Cuatro modelos nuevos en cinco días
En una fraseTres cosas pasaron esta semana que importan si tu empresa construye o usa productos con inteligencia artificial: los cuatro grandes laboratorios lanzaron modelos nuevos en cinco días, los asistentes de IA se cayeron todos casi al mismo tiempo, y un tercio de las empresas ya construye software que antes compraba. Qué significa cada una y qué haríamos nosotros.
1. Cuatro modelos nuevos en cinco días
Qué cambió. Entre el 1 y el 3 de septiembre, Anthropic, Meta, Google y OpenAI lanzaron modelos nuevos casi en simultáneo: Claude Fable 5.1 y Mythos 5.1, Muse Spark 1.3, Gemini 3.8 Flash y GPT-6 Astra. La prensa especializada ya le puso nombre al fenómeno: fatiga de modelos. Un dato menos visible pero muy concreto: Anthropic bajó un 75 % el precio de lectura de caché, que es lo que se paga cuando un asistente repite el mismo contexto en cada consulta. (Startup Fortune, AI Weekly)
Qué significa para tu empresa. Que el modelo que elijas hoy va a quedar viejo en meses, y eso es normal. El error es construir un producto atado a un modelo específico. La decisión importante no es “cuál es el mejor modelo”, sino “puedo cambiarlo sin rehacer todo”.
Qué haríamos nosotros. Lo que ya hacemos: el modelo es un dato de configuración, no una pieza del código, con un modelo titular y un suplente que entra solo si el titular falla. Y la baja de precio del caché confirma una regla de diseño: el conocimiento que el asistente repite en cada respuesta tiene que estar armado para cachearse, porque ahí está la diferencia entre un asistente barato y uno caro.
2. Todos los asistentes se cayeron a la vez
Qué cambió. Entre el 28 de agosto y el 3 de septiembre, ChatGPT, Claude, Gemini, Copilot y Grok sufrieron interrupciones de servicio casi simultáneas a nivel mundial. (iaBusiness)
Qué significa para tu empresa. Si tu atención al cliente, tu cotizador o tu flujo interno dependen de una sola IA y esa IA se cae, tu negocio se cae con ella. La pregunta correcta antes de lanzar cualquier cosa con inteligencia artificial es: ¿qué pasa cuando el modelo no responde?
Qué haríamos nosotros. Diseñar la degradación antes que la función: un suplente de otro proveedor, y para lo básico, respuestas locales que no necesitan ningún modelo. Un agente bien construido nunca se queda mudo: en el peor caso responde lo esencial y deriva a una persona.
3. Un tercio de las empresas ya construye lo que antes compraba
Qué cambió. El informe “State of AI in 2026” de McKinsey muestra que el 32 % de las organizaciones dejó de comprar al menos un software o funcionalidad porque pudo construirlo internamente con herramientas de programación agéntica. Y una brecha que crece: las grandes empresas que escalan agentes en al menos una función pasaron del 27 % al 40 %, mientras las más pequeñas se quedaron en el 22 %. (Mean CEO, edición startups)
Qué significa para tu empresa. Dos cosas a la vez. La primera: el software a medida dejó de ser un lujo de grandes corporaciones, porque construirlo cuesta una fracción de lo que costaba. La segunda: la brecha entre quienes ya operan con agentes y quienes no se está abriendo, y no por falta de tecnología sino por falta de método.
Qué haríamos nosotros. Empezar por un proceso concreto y medible, no por la herramienta: pocos agentes bien definidos, con límites claros y una persona que supervisa, antes que muchos agentes sueltos. Es exactamente la diferencia entre automatizar y complicarse.
Esta sección se publica cada semana. Si algo de lo que leíste te hizo pensar en tu propia empresa, conversemos.
