El Pulso del 11 de abril 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.
Project Glasswing + “Claude Mythos Preview” (modelo ciber-capaz aún no liberado)
POR QUÉ ENTRA EN EL RADARAnthropic afirma de forma explícita que un modelo frontier puede encontrar y explotar vulnerabilidades de alta severidad de manera autónoma y a escala, y está restringiendo el acceso a través de una coalición de la industria. Esto marca el paso de “IA para descubrimiento de vulnerabilidades” de la investigación al despliegue coordinado.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Entramos en la fase de ‘carrera armamentista de seguridad con IA’: ¿qué cambia mañana para los equipos de desarrollo (SBOMs, endurecimiento de CI, edad mínima de releases, acciones pineadas, fuzzing)?”
Claude Mythos Preview — System Card (documento primario)
POR QUÉ ENTRA EN EL RADARLa system card es la referencia canónica de lo que realmente midieron, cómo delimitarón el acceso y qué significa “demasiado peligroso” en la práctica operativa (no solo en los titulares).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Leemos la system card por vos: 5 afirmaciones concretas que conviene tomar en serio, y 3 que merecen escepticismo.”
Claude Managed Agents (beta): runtime de agentes hospedado + harness de orquestación
POR QUÉ ENTRA EN EL RADAREs la productización de la infraestructura de agentes (sandboxing, sesiones, tracing, permisos acotados). Si funciona, achica la brecha entre “demo de agente que impresiona” y “producto de agente en producción”.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La infra de agentes se vuelve producto: qué dejás de construir vos (y qué tenés que seguir controlando: evaluaciones, permisos, límites de datos).”
Respuesta de OpenAI al compromiso de una herramienta para desarrolladores reportado por Axios (cadena de suministro encuentra firma de código)
POR QUÉ ENTRA EN EL RADAREs un caso real de cómo el compromiso de una dependencia puede cascada hacia riesgo de firma y notarización. Señalan de forma explícita el endurecimiento de workflows (tags flotantes, minimumReleaseAge).
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Tu CI es la joya de la corona: 7 pasos prácticos de hardening sacados directamente de este incidente.”
Kernel de Linux: guía oficial para contribuciones asistidas por IA
POR QUÉ ENTRA EN EL RADARLos mantenedores del kernel están formalizando normas: atribución, responsabilidad de licenciamiento y una postura clara sobre DCO/Signed-off-by (la IA no debe agregarlo). Esto va a repercutir en otras comunidades open source.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“La primera ‘política de contribución con IA’ que realmente importa: qué señala sobre la gobernanza OSS en 2026.”
Detalles del lanzamiento de Gemma 4 (modelos abiertos + features agenticas + contexto largo)
POR QUÉ ENTRA EN EL RADARPosicionamiento claro: “inteligencia por parámetro”, workflows agenticos (function calling/JSON) y una lista práctica de ecosistema (Ollama/llama.cpp/vLLM/MLX, etc.). Es el ancla upstream del ruido actual sobre modelos locales.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“Gemma 4: qué significa realmente ‘workflows agenticos’ para apps local-first (y qué hardware necesitás de forma realista).”
Paper: publicidades en chatbots de IA + conflictos de interés (suite de evaluación)
POR QUÉ ENTRA EN EL RADARUn marco y tests oportunos para lo que todo el mundo está por hacer (avisos/respuestas patrocinadas dentro de asistentes). El paper afirma una degradación medible del bienestar del usuario bajo presión de incentivos.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El problema de la ‘respuesta patrocinada’ es medible: un demo simple que podés correr para detectar sesgo oculto en asistentes.”
Paper + repo: decodificación cerebral cross-subject sin entrenamiento vía meta-aprendizaje in-context
POR QUÉ ENTRA EN EL RADARLa “adaptación in-context” está saliendo del lenguaje y aparece en decodificación de señales científicas y médicas. La afirmación clave es la generalización cross-subject sin fine-tuning.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗“El in-context learning no es solo prompts: se está volviendo una estrategia general de adaptación (LLMs → fMRI).”