El Pulso del 9 de marzo de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
El guion de audio está listo; la voz se publicará cuando termine la generación.
Presentamos GPT‑5.4 (ChatGPT + API + Codex)
POR QUÉ ENTRA EN EL RADAROpenAI posiciona al 5.4 como un único modelo de “trabajo profesional” que combina razonamiento + coding + computer-use nativo + contexto de 1M. Esa combinación es la verdadera historia: importa menos el salto de “inteligencia” y más la capacidad de completar tareas de punta a punta.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La verdadera mejora de GPT‑5.4 no es que sea ‘más inteligente’: es el computer use + el contexto de 1M. Qué abre eso (y qué todavía no puede hacer).”
Gemini 3.1 Flash‑Lite (tier rápido y barato)
POR QUÉ ENTRA EN EL RADARLa economía es el producto: 0,25 USD por millón de tokens de entrada + 1,50 USD por millón de salida en preview apunta a cargas de “IA en todos lados” (moderación, traducción, generación de UI). Esa es la cuña que hace asequibles, a escala, las funciones agenticas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Si construís features de IA de alto volumen, Flash‑Lite cambia la economía unitaria. Cómo pensar los tiers de modelos en 2026.”
NotebookLM “Cinematic Video Overviews”
POR QUÉ ENTRA EN EL RADARGoogle convierte “resumí mis fuentes” en “generá un mini-doc para mirar”. Lo interesante es el reclamo de orquestación: Gemini como director creativo que elige estructura y estilo narrativo e itera por consistencia.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Entramamos en la era del ‘auto-documental’: fuentes → narrativa → video. Cómo se ve el pipeline probable y qué deberían hacer los creadores ahora.”
Canvas en Google Search AI Mode (escritura + coding dentro de Search)
POR QUÉ ENTRA EN EL RADARSearch se vuelve un espacio de trabajo persistente (proyectos a los que volvés) en vez de una consulta de un solo tiro. Si Canvas puede generar herramientas e interactivos/dashboards a partir de datos de la web, compite de lleno con los “AI app builders” y cambia dónde la gente empieza los proyectos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Search ya no es search. Es un IDE liviano + editor de documentos sentado sobre retrieval web en vivo.”
Claude Sonnet 4.6 (contexto de 1M, mejor computer use, mismo tier de precio)
POR QUÉ ENTRA EN EL RADARAnthropic está llevando capacidad cercana a la frontera al rango de precio de Sonnet. Si la ventana de contexto de 1M se vuelve ampliamente confiable, la mejora práctica es: menos chunking, menos parches de retrieval, mejor planificación de horizonte largo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La mejora subestimada: el contexto de 1M te permite dejar de pelear contra tu propio pipeline (a veces). Cuándo ayuda de verdad.”
Escalada Anthropic vs “Department of War” (designación de riesgo en la cadena de suministro)
POR QUÉ ENTRA EN EL RADAREsta es la historia de gobernanza detrás de la adopción de IA: contratos, alcance estatutario y qué significa en la práctica “riesgo en la cadena de suministro”. Para quienes construyen, la clave es: la procurement empresarial + las restricciones de compliance van a definir qué modelos se despliegan dónde.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La IA en el Estado se vuelve una carrera de capacidad + política. Qué significa ‘riesgo en la cadena de suministro’ para la disponibilidad de modelos.”
Acuerdo de OpenAI con el Department of War (lenguaje explícito de no vigilancia doméstica)
POR QUÉ ENTRA EN EL RADAREs un caso raro en el que las “guardrails” quedan escritas en lenguaje contractual (y después se enmiendan). También es un plano que otros pueden copiar: despliegue solo en cloud, personal cleared en el loop, clasificadores y exclusiones explícitas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Contratos como alignment: qué pasa cuando la seguridad se impone por texto legal, no solo por documentos de política.”
Phi‑4‑reasoning‑vision‑15B (razonamiento multimodal open‑weight) + lecciones de entrenamiento
POR QUÉ ENTRA EN EL RADARUn VLM open-weight de 15B orientado a comprensión de UI y computer-use es una señal: los modelos más chicos se están optimizando para “percepción de agente” (pantallas, documentos), no solo para captioning. El blog también trae notas prácticas sobre tradeoffs de arquitectura y datos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El regreso del modelo chico: por qué un multimodal de 15B puede ganarle a uno más grande en workflows reales.”
COLD‑Steer (activation steering sin entrenamiento vía dinámica de aprendizaje aproximada)
POR QUÉ ENTRA EN EL RADARLos métodos de steering suelen intercambiar eficiencia de muestras por calidad. Este paper afirma que se puede aproximar el efecto del gradient descent sobre ejemplos in-context en tiempo de inferencia, con muchas menos muestras.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Un nuevo truco de steering: ‘simular fine-tuning’ sin actualizar pesos. Qué puede salir mal (y para qué sirve de verdad).”
Agent Safehouse (sandbox nativo de macOS para agentes locales)
POR QUÉ ENTRA EN EL RADARLos agentes locales son poderosos pero riesgosos porque heredan tus permisos. El sandboxing “deny-first” de Safehouse es un habilitador upstream para la próxima ola de agentes on-device.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Si corrés agentes en local, el sandboxing no es opcional. Un modelo mental simple para ejecución de agentes con privilegio mínimo.”