viernes · 19 min de lectura
Briefing Tech — 21 de agosto de 2026
Anthropic da marcha atrás con la retención de datos y la muda a la nube del cliente, Nvidia paga USD 6.000 millones por la fábrica de modelos de Poolside, y Eslovaquia encuentra backdoors rusos activables por SMS en 279 cámaras de tránsito compradas con plata de la UE.
Generado el viernes 21 de agosto de 2026, 13:10 UTC. Ventana cubierta: últimas 24 horas (20 ago 13:10 UTC → 21 ago 13:10 UTC).
TL;DR
- Anthropic afloja la política de retención que impuso en junio: los 30 días siguen, pero los datos quedan en la nube del cliente, no en sus servidores.
- Nvidia paga USD 6.000 millones por la “Model Factory” de Poolside y se lleva 109 empleados, en un trato que insiste en no ser ni adquisición ni acquihire.
- Eslovaquia desactivó 279 cámaras de tránsito con una lista hardcodeada de números rusos: un SMS desde cualquiera de ellos abre shell en el equipo.
- Los SSD empresariales cuestan 18,6 veces más que los discos por terabyte, y Seagate y WD tienen la producción nearline vendida hasta 2027.
- SemaPLC solo da una tarea por terminada cuando un PLC real ejecuta el código, y ahí la diferencia con los baselines pasa de estadística a abismal.
IA
Anthropic da marcha atrás con la retención de datos y la muda a la nube del cliente (21/08). Sigue de lo de ayer, donde OpenAI presentaba su sistema para detectar abuso sin guardar datos: ahora es Anthropic la que mueve ficha en la misma dirección. Desde junio la empresa almacenaba durante 30 días en sus propios servidores todos los datos de clientes que pasaran por los modelos Mythos y Fable, para detectar ciberataques nuevos hechos con la tecnología. En un reporte propio admitió que la regla era impopular y un riesgo de negocio. La ventana de 30 días se mantiene, pero bajo el esquema nuevo los datos van a quedar en la nube del cliente. Según Bloomberg, la empresa pasó meses construyendo el sistema con más de 100 clientes de industrias reguladas; Boris Cherny lo confirmó públicamente en X y los cambios llegan este otoño boreal. Vale como cierre de un arco de tres días: la retención agresiva era el diferencial que Anthropic defendía frente a OpenAI, y terminó cediendo por la misma razón comercial. The Decoder · Bloomberg
Nvidia paga USD 6.000 millones por la “Model Factory” de Poolside y contrata a 109 de sus empleados (21/08). El dato sale de una carta a inversores reportada primero por Newcomer. Nvidia licencia el sistema con el que Poolside construyó su modelo de código Laguna y les ofrece trabajo a los ingenieros que lo hicieron; encima invierte USD 1.000 millones a una valuación pre-money de 12.000 millones, y los tres fundadores se quedan. La carta se ataja explícitamente: “no es una adquisición y no es un acquihire”. Es la misma estructura que Nvidia usó con Groq (USD 20.000 millones) y Enfabrica (900 millones), y que en la práctica compra tecnología, know-how y gente sin comprar la empresa ni disparar la revisión regulatoria que vendría después. El detalle incómodo es que Nvidia construye sus propios modelos abiertos en la línea Nemotron, o sea que compite con parte de sus clientes. Poolside piensa repartir los USD 6.000 millones entre sus inversores antes de fin del año que viene. The Decoder · Newcomer
GPT-5.6 Sol le devuelve terreno a OpenAI justo después de que Anthropic la pasara por primera vez (21/08). Desde el lanzamiento del modelo el 9 de julio, la facturación de OpenAI subió 35% en el trimestre y la empresarial más de 50%, según declaraciones de Sarah Friar a CNBC. Los datos de Ramp lo confirman desde afuera: en gasto de API para negocios del Q3, OpenAI crece 82% trimestre contra trimestre y Anthropic 76%. El contexto es lo que le da filo al número: antes del lanzamiento de Sol, Anthropic había llegado a un run rate anualizado de USD 65.000 millones y había superado a OpenAI en facturación trimestral por primera vez, 11.600 millones contra 6.700. El próximo modelo de OpenAI, Astra, sale en las próximas semanas, y los rumores hablan de un Fable 5.1 mejorado como respuesta de Anthropic. The Decoder · CNBC · Ramp
Meta se convirtió en uno de los mayores clientes de IA de Microsoft, y usa modelos de OpenAI para medir los propios (21/08). Según Bloomberg, Meta gasta cientos de millones de dólares por año accediendo a modelos por Azure y quema billones de tokens por semana en la plataforma. Sus ingenieros usan modelos de OpenAI disponibles en el marketplace Foundry, entre otras herramientas, para comparar el rendimiento de los modelos de la casa. Al mismo tiempo Meta está construyendo su propio servicio de API, que podría terminar compitiendo contra Foundry — el mismo patrón que con Bing, del que Meta dependió hasta reemplazarlo por tecnología propia. La foto del negocio de Microsoft que deja la nota es reveladora: los mayores clientes de IA son otras tecnológicas, con ByteDance a la cabeza de Foundry seguida por Adobe, Perplexity y Sierra, pero cerca del 70% de los ingresos de IA de Microsoft vienen de OpenAI sola, que compra sobre todo cómputo. The Decoder · Bloomberg
GPT-Image-2 ya genera PNG con fondo transparente desde la API (21/08). OpenAI habilitó la función en preview con el parámetro background=transparent, y su argumento técnico es que incrustar el canal alfa durante la generación da mejores resultados que remover el fondo después, sobre todo en vidrio transparente o fibras finas. El Cookbook documenta cuatro casos de uso: fotos de producto para tiendas online, diagramas para presentaciones, elementos de diseño como íconos y stickers, y arte para merchandising. La recomendación práctica es no describir el fondo en el prompt, porque el modelo igual puede generarlo. Dos advertencias que conviene no saltearse: para gráficos con números exactos hay que verificar los valores a mano, ya que el modelo produce rasterizado y no garantiza precisión al píxel. Requiere Python, las librerías de OpenAI y Pillow, y una API key. The Decoder · OpenAI Cookbook
Hardware y Robótica
Waymo se fabricó su propio chip y le corta la dependencia de Nvidia (21/08). Según Bloomberg, la subsidiaria de robotaxis de Alphabet ya tiene el chip corriendo en su última generación de vehículos. Entrega más de 1.000 TOPS y lo fabrica TSMC en 5 nanómetros, lo que lo deja a la par de los sistemas actuales de conducción autónoma de Nvidia; hasta ahora Waymo dependía de silicio de Nvidia y AMD. La empresa dice que el chip procesa los datos de sensores más rápido y corre los modelos que le permiten al robotaxi entender su entorno y reaccionar. El motivo declarado es bajar costos, y el chip va montado en el robotaxi nuevo que Waymo construye junto al fabricante chino Zeekr. Es otra pieza del mismo movimiento que empuja a los grandes compradores de cómputo a diseñar el suyo. The Decoder · Bloomberg
Un SSD empresarial de 30 TB cuesta USD 22.600 y los discos duros están vendidos hasta 2027 (21/08). Sigue de la escasez de memoria de ayer, que le hizo frenar la producción a Pine64, y ahora aparece del lado del almacenamiento empresarial. La actualización de agosto del Flash Volatility Index de VDURA pone el TLC de 30 TB en USD 22.600, 6,5 veces los 3.460 de hace un año, contra 1.216 del disco equivalente: flash a 18,6 veces el precio del plato por terabyte. En un build de 25 PB para IA la diferencia es de USD 51,60 millones todo flash contra 12,86 millones en híbrido. TrendForce ve los contratos NAND subiendo entre 10% y 15% este trimestre, después de 70-75% en el Q2. El problema es que la salida híbrida solo sirve si conseguís los discos: Seagate y Western Digital le dijeron a sus inversores que la producción nearline está vendida hasta 2027, y Rosenblatt calcula un premium de spot de 30% a 40%. Dos avisos de contexto: VDURA vende justamente sistemas híbridos y ya corrigió una vez sus propios números históricos del índice. Tom’s Hardware
Los bots scalper ya superan 10 a 1 a los compradores humanos en las páginas de DDR5 de un retailer (21/08). Jérôme Segura, VP de investigación de amenazas de DataDome, posteó esta semana que los bots maliciosos representan el 91% del tráfico que llega a esas fichas de producto; en marzo la relación era de 6 a 1. El informe de marzo documentó una sola operación con más de 10 millones de peticiones bloqueadas, y en una muestra de una hora 91 listados de DDR5 consultados unas 551 veces cada uno, es decir uno cada 6,5 segundos, con parámetros de cache-busting para esquivar el stock cacheado. Los precios acompañan: un kit de 32 GB DDR5-6000 que promediaba USD 72 hace un año hoy promedia 392 en PCPartPicker, y el de 128 GB más barato que rastrea Tom’s Hardware llegó a 3.399. La diferencia con el scalping de GPUs de 2020 es que aquello corría contra restocks programados que terminaron ganándole a la reventa, y acá no hay fecha de restock de DDR5 de consumo antes de 2027. El número sale de un solo retailer sin nombre y de una empresa que vende el producto que bloquea ese tráfico, así que mide presión de monitoreo sobre los listados, no stock efectivamente capturado. Tom’s Hardware
Nvidia desmiente que vaya a mandar LPUs basadas en Groq a China antes de fin de año (21/08). La nota de The Information decía que la empresa arrancaba envíos en lotes chicos de una LPU adaptada a clientes chinos, con pedidos ya colocados. El vocero fue tajante con Tom’s Hardware: “Hoy no tenemos ventas de LPU en el mercado chino, y no hay ningún producto LPU específico para China en nuestro roadmap”. Técnicamente el rumor era verosímil: la Groq 3 LPU que Nvidia anunció en el GTC de marzo se fabrica en 4 nm de Samsung, lleva 512 MB de SRAM por die y no usa HBM, justo el tipo de acelerador de decodificación que entra bajo los umbrales de exportación sin necesidad de un SKU recortado; según las fuentes, alcanzaba con reescribir el software que reparte trabajo, porque la LPU fue diseñada como coprocesador de Vera Rubin, plataforma que no se puede vender en China. Conviene leerlo junto a lo del H200 de anteayer: aun cumpliendo con Washington, el freno también está en Pekín, que bloqueó las compras de H20 el año pasado. La competencia directa sería el Ascend 950DT de Huawei, previsto para el Q4 de 2026. Tom’s Hardware
GEN-1.5 aprende una tarea nueva con una sola demo de tres a doce segundos, sin tocar los pesos (20/08). Generalist AI presentó su modelo fundacional para robots: la demostración entra en la ventana de contexto como “prompt físico” y el robot ejecuta sin ningún entrenamiento. Procesa video con 30 segundos de memoria de contexto, más sensores, lenguaje y propiocepción, y produce trayectorias a 100 Hz. En diez tareas variadas —abrir frascos, sacar plata de una billetera— reporta 59% de éxito promedio con un solo ejemplo, que sube a 83% con diez pasos de gradiente sobre cinco minutos de datos; esos diez pasos cambian los pesos menos del 0,15%, lo que sugiere que reconfiguran conocimiento ya presente en vez de construir representaciones nuevas. Lo interesante es lo que la empresa dice que emergió solo tras más de ocho meses de preentrenamiento, sin cambios de arquitectura ni meta-aprendizaje: encadenar dos prompts en una secuencia continua, transferencia zero-shot desde simulación pese a no tener datos simulados en el preentrenamiento, e imitación de manos humanas. La advertencia obligatoria: las tareas son cortas y simples, y todos los resultados son de la propia empresa, sin verificación independiente. The Decoder · Generalist AI
Ciberseguridad
Eslovaquia encontró backdoors rusos activables por SMS en 279 cámaras de tránsito compradas con plata de la UE (21/08). El servicio nacional de seguridad, la NBU, revisó las cámaras de velocidad NERO R-ONE y halló una lista hardcodeada de números de teléfono rusos: un SMS enviado desde cualquiera de ellos abre acceso a shell y a la red del equipo. No es lo único — el SecureBoot no funciona en la práctica y el portal web de gestión se abre sin contraseña con solo conocer la IP, dejando los streams en vivo expuestos. Se cree que las NERO R-ONE son cámaras rusas CORDON PRO.M rebrandeadas, fabricadas por Semicon, con base en San Petersburgo, y que la compra pasó por una sociedad pantalla en Chipre con certificaciones falsas, dentro de un presupuesto de modernización de 30 millones de euros financiado por la UE. El gobierno de Robert Fico había negado el origen ruso y desestimado las alertas; la presión de la oposición empujó la investigación. El Ministerio del Interior ya desactivó las unidades instaladas y va a convocar a un auditor independiente. Llega dos días después de CameraSwarm y con la sospecha de que Croacia y otros países de Europa del Este tengan lo mismo sin detectar. Tom’s Hardware
Envenenaron el crate arrayref de Rust y el malware se ejecutaba al compilar (20/08). Atacantes tomaron la cuenta del mantenedor y en una ventana de 23 minutos publicaron versiones maliciosas de arrayref 0.3.10, append-only-vec 0.1.9 e internment 0.8.7, dejando el código fuente intacto y agregando una dependencia a proc-macro1, un typosquat de proc-macro2. Ahí adentro un build.rs se ejecuta solo al compilar, reconstruye su infraestructura desde fragmentos base64 y elige payload según el sistema operativo; según Wiz, la segunda etapa roba credenciales guardadas en Chrome, Brave y Edge consultando las bases SQLite de logins, y persiste por clave Run en Windows, LaunchAgent en macOS y systemd en Linux. La cronología que reconstruyó StepSecurity es de manual: 01:17 UTC se creó una cuenta de GitHub suplantando a David Tolnay, 01:55 se publicó una copia benigna de proc-macro2, 07:11 llegó la actualización maliciosa, 07:15 salió arrayref 0.3.10 y se borraron las versiones 0.3.5 a 0.3.9 para forzar la instalación de la nueva; crates.io lo desindexó a las 08:41. El alcance asusta: arrayref lleva más de 53 millones de descargas en 90 días, y entre lo que depende de él están blake3, los frameworks de GUI egui, eframe e iced, y componentes usados en Ethereum y Solana. Wiz señala solapamiento de infraestructura con ataques de cadena de suministro atribuidos a Corea del Norte. Si compilaste algo en esa ventana, revisá tus Cargo.lock, buscá tráfico a 23.254.165[.]112 en los puertos 9089 y 443, y rotá credenciales, tokens de CI y claves de firma. BleepingComputer
Microsoft parcheó una falla de severidad máxima en Entra ID que ya se estaba explotando (21/08). El CVE-2026-69836 es una deserialización de datos no confiables que permite a un atacante sin privilegios ejecutar código en la red, en ataques de baja complejidad; lo descubrió Robert Fitzpatrick, ingeniero principal de seguridad de la propia Microsoft. Entra ID —el ex Azure AD— maneja autenticación, aplicación de políticas y protección de recursos para clientes de Microsoft 365, Azure y Dynamics CRM Online, así que el techo del impacto es alto. Microsoft dice que la falla ya está mitigada del lado del servicio, que los usuarios no tienen nada que hacer, que el CVE se publica “para dar más transparencia” y que no hay código de exploit disponible online; no dio detalles de los ataques ni respondió a las consultas. Es la quinta falla de severidad máxima que corrige en dos días: el día anterior habían salido dos de escalada de privilegios remota sin autenticar en Azure Arc, una en Exchange Online y una RCE en Azure Managed Instance for Apache Cassandra. BleepingComputer
Técnicas, repos y práctica
SemaPLC solo da una tarea por terminada cuando un PLC real ejecuta el código, y ahí la diferencia con los baselines se vuelve abismal (19/08). El paper del Midea AI Research Center trepó al tercer puesto de HF Daily Papers con 110 votos, y su idea es simple y dura: en vez de parar cuando el modelo juzga adecuada su propia salida, el harness declara la tarea completa solo cuando lo confirman chequeos externos registrados sobre la especificación, la compilación y el comportamiento en un runtime vivo. Sobre 117 tareas de POU independientes saca la mejor tasa de aprobación verificada estricta en los siete modelos probados, con 72,6% promedio. Pero el número que importa está en la pista de contexto de proyecto, con 65 tareas cuya lógica generada tiene que compilar y correr adentro de un proyecto real: en comportamiento estático todos los métodos quedan dentro de 10 puntos entre sí, y en comportamiento dinámico —desplegando la lógica generada y la de referencia en un PLC real y comparando trazas ejecutadas— los baselines van de 22,4 a 31,4 contra 52,2 de SemaPLC. Que la evaluación estática no distinga nada y la dinámica separe todo es un resultado transferible más allá de los PLCs. Y llega justo después del aviso de EE.UU. sobre exploits escritos con IA contra PLCs Siemens: el mismo hardware, en los dos lados del mostrador. Código publicado. arXiv 2608.18565 · GitHub
Zetta: un harness encarnado que evoluciona críticos y skills de recuperación durante la ejecución, no después (17/08). Segundo en HF Daily Papers con 129 votos. La observación de partida es que los harnesses actuales son de lazo abierto: siguen skills fijas durante el rollout y recién reflexionan cuando el episodio terminó, y esa reflexión post-hoc no puede gobernar una ejecución física, porque el estado robot-entorno cambia a una frecuencia que los modelos agénticos grandes no alcanzan. Zetta separa el problema en tres lazos con escalas de tiempo distintas: gobernanza a frecuencia de acción, propuesta de crítico y recuperación a nivel de rollout, y actualización de skills con compuerta de validación — todo manteniendo la política base congelada y haciendo evolucionar críticos escritos en código. Junto con Z-Infra, una infraestructura de rollout que desacopla la lógica del agente de los recursos de ejecución heterogéneos, llega a 90,8% en LIBERO-Pro y 93,6% en RoboCasa con 11,1x de aceleración en inferencia. El éxito sigue escalando con experiencia de auto-exploración, las skills aprendidas transfieren zero-shot y los autores reportan “Aha Moments” robóticos. arXiv 2608.16590
SkillGate: por qué el RL por resultado no puede enseñarle a un agente qué skill leer, y cómo arreglarlo (19/08). Sigue de lo de anteayer, donde el paper de UC San Diego mostraba que la recuperación de skills es el cuello de botella real; este ataca el mismo problema desde el entrenamiento. Los autores identifican una falla estructural que bautizan selector credit starvation: bajo una ventaja transmitida a nivel de secuencia, los pocos tokens que nombran la skill elegida cargan una porción de la pérdida que se desvanece, y el crédito que heredan tiene el signo cada vez más equivocado a medida que las trayectorias se alargan. Traducido: una elección correcta se castiga cada vez que la ejecución posterior falla, y las tres propiedades empeoran monótonamente con el horizonte. SkillGate parte el soporte de tokens en dos canales de crédito disjuntos —el crédito por resultado llega solo a los tokens de ejecución, y una ventaja action-local separada llega exactamente a los tokens que nombran la skill, positiva solo cuando la única lectura de la trayectoria es la correcta. Sobre cinco benchmarks agénticos con 16 candidatos, lleva una política de 9B del 40,8% al 53,2% de éxito por intento, recorta dos tercios la exposición a candidatos engañosos y lee menos skills. Hay código y pesos publicados. arXiv 2608.18852 · GitHub · Hugging Face
Co-RL: entrenar razonamiento sin etiquetas poniendo a varios modelos distintos a recompensarse entre sí (18/08). El problema que ataca es que los mejores resultados de RL para razonamiento todavía dependen de recompensa verificable con ground-truth, cada vez más cara y más escasa a medida que las capacidades superan lo que un humano evalúa de forma confiable. El self-rewarding clásico baja esa dependencia pero refuerza los sesgos propios, achica la diversidad de respuestas y termina en homogeneización y colapso. Co-RL entrena simultáneamente varios modelos desacoplados, sin compartir un solo parámetro, con recompensas derivadas de sus pares; la clave está en la diversidad de la cohorte —familias heterogéneas, tamaños distintos, muestras reformuladas—, que reduce los errores correlacionados que alimentan el bucle auto-reforzante. Los resultados: entre 3,0% y 8,6% de mejora promedio en siete benchmarks de texto para LLMs, y entre 2,3% y 7,2% en cuatro multimodales para VLMs, igualando o superando a métodos supervisados sin tocar una sola etiqueta. Código publicado. arXiv 2608.17253 · GitHub
Los LLMs podrían escribir como humanos, pero los guardrails del post-entrenamiento los delatan (20/08). El argumento es de Bradley Emi, CTO del detector de texto Pangram, y da vuelta la intuición habitual sobre por qué el texto generado se reconoce. Sistemas como ChatGPT, Claude o Gemini aprenden reglas de comportamiento para evitar salidas peligrosas o censurar ciertas afirmaciones políticas, y eso angosta bruscamente su rango expresivo — el efecto que se llama mode collapse: el modelo se concentra en una única forma preferida de decir las cosas en vez de cubrir la variedad del lenguaje humano. La evidencia práctica que ofrece: los modelos base, crudos y sin post-entrenamiento, escriben con mucha más variedad y la detección de Pangram no los marca, y lo mismo pasa con fine-tunes muy especializados —entrenados solo sobre Hemingway o sobre cierto subreddit— y con salidas rotas o incoherentes. La salvedad importante es que todo esto aplica solo a texto sin marca de agua: contra un watermark la variedad de un modelo base no sirve de nada. The Decoder · Pangram
Fuentes consultadas: The Decoder, Bloomberg, Newcomer, CNBC, Ramp, OpenAI, Tom’s Hardware, Generalist AI, BleepingComputer, SOCRadar, StepSecurity, Wiz, Risky Business, arXiv, Hugging Face, GitHub, Pangram.