un modelo chino. Incluso dentro de ese podio, en la prueba que eligió empata con el modelo de Reflection según las cifras que da cada uno, y en otra muy usada, SWE-bench Verified, pierde frente a él. En los comentarios de Hacker News la burla se repite, aunque también aparece el argumento serio: hay empresas y administraciones que tienen prohibido usar modelos de fuera de Estados Unidos, y para ellas la categoría sí existe.
Lo interesante de Ripple es el método, que la empresa describe con detalle. Antes de entrenar el modelo grande, montó una escalera de modelos pequeños, desde unos pocos cientos de millones de parámetros hasta cuatro mil millones, y probó cada cambio de diseño en todos los peldaños. Un cambio solo entraba si su ventaja crecía, o al menos se mantenía, al subir de tamaño. Una idea de DeepSeek para conectar las capas brillaba en pequeño y se esfumó a los cuatro mil millones: fuera. Es la lógica de un ingeniero de puentes que prueba maquetas cada vez mayores y desconfía de la que solo aguanta en miniatura. La empresa calcula que, sumando todo, su receta consigue en código lo mismo que la escalera de partida, la de los modelos Olmo de Ai2, con hasta dieciséis veces menos cálculo, medido en el modelo de cuatro mil millones, no en el final.
Para quien quiere usar modelos abiertos, la semana enseña a separar abierto de local. Kimi es abierto, pero servirlo pide un armario de G.P.U. de los caros; además, su licencia, la misma que ya traía K3, obliga a negociar con Moonshot a cualquier proveedor que venda acceso al modelo y facture más de veinte millones de dólares al año, salvo que Moonshot lo haya certificado como socio. Se puede descargar, pero el negocio de venderlo a gran escala sigue teniendo dueño. Ripple, en su versión de cuatro bits, cabe en un equipo de sobremesa con mucha memoria, aunque ahí va despacio, y no pone condiciones. Para una empresa mediana, la elección ya no es entre abierto y cerrado, sino entre el modelo más capaz que dependerá de un proveedor y el modelo menos capaz que puede tener en su propio sótano. Y para el que mira el tablero, una idea: entrenar barato ya no es cosa de magia, sino de disciplina con las maquetas.
Entre tanto modelo capaz de trabajar solo, un dato devuelve los pies a la tierra. Uber contó el miércoles, al presentar resultados, cuántos viajes pidieron en el tercer trimestre los agentes de inteligencia artificial de otras empresas: cuatro. No cuatro mil. Cuatro. Los pedidos de comida fueron algo más, unos quinientos en la semana de Halloween, entre cientos de millones de trayectos y entregas. Es la primera vez que la empresa da la cifra, y encaja con lo que contó DoorDash la semana pasada: unos cientos de pedidos. Su consejero delegado, Dara Khosrowshahi, dijo que espera más tracción y que trabajará con esas empresas, pero que sus servicios directos seguirán siendo los más cómodos.
La explicación tiene dos lados. Del lado del usuario, pedir un coche desde la aplicación cuesta dos toques; delegarlo en un agente no ahorra casi nada y añade la duda de si habrá elegido bien. Del lado de la plataforma, Uber no tiene ningún interés en facilitar que un intermediario se quede con la relación con su cliente, que es lo que vale su negocio. Como contamos el sábado 24 con las puertas de Walmart y Amazon, la pelea de los agentes de compra no se decide en la capacidad del modelo, sino en quién abre la puerta. Para quien diseña productos, la conclusión es útil: el agente que hace recados gana donde la tarea es larga y aburrida, como comparar seguros o rellenar trámites, no donde ya existe un botón.
En Apple, en cambio, los agentes se usan tanto que se han puesto a contar. Según Bloomberg, Apple recortó en octubre un tercio el gasto diario en IA que puede hacer cada ingeniero, hasta doscientos dólares. Prepara recortes mayores en algunos equipos y estudia topes mucho más bajos fuera de ingeniería. Es la misma tendencia que contamos el martes con ChatGPT y Grok racionando a sus usuarios, ahora vista desde dentro de una empresa que paga la factura.
El cambio de fondo es contable. Durante unos meses, el gasto en tokens se trató como el café de la oficina: un coste fijo y pequeño que no merecía control. Cuando una persona puede gastar en un día lo que cuesta su comida de una semana, el café pasa a ser una partida, y la partida tiene un responsable que pregunta qué se obtuvo a cambio. Para quien trabaja con estas herramientas, eso cambia lo que se valora. Hace unos meses se presumía de cuántos tokens gastaba un equipo; ahora se le pide que explique qué sacó de ellos. Lo que cotiza ya no es el entusiasmo, sino poder enseñar el resultado de cada dólar.
Mientras unos racionan, otros compran. OpenAI ha anunciado la compra de Pierre Computer Company, una empresa pequeña que guarda el código que escriben las máquinas: un sistema basado en git, la herramienta de control de versiones de siempre, preparado para los miles de cambios por segundo que hace un enjambre de agentes. Según la propia Pierre, entre sus clientes están Lovable, Bolt y Amp, que compiten con Codex, el producto de programación de OpenAI. El mismo día, Meta compró Conductor, una aplicación para dirigir a varios agentes de programación a la vez, y lo primero que comunicaron sus fundadores fue el cierre: su servicio en la nube queda en solo lectura el 13 de noviembre y se apaga una semana después.
Las dos compras dicen lo mismo desde lados distintos. La batalla de la programación con agentes ya no está solo en el modelo, sino en la fontanería que lo rodea: dónde se guarda lo que el agente escribe, cómo se revisa, cómo se coordinan diez a la vez. Y quien controla una pieza de fontanería que usan los rivales tiene una ventaja incómoda, aunque prometa tratarlos igual. Y Conductor enseña el calendario de estas compras: la nube cierra en dos semanas, la aplicación local aguanta hasta principios de 2027, y después, lo que Meta decida. Para un equipo que organiza su trabajo sobre la herramienta de una empresa joven, ese es el plazo real con el que tiene que contar.
Mientras los gigantes compran herramientas, otra se ha metido sin pedir permiso dentro de las de sus usuarios. Es Postman, la aplicación con la que millones de desarrolladores prueban sus A.P.I. A finales de octubre, un usuario documentó en el foro de incidencias de la empresa, con los registros de su propio ordenador, que al actualizar la aplicación de escritorio esta había instalado por su cuenta extensiones en sus dos agentes de programación, Codex y Claude Code. Entre lo instalado había una instrucción de arranque que pide al agente cargar la habilidad de Postman antes de cualquier tarea con A.P.I., y el instalador había marcado esa instrucción como de confianza, saltándose la pregunta que el agente hace al usuario. El autor deja claro que no ha visto salir datos a ningún sitio. Hoy ha llegado la respuesta, de una cuenta que habla en nombre de la empresa: lo incluyen porque a muchos usuarios les costaba configurarlo, y harán más claro el consentimiento. Otro participante del hilo sostiene, en cambio, que la página de descarga solo empezó a avisar después de la queja.
Quien vivió internet a principios de siglo reconocerá la jugada: las barras de herramientas que se instalaban en el navegador junto con cualquier programa gratuito. La diferencia es que un navegador solo mostraba páginas, y un agente lee, escribe y ejecuta. Los ficheros de configuración de los agentes se han convertido en territorio comercial, y cada instrucción que alguien cuela ahí decide qué herramienta usará la máquina cuando nadie mira. Y el fallo de fondo es de diseño de los agentes: un instalador ajeno pudo contestar por adelantado la pregunta que el agente debía hacerle al usuario.
De la configuración de un agente al banco de un laboratorio. Google DeepMind ha publicado un juego de habilidades para su entorno de agentes, Antigravity, pensado para el químico que diseña fármacos. El agente busca en la literatura miles de compuestos, los limpia y los ordena, y propone variantes de una molécula con su ruta de síntesis en una hora, cuando a mano llevaría días. El reparto de tareas es lo más sensato del diseño: el modelo de lenguaje organiza, busca y razona, y los cálculos sobre las moléculas los hace RDKit, una herramienta abierta y determinista con dos décadas de uso. En química no hay margen: cambiar un solo átomo describe otro compuesto, y el modelo no es quien debe contar los átomos. El caso elegido es el del lorlatinib, un fármaco contra un tipo de cáncer de pulmón que ganó potencia al cerrar en anillo una molécula anterior. Es un buen ejemplo y una prueba fácil, porque la solución ya está en los artículos que el agente lee; lo que va más allá de buscar es que el agente entrenó sus propios modelos de potencia, los comprobó con compuestos que no había visto y con ellos puntuó sus diseños. Y detrás está el negocio: Google ofrece a diez mil científicos seis meses gratis de su nivel de uso más alto. El laboratorio se ha convertido en un mercado que captar, y quien acostumbre a los químicos a su banco de trabajo tendrá ventaja cuando lleguen los presupuestos.
Durante dos años, lo que más escaseaba en esta industria eran los chips y después la electricidad; esta semana ha resultado más escaso el permiso de los vecinos.
Fuentes
- Ballotpedia, consultas locales sobre centros de datos en 2026 (resultados a 4 nov 2026) — https://ballotpedia.org/Data_center-related_ballot_measures,_2026
- The Verge, los centros de datos en las elecciones de mitad de mandato (encuesta a pie de urna de NBC News y candidaturas) — https://www.theverge.com/policy/1026365/data-centers-midterms-results
- TechCrunch, el choque por los centros de datos tras las elecciones — https://techcrunch.com/2026/11/04/after-the-midterms-a-bigger-clash-over-data-centers-could-be-coming/
- TechCrunch, el gasto de los comités de acción política de la IA — https://techcrunch.com/2026/11/04/ai-pacs-spent-millions-trying-to-shape-congress-heres-how-they-fared/
- Financial Times, los votantes enfrían la expansión de los centros de datos — https://www.ft.com/content/b7d0761f-e5fb-4746-924f-b15420a57844
- Representante Riley Moore, la Ley de protección de quienes pagan la luz — https://rileymoore.house.gov/media/press-releases/congressman-riley-m-moore-cosponsors-legislation-protect-ratepayers-data
- T&D World, la Cámara aprueba la ley por 417 a 3 — https://www.tdworld.com/policy/article/55406354/house-passes-bipartisan-legislation-on-data-center-rate-hikes
- Ohio Capital Journal, el memorando filtrado del comité republicano del Senado — https://ohiocapitaljournal.com/?p=41129
- WUSF, Byron Donalds rechaza una moratoria estatal — https://www.wusf.org/text/politics-issues/2026-07-24/byron-donalds-opposes-statewide-moratorium-data-centers
- WPTV, la ley de Byron Donalds para que los centros de datos se paguen la luz y el agua — https://www.wptv.com/news/local-news/our-community/west-palm-beach/florida-rep-byron-donalds-pushes-bill-requiring-ai-data-centers-to-supply-their-own-power-water
- Moonshot AI, ficha de Kimi K3.1 Pro en Hugging Face — https://huggingface.co/moonshotai/Kimi-K3.1-Pro
- Moonshot AI, licencia de Kimi K3.1 Pro — https://huggingface.co/moonshotai/Kimi-K3.1-Pro/blob/main/LICENSE
- Moonshot AI, licencia de Kimi K3 — https://huggingface.co/moonshotai/Kimi-K3/blob/main/LICENSE
- Artificial Analysis, A.P.I. de modelos de lenguaje (índice de inteligencia v5 y coste por tarea, consulta del 5 nov 2026) — https://artificialanalysis.ai/api/v2/language/models/free
- Ricursive Intelligence, «Achieving U.S. Open-Weight SOTA on Agentic Coding» — https://www.ricursive.com/ripple
- Ricursive Intelligence, ficha de Ripple-65B Preview en Hugging Face — https://huggingface.co/ricursiveAI/Ripple-65B-Preview
- Ricursive Intelligence, versión de cuatro bits de Ripple-65B Preview — https://huggingface.co/ricursiveAI/Ripple-65B-Preview-NVFP4
- Crunchbase News, ronda y valoración de Ricursive — https://news.crunchbase.com/venture/startup-ai-lab-ricursive-seriesa-unicorn/
- Hacker News, hilo sobre Ripple-65B — https://news.ycombinator.com/item?id=50369925
- Hacker News, hilo sobre los pesos de Kimi K3.1 Pro — https://news.ycombinator.com/item?id=50366999
- The Verge, Uber y los cuatro viajes pedidos por agentes — https://www.theverge.com/transportation/1026306/uber-ai-agents-q3-earnings-disintermediation
- TechCrunch, Apple recorta el gasto en IA de sus ingenieros (según Bloomberg) — https://techcrunch.com/2026/11/04/apple-is-reportedly-cutting-budgets-for-its-internal-ai-usage/
- OpenAI, «OpenAI to acquire Pierre Computer Company» — https://openai.com/index/openai-to-acquire-pierre
- Pierre Computer Company, Code.Storage — https://code.storage
- Conductor, anuncio de la compra por Meta — https://www.conductor.build/announcement
- Postman, incidencia 14370 sobre la instalación automática de extensiones en Codex y Claude Code — https://github.com/postmanlabs/postman-app-support/issues/14370
- Google DeepMind, «Agentic cheminformatics with Google Antigravity» — https://deepmind.google/blog/agentic-cheminformatics-with-google-antigravity/