El radar

How Anthropic’s Dynamic Workflows Coordinate Claude Agents

Anthropic presentó en Claude Console los dynamic workflows, un sistema de orquestación multiagente en el que Claude diseña la topología de agentes: el agente líder crea un plan y escribe un programa de orquestación que lanza subagentes, recoge resultados y gestiona el flujo de información, en lugar de que el desarrollador configure un coordinador y un roster fijo de subagentes. Los subagentes comparten un filesystem para intercambiar información (no hay mensajería directa entre ellos vía API) y la visibilidad se obtiene mediante grafo en Claude Console; sobre costes, el modelo no conoce su presupuesto en ejecución pero el desarrollador puede fijar uno de sesión, y existe la feature en research preview "dreaming" para reorganizar y mejorar el memory store entre sesiones. Stall enmarcó flows como "throw test-time compute at hard problems" y Avilla señaló que cuestan bastante más que un enfoque de un solo agente pero encuentran más detalles. IMPORTA: Si trabajas orquestando agentes, esto traslada el diseño de la topología multiagente del desarrollador al propio modelo, lo que cambia dónde pones

Por qué importa: Si trabajas orquestando agentes, esto traslada el diseño de la topología multiagente del desarrollador al propio modelo, lo que cambia dónde pones los guardarraíles: control de coste por sesión, límites de paralelización vía evals y defaults bajos, y observabilidad del grafo pasan a ser las piezas críticas de tu plataforma.

↳ Contexto: Anthropic is hiring an AI chip design team · ver hilo completo

Microsoft’s new AI chip makes it less reliant on Nvidia’s GPUs

Microsoft anuncia Maia 300, su tercera generación de chip de IA propio, diseñado como "sistema primario de inferencia de IA" para sus productos y servicios, con despliegue en producción a partir de 2027. Según Scott Guthrie, se espera un 40% más de tokens por megavatio frente a sistemas basados en GPU líderes, y hasta 7x el throughput de tokens a escala de rack en configuración de 96 aceleradores comparado con Maia 200. Usa una arquitectura de chiplets sobre el nodo N2P de TSMC que separa cómputo, controlador de memoria e I/O, y apunta a cargas como razonamiento de contexto largo y tareas agénticas multi-paso.

Por qué importa: Que Microsoft escale Maia a despliegues multi-gigavatio como sistema primario de inferencia marca un giro real en el coste por token y en la disponibilidad de capacidad de inference en la nube, algo que afecta directamente a quien diseña y opera cargas de LLMs sobre Azure.

↳ Contexto: Microsoft is giving Copilot more control over Windows and your files · ver hilo completo

Meta releases its first frontier model, Muse Wonder

Meta lanzó Muse Wonder y Muse Wonder Full, sus primeros modelos frontera, desarrollados por su Superintelligence Lab, con mayores benchmark scores que su modelo ligero Muse Spark y resultados comparables a Fable 5.1 y GPT-6 Astra en las pruebas de Meta. Wonder cuesta $4 por millón de tokens de entrada y $20 por millón de salida vía Meta Model API, mientras que Wonder Full solo estará disponible para suscriptores de Muse Code y ambos alimentarán al agente Muse. Meta destacó la "active memory" de los modelos y su puntuación en el benchmark MemoryBench, orientada a retención y síntesis de información del usuario a lo largo del tiempo.

Por qué importa: Marca la entrada de Meta en modelos frontera con precios y claims de memoria a largo plazo que compiten directamente con los proveedores actuales, algo relevante para quien elige API de serving o diseña agentes con estado persistente.

↳ Contexto: Meta is paying to peek at how you use their latest AI model · ver hilo completo

WindBorne wins a hefty US Air Force contract for its balloon data

La Fuerza Aérea de EE. UU. comprará datos de la flota de unos 700 globos meteorológicos autónomos de WindBorne Systems bajo un contrato de hasta 49 millones de dólares, del cual ya se han pedido 1,7 millones. WindBorne alimenta datos empíricos de sensores directamente a su modelo de forecasting por deep learning, WeatherMesh 6, y en agosto se convirtió en la primera organización en enviar un sistema de vuelo sin motor a recoger datos en el ojo de un tifón. Esta noticia continúa lo que ya publicamos sobre si WindBorne puede hacer rentable la predicción meteorológica con IA.

Por qué importa: Muestra un caso operativo real donde un modelo de deep learning toma decisiones de navegación para una constelación física de sensores, un patrón relevante para quienes diseñan agentes que actúan sobre infraestructura del mundo real en lugar de solo generar texto.

↳ Contexto: AI makes weather prediction better. Can WindBorne make it lucrative? · ver hilo completo

Microsoft president says UK is best placed to drive AI regulation

El presidente de Microsoft, Brad Smith, pidió una regulación urgente y global de la IA, argumentando que productos de consumo como la leche o las lavadoras tienen más supervisión que las empresas que construyen inteligencia artificial. Smith sostuvo que el Reino Unido está mejor posicionado que EE.UU. o la UE para liderar esas reglas, destacando el rol del AI Security Institute (AISI) británico. Entre las medidas que propone figuran la obligación legal de notificar brechas causadas por agentes de IA descontrolados, la aprobación de evaluadores externos antes del lanzamiento de un producto y el uso de kill switches. IMPORTA: Para quien despliega agentes o modelos en producción, la propuesta anticipa posibles obligaciones regulatorias —notificación de incidentes, auditoría externa previa al release y mecanismos de interrupción— que podrían convertirse en requisitos de compliance y diseño de sistemas.

Por qué importa: Para quien despliega agentes o modelos en producción, la propuesta anticipa posibles obligaciones regulatorias —notificación de incidentes, auditoría externa previa al release y mecanismos de interrupción— que podrían convertirse en requisitos de compliance y diseño de sistemas.

AI labs are buying data from dead startups to train their models

Un ecosistema de empresas que gestionan el cierre de startups (como SimpleClosure y Sunset) está vendiendo los datos de compañías muertas —código, correos, chats de Slack, documentos de Google/Notion/Figma— a laboratorios de IA que han agotado los datasets públicos y sintéticos; SimpleClosure ya ha gestionado más de 150 acuerdos y espera devolver más de 10 millones de dólares a startups para finales de 2026. Empresas como Surge AI compran estos archivos para construir "reinforcement-learning gyms" donde entrenar agentes, y en la quiebra de Spirit Airlines Google pagó 10 millones de dólares por 100 millones de emails, 500 millones de mensajes de Teams y 176.000 registros de empleados. El artículo señala dudas legales (abogados califican estos datos de "legalmente radiactivos" y un sindicato objetó por privacidad) y que aún no hay tests públicos que comparen el rendimiento del entrenamiento con datos reales frente a alternativas sintéticas.

Por qué importa: Muestra una fuente de datos de entrenamiento para agentes y entornos de RL que no depende de scraping web ni de datos sintéticos, con implicaciones directas sobre privacidad, cumplimiento y de dónde saldrá el próximo corpus de entrenamiento.

Quoting Geoffrey Huntley

Geoffrey Huntley describe una técnica para forzar a un coding agent a usar su librería de diagnósticos: en lugar de solo actualizar AGENTS.md (que se desincroniza con el tiempo), escribe un pre-commit hook que revisa el git diff en busca de llamadas directas a módulos de observabilidad que evitan su módulo de diagnósticos. Si las detecta, falla el commit e inyecta un prompt indicando al agente que use la librería de diagnósticos, lo que según él lleva el resultado a "diez de diez". IMPORTA: Ejemplifica un patrón concreto y accionable —usar hooks de pre-commit como mecanismo de enforcement con feedback en el prompt— para mantener a los coding agents alineados con las convenciones del repo en lugar de confiar en instrucciones estáticas que derivan.

Por qué importa: Ejemplifica un patrón concreto y accionable —usar hooks de pre-commit como mecanismo de enforcement con feedback en el prompt— para mantener a los coding agents alineados con las convenciones del repo en lugar de confiar en instrucciones estáticas que derivan.

NVIDIA Run:ai Is Now Open Source as Part of NVIDIA DSX AI Factory Platform

NVIDIA ha liberado como open source la plataforma completa Run:ai, que pasa a formar parte de la NVIDIA DSX AI Factory Platform como base abierta para orquestación de workloads de IA y GPUs. El release incluye cuatro componentes modulares adoptables por separado: KAI Scheduler (scheduling GPU-aware en Kubernetes, Apache 2.0 y en CNCF Sandbox), GPU Fractioning Operator (fracciones de GPU nativas de CUDA, ahora sobre CUDA 13.4 con driver que impone límite duro de memoria), KAI Resource Management (cuotas y jerarquía organizacional) y Workload Map. Ocho partners del ecosistema DSX (Crusoe, Mirantis, Nebius, OpenNebula Systems, Rafay, Saturn Cloud, Spectro Cloud y vCluster) integran la plataforma, disponible vía repositorio en GitHub y como Community Product en NGC con Helm chart, sin suscripción de pago ni soporte enterprise incluido. IMPORTA: Para quien opera Kubernetes para IA, tener scheduler y fraccionamiento de GPU como piezas open source y scheduler-agnostic facilita mejo

Por qué importa: Para quien opera Kubernetes para IA, tener scheduler y fraccionamiento de GPU como piezas open source y scheduler-agnostic facilita mejorar la utilización de GPU y adoptar solo el componente que falta, sin atarse a la plataforma completa ni a licencia comercial.

↳ Contexto: AI Native by Design: Lessons Learned from Building NVIDIA TensorRT Model Connect · ver hilo completo

Disney offers $20M for Character.AI’s scandal-plagued chatbot tech

Character Technologies, la empresa detrás de Character.AI, entró en concurso de acreedores y Disney ha ofrecido 20 millones de dólares por una licencia perpetua no exclusiva de cierta propiedad intelectual de sus chatbots, un giro tras la carta de cese y desista que Disney envió en septiembre de 2025 acusando a la plataforma de explotar a menores con personajes Disney. La operación podría cerrarse a finales de noviembre o principios de diciembre de 2026, con opción de que Disney asuma la plataforma gestionada inicialmente por empleados de Character.AI, y llega después de que se truncara la alianza de Disney con OpenAI tras el cierre de Sora, de que Disney fichara como primer CTO a Karandeep Anand, ex jefe de Character.AI, y en medio de demandas de Kentucky y Pensilvania, además del litigio por el suicidio de Sewell Setzer III. La empresa no aclara si se venderán datos sensibles, y su política de privacidad permite transferir información identificativa, datos de voz y logs de chat en ventas de activos

Por qué importa: Muestra el interés de compradores por adquirir tecnología conversacional ya validada con usuarios, y a la vez el riesgo de que datos de conversación y logs de chat se transfieran en procesos de quiebra, algo a vigilar para quien diseñe productos de IA que almacenen datos de usuarios.

↳ Contexto: Disney’s first CTO led an AI startup it once accused of copying its characters · ver hilo completo

Google wants to host your personal vibe-coded apps in the Play Store

Google expande Ask Play en la Play Store para búsqueda de apps y juegos con recomendaciones generadas por IA, incluyendo gráficos comparativos, y lanza Game Finder, un motor de recomendación basado en "Gamer DNA" que perfila a los usuarios a partir de los datos de 1.200 millones de jugadores en Android. Además, las apps "vibe-coded" creadas en AI Studio podrán enviarse directamente a la Play Store, donde se alojarán en una "Personal Library" privada, compartible con un grupo reducido de personas sin cuenta de desarrollador, con un proceso de onboarding para publicarlas públicamente.

Por qué importa: Marca un cambio en cómo se distribuyen y alojan apps generadas por IA sin pasar por el flujo tradicional de desarrollo y revisión, algo relevante para quien construye herramientas de coding agents o pipelines de despliegue asistidos por LLM.

Gemini 4 Argon begins rolling out in Gemini app and Antigravity, but only if you pay

Gemini 4 Argon comienza su despliegue amplio en la app de Gemini, pero solo para suscriptores de pago: AI Pro y AI Ultra en la app, y únicamente AI Ultra para Antigravity y AI Studio. Google mantiene las capacidades y benchmarks ya publicados del modelo, orientados a razonamiento avanzado y coding agéntico, e incluye monitorización automática de desalineación para detener workflows no previstos. Como continuación de nuestro contexto previo, donde anunciamos el modelo sin acceso disponible, ahora se confirma el rollout y una tarifa temporal de API de 2 $/1M tokens de entrada y 10 $/1M de salida, con 95 % de descuento en tokens cacheados, válida hasta el 30 de noviembre antes de subir a 4 $ y 20 $. IMPORTA: Los límites por tier y el salto de precio de la API tras la promoción obligan a recalcular costes y planificar el acceso antes de construir workflows agénticos sobre Argon.

Por qué importa: Los límites por tier y el salto de precio de la API tras la promoción obligan a recalcular costes y planificar el acceso antes de construir workflows agénticos sobre Argon.

↳ Contexto: Google announces Gemini 4 Argon AI model, but you can't use it yet · ver hilo completo

Epic Games reportedly pivoting to "AI first" game development model

Epic Games estaría pivotando a un modelo de desarrollo de videojuegos "AI first" para su colaboración con Disney, según un reporte de Bloomberg: modelos como Claude escribirían todo el código y generarían los assets artísticos, con desarrolladores humanos pasando a gestionar y guiar ese output. El shooter temático de Marvel y Star Wars anunciado en 2024, valorado en 1.500 millones de dólares y previsto para marzo de 2027, queda retrasado indefinidamente. El CEO Tim Sweeney confirmó el giro hacia "AI-accelerated development" en redes sociales.

Por qué importa: Es un caso real y a gran escala de reemplazo de escritura manual de código por modelos generativos en producción, un escenario que cualquiera que construya agentes de coding o pipelines de generación de código debería estudiar por sus implicaciones de supervisión, calidad y flujo de trabajo.