noticias radar ia chips de ia modelos abiertos automatizacion

El radar del miércoles iba de quién ya tiene los agentes funcionando; el del jueves va de quién fabrica el motor y a cuánto te lo va a vender. OpenAI enseñó ayer su primer chip propio de inferencia y dice que rinde entre 1,5 y 1,9 veces más que los sistemas Blackwell de Nvidia, justo el día en que Nvidia presentaba resultados. En paralelo, IBM publicó con licencia Apache 2.0 una familia de modelos de razonamiento que caben en tu propio servidor, Amazon cerró el mercado de trabajo humano que llevaba veintiún años etiquetando los datos de la IA, y DeepSeek está firmando estos días una ronda de unos 7.400 millones de dólares.

OpenAI ya fabrica su propio chip: el precio de la inferencia deja de depender solo de Nvidia

OpenAI publicó ayer los resultados de Jalapeño, su primer acelerador propio de inferencia, desarrollado con Broadcom en silicio y red y con Celestica en la integración de sistemas, y que viene del acuerdo de octubre de 2025 por 10 gigavatios de aceleradores a medida. Las cifras que da la compañía: de 1,5 a 1,9 veces más trabajo en pico de rendimiento frente a sistemas de generación Blackwell, de 1,7 a 3,6 veces menos latencia de extremo a extremo y de 2,1 a 4,1 veces más rápido en inferencia interactiva de latencia muy baja. Las salvedades pesan tanto como las cifras: son medidas de rendimiento y no de consumo — OpenAI no publicó los vatios —, el chip sirve solo para inferencia y no toca el entrenamiento, y el despliegue empieza a finales de este año con producción en volumen ya en 2027. Se anunció el mismo día en que Nvidia presentaba resultados tras el cierre de mercado. Para tu empresa: el coste por token que pagas es, al final, el coste de la inferencia de otro. Cuando el mayor comprador de aceleradores del mundo empieza a fabricarse los suyos, y Google y Amazon ya llevan años con los propios, la dirección del precio a medio plazo es una sola. Dos decisiones concretas hoy: no firmes compromisos anuales de consumo a precio fijo con horizonte de más de doce meses, porque estás fijando el precio de un año en el que el coste del proveedor va a caer; y mantén una pasarela de modelos entre tu aplicación y quien te sirve los tokens, de modo que cambiar de proveedor sea configuración y no un proyecto. Fuente

IBM regala modelos que razonan y caben en tu servidor: la IA que no sale de casa sube de nivel

IBM publicó el martes Granite 4.2: tres modelos densos de 3.000, 8.000 y 30.000 millones de parámetros, con licencia Apache 2.0 — se descargan, se afinan y se ponen en producción sin restricción comercial —, 128.000 tokens de contexto nativo y extensión a 512.000 en el de 30.000 millones. La novedad no es el tamaño sino dos cosas: un modo de razonamiento que se enciende y se apaga según la tarea, y una fase de aprendizaje por refuerzo agéntico para los dos modelos grandes dentro de entornos reales de ingeniería de software, terminal y búsqueda web, es decir, entrenados para usar herramientas y no solo para responder. Salen con firmas criptográficas, certificación ISO y documentación de transparencia, y están en Hugging Face, Ollama, LM Studio, GitHub y watsonx. Para tu empresa: esto va exactamente de lo que hoy no mandas a una API por contrato o por miedo — nóminas, historiales, expedientes, contratos de clientes, precios de proveedor —. El modelo de 8.000 millones corre en una GPU de gama media y el de 3.000 en una máquina modesta, así que el piloto no es una inversión, es una tarde. Y a efectos de AI Act juega a tu favor: si el modelo se ejecuta en tu infraestructura y viene con su documentación de transparencia, la trazabilidad que te pueden pedir la tienes tú y no depende de que un proveedor te la envíe. La advertencia, para que el cálculo salga honesto: abierto no es gratis, el coste se muda de la factura de tokens al servidor y a la persona que lo mantiene, así que compara con tu volumen real antes de mover nada. Fuente

Amazon cierra el mercado donde medio millón de personas etiquetaban los datos de la IA

Amazon cierra Mechanical Turk el 30 de septiembre, veintiún años después de lanzarlo en 2005. La plataforma llegó a tener más de 500.000 trabajadores haciendo microtareas — etiquetado de datos, transcripción de audio y vídeo, encuestas — y dejó de admitir clientes nuevos el 30 de julio, el mismo día que SageMaker Ground Truth y Amazon Augmented AI, los otros dos servicios de etiquetado y revisión humana de AWS. El dato que explica el cierre mejor que el comunicado es de 2023: un estudio de la EPFL encontró que entre el 33% y el 46% de los trabajadores de la plataforma usaban modelos de lenguaje para completar las tareas de texto que se les pagaba por hacer a mano. Para tu empresa: si tienes verificación, moderación, transcripción o etiquetado subcontratados a una plataforma de microtareas, tienes cinco semanas para mover ese proceso y conviene aprovechar el trámite para replantearlo entero en vez de buscar el mismo servicio en otro sitio. Pero la lectura de fondo es más incómoda y aplica aunque no seas cliente de Amazon: si compras "revisión humana" como control de calidad de tus procesos de IA — porque te lo pide un cliente, un auditor o el propio AI Act —, exige a tu proveedor que te explique cómo garantiza que sea humana. Si no puede, el control que creías tener es un modelo revisando a otro modelo, y eso no es un control. Fuente

DeepSeek firma 7.400 millones a una valoración de 74.000 y prepara bolsa en 2027

DeepSeek está cerrando estos días su segunda ronda: unos 50.000 millones de yuanes — unos 7.400 millones de dólares — sobre una valoración previa a la inversión de 500.000 millones de yuanes, unos 74.000 millones, con la firma prevista antes de que acabe agosto. Son un 43% más de valoración que en la ronda de junio, cerrada hace apenas dos meses. Repiten inversores como los fondos Monolith y Shixiang Capital y el fabricante de baterías CATL, y están en conversaciones para entrar CPE, Legend Capital y Stony Creek Capital, un fondo especializado en semiconductores. La operación va enganchada a un calendario: la compañía prepara salida al STAR Market de Shanghái tan pronto como el segundo trimestre de 2027. Para tu empresa: aquí no hay ninguna recomendación de inversión, el hecho útil es otro. El proveedor que puso el suelo de precio del sector acaba de asegurarse capital para al menos un par de años más, con dinero de baterías y de semiconductores dentro, y eso significa que la presión a la baja sobre el precio de los modelos abiertos no afloja en 2027. Es la misma conclusión que el chip de OpenAI por el otro extremo de la cadena: lo que hoy te parece caro va a costar menos, así que compra flexibilidad antes que descuento. Y una nota de gobernanza que se confunde a diario: descargarte los pesos de un modelo chino y ejecutarlos en tu servidor en Europa y llamar a una API alojada en China son dos cosas distintas a efectos de RGPD y de tu registro de tratamientos. Lo primero es una decisión técnica; lo segundo es una transferencia internacional de datos. Fuente

¿Qué mirar mañana?

Nvidia presentó resultados anoche tras el cierre: lo relevante no es el trimestre sino la previsión del siguiente y si Jensen Huang menciona sin que le pregunten el silicio propio de sus mayores clientes. Y una segunda, más silenciosa: Reuters contó ayer que Moonshot negocia con Microsoft, Amazon y Google alojar su modelo Kimi K3 en Azure, AWS y Google Cloud a cambio de hasta un 30% de los ingresos; si se firma, el primer modelo chino de frontera entra en tu contrato de nube actual sin que tú cambies nada.

Ve el vídeo de un minuto