El Pulso del 3 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.
Anthropic: detección y prevención de ataques de destilación (DeepSeek / Moonshot / MiniMax)
POR QUÉ ENTRA EN EL RADARAnthropic afirma una extracción a escala industrial (más de 16 millones de intercambios / unas 24 mil cuentas) y presenta la destilación como un problema a la vez competitivo y de seguridad nacional. Eso va a empujar al ecosistema hacia anti-scraping más duro, verificación de identidad y técnicas de “endurecimiento” de salidas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La guerra fría de las APIs: cómo los labs van a pelear la destilación (y cómo cambia lo abierto versus lo cerrado).”
Cursor: los agentes ya pueden controlar sus propias computadoras (agentes en la nube + artefactos de VM)
POR QUÉ ENTRA EN EL RADAREste es el desbloqueo práctico de la autonomía: agentes con VMs aisladas que pueden correr el software que están cambiando y devolver artefactos (videos, capturas, logs) para demostrar el trabajo. Cursor afirma que más del 30% de los PRs mergeados ya los crea un agente.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Por qué ‘agente con una VM’ le gana a ‘agente con tools’: los artefactos se vuelven la nueva capa de confianza.”
Microsoft: Copilot Tasks (vista previa de investigación) — “del chat a las acciones”
POR QUÉ ENTRA EN EL RADARMicrosoft está empujando un producto de agente pensado para consumidores: tareas programadas o recurrentes que corren en segundo plano con su propio navegador y computadora, y con puertas de consentimiento explícitas para acciones de alto impacto.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La ‘lista de pendientes que se hace sola’: por qué la programación más los permisos es el producto de verdad, no el modelo.”
Notion: Custom Agents (compañeros autónomos + MCP + créditos)
POR QUÉ ENTRA EN EL RADARNotion está convirtiendo el workspace en un runtime de agentes: triggers, acciones cross-tool (Slack/Mail/Calendar/Figma/Linear), permisos, logs de ejecución y pricing por uso. Es un blueprint concreto de “agent ops” para equipos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Notion acaba de mandar la pieza que faltaba: operaciones para agentes (logs, presupuestos, reversibilidad).”
Google DeepMind: Nano Banana 2 (Gemini 3.1 Flash Image) + mejoras de procedencia
POR QUÉ ENTRA EN EL RADAREl titular no es solo “mejores imágenes”: es (a) iteración más rápida con calidad cercana a Pro, (b) consistencia de sujetos (varios personajes/objetos) y (c) infraestructura de procedencia (SynthID + C2PA Content Credentials).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La generación de imágenes entra en modo producción: consistencia + velocidad + procedencia es la tríada real.”
arXiv: Tool Verification for Test-Time Reinforcement Learning (T^3RL)
POR QUÉ ENTRA EN EL RADAREl RL o la auto-mejora en tiempo de test pueden colapsar en un “consenso equivocado pero confiado”. La idea del paper es simple y potente: verificar los rollouts con tools externas (por ejemplo, evidencia de código) y ponderar las recompensas en función de eso.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Los modelos que se auto-mejoran necesitan verificación, no solo votación: acá va la receta.”
arXiv: aprendizaje parcial de estructura causal para inferencia conformal selectiva bajo intervenciones
POR QUÉ ENTRA EN EL RADAREn dominios densos en intervenciones (genómica, tests A/B), las estimaciones de incertidumbre se pueden ajustar mejor si sabés qué muestras son “intercambiables”. Proponen aprender solo los indicadores de descendientes necesarios para una calibración selectiva, no el grafo causal completo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Un giro causal práctico: aprendé solo lo que necesitás para una incertidumbre mejor calibrada.”
OpenReview: Behavior Learning (BL) — aprender estructuras de optimización interpretables
POR QUÉ ENTRA EN EL RADARBL reformula el aprendizaje como “utilidad + restricciones → decisión óptima”, usando bloques de optimización como primitiva, con foco en interpretabilidad e identificabilidad (IBL). Incluye código y paquete pip.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“¿Las ‘neuronas’ quedaron viejas? ¿Y si los modelos fueran bloques de optimización que se pueden leer?”
TorchLean: formalizar redes neuronales en Lean (semántica end-to-end + verificación)
POR QUÉ ENTRA EN EL RADARCierra la brecha entre lo que corre (ejecución estilo PyTorch) y lo que se verifica, dándole a los modelos una semántica formal única en Lean 4, con semántica explícita de Float32 y cotas chequeadas por certificados.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El futuro de la seguridad no son más evals: es ML que carga pruebas (y acá hay un stack real).”
Incidente de status de Claude: errores elevados en claude.ai / platform / Claude Code (resuelto)
POR QUÉ ENTRA EN EL RADARCuando los agentes entran en flujos críticos (código, tareas programadas, operaciones), los incidentes de confiabilidad se vuelven definitorios del producto. Hay que esperar más fallbacks multi-proveedor y colas offline.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Confiabilidad de agentes: por qué las caídas duelen más cuando la IA hace trabajo, no solo chatea.”