Briefing Tech — 12 de noviembre de 2026

Generado el 12 de noviembre de 2026 a las 13:30 UTC. Cubre las últimas 24 horas, desde el 11/11 a las 13:15 UTC.

TL;DR

El board de Nvidia se reunió hasta tarde el 11/11 para decidir si echa a Jensen Huang, después de que el NYT reportara una segunda relación y el WSJ dijera que se preparaban para sacarlo. No hubo decisión anunciada; la acción cayó más de 8% en el after hours y AMD subió 4%.
Anthropic dice en el video de su roadshow que su modelo interno Mythos portó Claude a GPUs de AMD en tres días, escribiendo casi 100% de los kernels. Antes eran seis a doce meses y decenas de ingenieros. Son cifras propias, sin verificación independiente.
wfx-loot: 4.837 cuentas de GitHub comprometidas empujaron un ladrón de secretos de CI a 61.764 repositorios, corrió en más de 1.800, y dejó persistencia en AWS y Azure que sobrevive a la rotación de credenciales.
AWS liberó AWS Emulator: más de 200 servicios de AWS corriendo local, gratis, bajo CC0, con cada línea escrita por agentes autónomos.
Día de plata para los humanoides: Agile Robots levantó 500 millones de dólares a una valuación de 8.500 millones liderada por SoftBank con Nvidia adentro, GXO y Apptronik apuntan a hasta 1.000 Apollo en cuatro años, y J.P. Morgan proyecta 300.000 a 400.000 unidades anuales en EE.UU. para 2030.

IA

Anthropic dice que su modelo Mythos portó Claude a GPUs de AMD en tres días y escribió casi todos los kernels, contra los seis a doce meses que lleva habitualmente (11/11). Sigue de lo del 10/11, cuando el roadshow arrancó junto con el lanzamiento de Mythos 5.2: el video para inversores es donde aparece el número. La cifra se refiere a procesamiento de prompts de un modelo de Anthropic sobre MI355X de AMD, y la empresa dice que Mythos escribió o portó casi 100% de los kernels con “casi ninguna intervención humana”. Tom Brown, cofundador y chief compute officer, agrega que Claude ahora entrena y corre sobre las cuatro familias grandes de chips —Trainium de AWS, TPU de Google, GPU de Nvidia y GPU de AMD— manejadas como un pool intercambiable. El argumento implícito es que el foso de CUDA se erosiona cuando el trabajo de portar deja de ser mano de obra escasa, y no es neutral: Nvidia entra en el private placement de 26.000 millones del prospecto del 10/11, y AMD anunció en julio una inversión estratégica de hasta 5.000 millones contra el despliegue de hasta 2 GW de MI455X en racks Helios desde el primer semestre de 2027. Todas las cifras son de Anthropic y no están verificadas de forma independiente. The Decoder · Simon Willison · MLQ

Google lanza la Gemini Decisions API, un modelo que no genera texto: puntúa hasta 1.000 preguntas sobre una misma entrada a 0,10 dólares por millón de tokens (11/11). Gemini Decision 1 contesta solo tres formas: sí/no, múltiple opción, y puntaje en una escala que define el usuario. La entrada puede ser texto, imagen, audio, video o PDF, hasta 256.000 tokens, y la salida es la respuesta más un score de confianza para que la aplicación decida si la usa. El punto técnico es que no decodifica token por token: la latencia mediana es de 50 a 100 ms de cómputo de modelo, 150 a 250 ms end-to-end, y se mantiene casi plana entre 1 y 100 preguntas por request con contextos de hasta 16K. Los tokens de salida no se cobran, lo que la deja unas cinco veces más barata que Gemini 3.5 Flash-Lite. Google reclama ganar siete de nueve benchmarks de precisión contra Jev y la Decisions API de OpenAI, con Jev levemente más eficiente en costo. Para quien arma agentes, el caso de uso obvio es el ruteo, la selección de herramientas, los chequeos de seguridad y el grading, que hoy se pagan con un LLM completo. Hay tier gratuito limitado en AI Studio. SiliconANGLE · Google for Developers · Interesting Engineering

AlphaGenome 2 baja la predicción genómica del tejido al tipo celular y casi duplica los aciertos de su antecesor (12/11). El cambio de arquitectura es que ahora es un modelo condicional: además de la secuencia de ADN recibe un estado biológico concreto y predice el efecto para ese tipo celular, en vez de promediar sobre muchos tejidos a la vez. Entrenó sobre más de 107 millones de perfiles celulares individuales de 68 tejidos humanos y de ratón, y suma predicción de metilación del ADN a expresión génica y empaquetamiento. Los números sobre TenK10K, el dataset de 28 tipos de células inmunes primarias: identifica cerca del 30% de las variantes causales contra 16% de un AlphaGenome 1 fine-tuneado, y acierta si la variante sube o baja la expresión en 43% de los casos contra 23%. También puede adaptarse a estados celulares nuevos con unas pocas docenas de células, sin reentrenar, e inferir propiedades faltantes desde una sola medición. Acceso por API para investigación no comercial, preview cerrado para uso comercial, y explícitamente no aprobado para diagnóstico clínico; DeepMind dice que va a integrar sus capacidades en Antigravity junto a Gemini 4. The Decoder · MarkTechPost · Implicator

United Airlines bloquea los agentes de IA de terceros de sus plataformas, incluso con consentimiento del pasajero, y es la primera aerolínea en hacerlo (11/11). La prohibición cubre el canal directo y también el indirecto, o sea las agencias online y los agregadores, y United dice que va a actualizar sus condiciones de transporte para reflejarla. Los tres motivos que da son concretos: exposición de información sensible del pasajero, acciones que terminen en compras no deseadas o cambios no autorizados en cuentas MileagePlus, y —el más interesante desde lo regulatorio— que un agente que gestiona una reserva puede saltear los pasos donde la norma exige confirmación humana, como declarar que el equipaje no lleva artículos prohibidos, lo que choca con reglas de la FAA y el DOT. La aerolínea compara el movimiento con lo que ya hicieron bancos y retail. No publicó detalles de aplicación ni fecha de entrada en vigor, y es el primer caso visible de una industria regulada cerrándole la puerta al commerce agéntico por motivos de cumplimiento y no de costo. AeroTime · Air Data News · Digital Trends

Hardware y Robótica

El board de Nvidia se reúne de urgencia para decidir si echa a Jensen Huang, y el mercado empieza a cotizar la empresa sin su fundador (11-12/11). Sigue de lo del 9/11, cuando Huang admitió el romance con una presunta espía china y el board abrió una investigación independiente: el 11/11 a la noche el New York Times reportó una segunda relación, esta vez con Kimberly Powell, VP de healthcare de la empresa y una de unos 60 reportes directos, y el Wall Street Journal dijo que el directorio se preparaba para sacarlo. El board sesionó hasta tarde ese mismo día y cerró la noche sin decisión anunciada; los estatutos permiten remover al CEO con una mayoría simple de los once directores, de los cuales todos menos Huang son independientes. El movimiento de precios es el dato duro: la acción cerró el 11/11 a 173,73 dólares, cayó más de 8% en el after hours, tocó un mínimo nocturno de 156,20 —el nivel más bajo desde julio de 2025— y acumula unos 600.000 millones de dólares de valor perdido desde que arrancó la investigación. Bernstein bajó a Market-Perform y recortó el target de 400 a 200 dólares, Baird había bajado a Neutral el 11/11 citando incertidumbre sobre la permanencia del CEO. Del otro lado, AMD subió 4% y Broadcom 3%. Bloomberg reporta que la empresa contrató una firma externa para buscar reemplazos y no hay sucesor designado; algunos analistas mencionan a la CFO Colette Kress como interina posible. Los resultados trimestrales son el 17/11. The Next Web · Yahoo Finance · Quartz · VideoCardz

Robótica: Agile Robots levanta 500 millones de dólares a una valuación de 8.500 millones, liderada por SoftBank y con Nvidia adentro (12/11). Es una Serie F y la empresa es alemana, de Múnich, fundada por ex del centro aeroespacial DLR: el caso que vende es full-stack, o sea brazos industriales y software de control propio más humanoides, en vez de apostar todo a la plataforma humanoide. El dinero va a escalar producción. Para dimensionar el ticket conviene mirarlo al lado de lo que pasó el mismo día en el resto del sector —el pronóstico de J.P. Morgan y la ampliación de GXO con Apptronik, abajo—: es la ronda europea más grande de robótica del año y pone a SoftBank otra vez como el comprador de último recurso de la tesis humanoide, con Nvidia acompañando como hace en casi todas las rondas grandes de physical AI. Forbes · Tech.eu · The Next Web

Robótica: GXO y Apptronik firman una carta de intención por hasta 1.000 humanoides Apollo en cuatro años, bajo modelo Robotics-as-a-Service (12/11). La sociedad arrancó en 2024 como prueba de concepto y este año ya hubo un piloto en EE.UU. haciendo picking autónomo de bienes de consumo chicos, más recolección de datos y evaluaciones autónomas en vivo sobre más de 50 tareas logísticas en el Robot Park de Apptronik. Lo que se agrega ahora es el cronograma: pruebas conjuntas en operación real desde 2027 cubriendo goods-to-person, person-to-goods, movimiento de cajas y totes, empaque y sortación, cada caso de uso medido contra KPIs acordados de productividad, seguridad y operación. El despliegue inicial apunta a Norteamérica para fines de 2027, y las 1.000 unidades quedan condicionadas a que esos KPIs se cumplan. La escala del cliente es lo que hace interesante el número: GXO opera más de 1.000 instalaciones y 200 millones de pies cuadrados con más de 150.000 empleados, así que 1.000 robots sigue siendo un piloto grande y no una sustitución. GlobeNewswire

Robótica: J.P. Morgan proyecta 300.000 a 400.000 humanoides producidos por año en EE.UU. para 2030, y pone el cuello de botella en las manos y los actuadores (12/11). El reporte, que levantó Reuters, estira la curva a cerca de 1,5 millones de unidades anuales para 2035 y calcula que el mercado de componentes clave —actuadores, motores, sistemas de visión— se acerca a 30.000 millones de dólares para esa fecha. La parte económica es la que importa para saber si el pronóstico es creíble: el banco dice que el costo del robot se está acercando a la paridad con el costo laboral, y que el despliegue en varios turnos puede dar unos 100.000 dólares de ahorro anual por cliente. Pero el propio reporte marca el freno: además de Tesla, la mayoría de los fabricantes estadounidenses apuntan a 10.000 a 30.000 unidades anuales, y los límites son hardware, datos y cómputo de entrenamiento, y capacidad de producción, con “manos, actuadores, el cerebro y la capacidad fabril” como las restricciones duras. Los nombres que destaca son Tesla, Agility, Boston Dynamics, Figure y Apptronik del lado de robots, y Timken, Robotis, Leader Drive, Orbbec y Cognex del lado de componentes, donde ve la oportunidad más cercana. Suma un factor político: una determinación de la administración Trump de que la robótica importada es riesgo de seguridad nacional podría derivar en aranceles. Investing.com · TimesLIVE · Analytics Insight

Ciberseguridad

wfx-loot: 4.837 cuentas de GitHub comprometidas empujaron un ladrón de secretos de CI a 61.764 repositorios, y la persistencia que dejó en la nube sobrevive a rotar los secretos (10-12/11). La campaña arrancó el 10/11 y Aikido, que la nombró con las etiquetas del propio atacante, contó que el payload corrió en más de 1.800 repos. El método es lo que hay que entender para buscarlo: primero un pull request de sondeo titulado “docs: dependency audit notes” para probar si hay permiso de escritura —unos 10.431 de esos cayeron en repos que las cuentas comprometidas no poseían, alcanzados por acceso de colaborador u organización, y 92% seguía abierto al momento del reporte—; después un script de shell de unas 1.500 líneas inyectado en un workflow existente, en un hook de npm install o en un workflow nuevo sobre una rama descartable; y en alrededor de un minuto, revertir el cambio y borrar la corrida y sus logs. El script se lleva secrets de Actions, archivos de credenciales de cloud y SSH, historiales de shell y tokens de herramientas de IA —OpenAI, Anthropic, Cursor, Copilot— a dos servidores por HTTP. La parte que no se arregla rotando: con lo robado creó access keys de larga vida en AWS, modificó la trust policy de un rol de AWS para aceptar cualquier cuenta, y agregó credenciales federadas en aplicaciones de Azure. Lo accionable es doble, rotar todo secreto alcanzable por los workflows afectados y además ir a buscar y borrar esos cambios de trust policy y esas credenciales federadas en cada cuenta cloud vinculada. Buscar la rama wfx-docs, el PR de sondeo, o commits titulados “ci: refresh build cache”, “chore: add ci helper” y “chore: add dependency audit workflow”; que no aparezca el artefacto no prueba nada. Llegó además a un paquete de Packagist (digitalelvis/neuronai-studio 3.14.3) y dos versiones de un módulo Go. Help Net Security · Aikido · Endor Labs · StepSecurity

Railway publica el post-mortem: hasta 100.000 workspaces con variables de entorno expuestas y 740.000 dólares de cargos de IA fraudulentos que la empresa va a cubrir (11/11). La cadena de la intrusión es el detalle más instructivo del año en escaladas cloud. El 20/10 el atacante explotó una falla desconocida en la infraestructura de build, salió parcialmente del aislamiento de filesystem y obtuvo una credencial de build server interna; con eso llegó al sistema de gestión de builds, abusó de una relación de confianza OIDC mal configurada para conseguir credenciales temporales de cloud, y desde ahí alcanzó una máquina de orquestación con una credencial de vida más larga que usó para pedirle al KMS de Railway que desencriptara variables de entorno de clientes. Entre el 20 y el 21/10 vio el historial de 353 builds y desencriptó variables de un subconjunto de entornos; el 21/10 lo echaron. El alcance declarado es no más de 1,85% de los workspaces, unos 100.000, y tokens de cuentas vinculadas de 1.852 usuarios —OAuth de GitHub y claves de agentes de IA— ya reseteados. Lo buscado eran sobre todo credenciales de proveedores de IA, y los cargos fraudulentos incluyen requests de agentes de coding y cargas de entrenamiento: Railway cree que las claves pasaron a servicios intermediarios para destilar modelos. Bedrock y Gemini arrancaron reembolsos por sus políticas de fraude, OpenAI revisa caso por caso, lo de Anthropic está en discusión, y OpenRouter mantiene su política de no reembolsar, así que eso lo paga Railway. Cloud Computing News · The Hacker News · BleepingComputer

Maersk confirma robo de datos en un sistema heredado de una adquisición, y WhiteArmor pide 5 millones de dólares por 100 GB (07-12/11). La naviera publicó su comunicado el 11/11: su equipo de ciberseguridad detectó la intrusión, el sistema afectado es local y llegó con una adquisición anterior que no nombra, y la empresa dice que sus hallazgos “sugieren fuertemente que no se divulgó información sensible”. No confirmó cuándo entraron, cómo, ni qué tipos de dato se fueron, ni atribuyó el ataque. WhiteArmor había listado a Maersk en su sitio de filtraciones el 7/11 y reclama unos 100 GB sacados de una plataforma vinculada a LF Logistics, la logística hongkonesa que Maersk compró en 2022, con un plazo de 30 días para pagar en bitcoin. Lo que el grupo dice tener, y que vale tratar como no verificado: unos 29.000 registros de conductores, 16.093 de ellos con contraseñas en texto plano, 16.123 cuentas de personal —33 con privilegios de superadministrador—, recibos de entrega firmados, inventarios, órdenes de compra, y más de 27.000 logs de dispositivos móviles con teléfonos, mails e IMEI. Maersk dice que el incidente está aislado, sin impacto en otros sistemas propios ni en los de clientes y socios conectados por API y EDI. SecurityWeek · Cybernews · Marine Insight

AntiFox: atacantes usan un agente de pentesting open source, corrido desde Alibaba Cloud, para llegar a secretos de producción en AWS (11/11). Arctic Wolf Labs observó interfaces de AntiFox —una plataforma multi-agente de pentesting autónomo que va de reconocimiento a explotación y reporte, con 474 estrellas y 251 forks en GitHub— hosteadas en sistemas de Alibaba Cloud y atadas a actividad maliciosa confirmada contra servicios web expuestos y los entornos de AWS asociados. Dos caminos distintos: en algunos casos comprometieron una aplicación IIS expuesta, crearon un webshell ASPX vía el worker w3wp.exe y desde ahí buscaron web.config y backups, leyeron connection strings, revisaron logs de debug y error, intentaron conectar a una base de producción interna con una credencial del config, y copiaron configs y logs a un directorio de upload accesible por web; en otros arrancaron directamente con una credencial válida de AWS, sin que se sepa de dónde salió. Con identidades IAM válidas probaron decenas de servicios —IAM, EC2, S3, Lambda, Secrets Manager, KMS, RDS, Bedrock—: la mayoría devolvió AccessDenied, pero algunas operaciones de descubrimiento y de acceso a secretos funcionaron, y en al menos un caso un GetSecretValue contra un secreto de producción salió bien. El patrón que señala Arctic Wolf no es una capacidad nueva sino velocidad y consistencia: el mismo recorrido manual, hecho sin pausas. The Hacker News · Techzine · Cybersecurity News

Técnicas, repos y práctica

AWS Emulator: más de 200 servicios de AWS corriendo en tu máquina, gratis y bajo CC0, con cada línea escrita por agentes autónomos (11/11). El anuncio es un post de Werner Vogels y la idea de partida es la más replicable de todo el briefing: la hipótesis de Matt Goldberg fue que un agente puede construir un servicio funcional a partir de su descripción de API escrita, usando el servicio real como referencia. Los modelos de API están en Smithy; los agentes escribieron tests de fidelidad end-to-end desde esos modelos, los corrigieron hasta que pasaran contra AWS de verdad, y después construyeron el emulador hasta que pasara los mismos tests. Cada falla restante señalaba un hueco en el emulador, no en el test. El primer SQS pasable salió de un prompt en unos 15 minutos. El merge gate es la otra pieza a copiar: varios agentes de seguridad haciendo revisión adversarial, un revisor de código general, y chequeos deterministas. Está armado sobre más de 400 modelos de API que cubren más de 200 servicios, acepta reportes de bugs pero no pull requests, y las operaciones no implementadas devuelven HTTP 501 en vez de fallar raro. Para quien tiene tests de integración que hoy pegan contra una cuenta de AWS, es reemplazo directo y gratis. All Things Distributed · Help Net Security · Unite.ai

Tree-Ising: reparar un modelo flipeando bits de BF16 por annealing supera al agente que lo hacía a mano, por 90 centavos de GPU y cero tokens de LLM (10-12/11). Es el paper más votado de Hugging Face hoy y continúa directamente el Weight-Space Programming del 6/11, donde un agente leía los pesos de la red y escribía la reparación a mano. Acá el mismo problema se plantea como optimización discreta esparsa sobre los pesos BF16, con solo dos ediciones admisibles —flip de signo y shift de exponente— y un objetivo que descompone en un QUBO independiente por fila de salida, resuelto en GPU con simulated annealing o simulated bifurcation. Los números del reemplazo son contundentes: sobre Qwen3.5-0.8B en MATH-500, el modelo base da 7,9%, la edición del agente 51,7%, y Tree-Ising 54,6% con annealing y 55,1% con bifurcación. El costo es la parte accionable: el agente necesitó 158 turnos, 89,7 millones de tokens y 50 forward passes; Tree-Ising usa 4 forward passes, cero tokens de LLM y unos 0,90 dólares de GPU, tocando entre 13% y 17% menos pesos y con 2,2 a 2,3 veces menos bit flips. Y generaliza: en Qwen3.5-2B, eligiendo capas y dosis usando solo el modelo base, GSM8K greedy sube de 21,6% a 69,4%. Hay también una prueba de concepto de un subproblema corrido con QAOA en un procesador cuántico de IBM, que es la parte menos relevante en la práctica. arXiv · Hugging Face Papers

WikiTrace: la memoria de agentes empeora los resultados cuando no se puede verificar, y enlazar cada lección a su trayectoria lo revierte (10-12/11). El paper le pone nombre al problema —“memory-induced degradation”— y es el de un agente que falla en tareas que resolvía bien sin memoria. El diagnóstico: las lecciones destiladas de trayectorias pasadas se entregan sueltas, sin la trayectoria que las originó, así que el agente no puede chequear si una lección es correcta, si aplica, o si la está leyendo mal. La propuesta es guardar cada lección como un insight corto enlazado a un resumen de por qué esa trayectoria salió bien o mal, y a la trayectoria cruda. En una tarea nueva el agente arranca desde todos los insights, y cuando a uno le faltan detalles, choca con otro, o viene de una tarea fallida, sigue los enlaces con herramientas de terminal para completarlo o corregirlo antes de actuar. Reportan que supera a los enfoques de memoria existentes y a un baseline que recibe los mismos insights sueltos, sobre cinco benchmarks agénticos, y que reduce la degradación. Se conecta con la propuesta de formato común para memoria de agentes del 7-8/11: el eje del debate esta semana no es cuánta memoria guardar sino qué procedencia guardar con ella. Hay código en GitHub. arXiv · Hugging Face Papers

MACaQ: cuantización MXFP4 de pesos y activaciones capa por capa, con 2,3% de overhead en vLLM y un modelo de 122.000 millones cuantizado en 64 minutos (07-12/11). El paper es del 7/11 y entró hoy a trending de Hugging Face. Lo que lo vuelve práctico es que trata cada capa lineal de forma independiente: aplica una escala por canal y una transformada block-Hadamard a las activaciones en inferencia, y mete las transformadas inversas correspondientes dentro de los pesos. Sin dependencias entre capas, la cuantización puede correr en streaming con una sola capa en memoria a la vez, y de ahí sale el número que importa para quien no tiene un cluster: 122.000 millones de parámetros en 64 minutos con 32,5 GB de RAM de GPU. Suma Flip-Refinement, un paso de descenso por coordenadas consciente del Hessiano que ajusta códigos FP4 individuales para mejorar sobre round-to-nearest. Reportan perplejidad mejor que DuQuant++ y MR-GPTQ, igualando la mejor de esas dos en Llama-3-8B con 11 veces menos tiempo de cuantización, y 2,3% de overhead end-to-end sobre MXFP4 puro en Qwen3-32B corriendo en vLLM. Funciona además sobre un modelo de difusión de imágenes sin cambios específicos de arquitectura, que es lo que justifica el “model agnostic” del título. arXiv · Hugging Face Papers