En el radar: quién puede auditar las cifras de los agentes de OpenAI
Esta semana había tres argumentos en juego y ninguno superó la segunda revisión. Acá va cada uno: por qué se quedó corto y qué haría falta para publicarlo.
La palabra del proveedor dejó de alcanzar para comprar agentes
El candidato más fuerte. El 10 de septiembre OpenAI abrió su Agents API, un servicio alojado que ejecuta la maquinaria de sus agentes de programación para cualquier desarrollador, según el anuncio de la empresa. El 9 de septiembre el gobernador de California firmó dos leyes que crean, para 2029, un registro estatal de auditores de IA, según su oficina. ARC Prize, la organización sin fines de lucro detrás de las pruebas de razonamiento ARC-AGI, publicó dos puntajes de GPT-6 Astra al 4 de septiembre: 99,9% dentro del adaptador propio de OpenAI y 62,7% dentro del neutral. El 12 de septiembre el director ejecutivo de Anthropic, Dario Amodei, propuso que los evaluadores externos incorporados reciban insignias y el derecho a publicar. El borrador sostenía que el control externo llegó la misma semana en que los agentes salieron a la venta.
Por qué no superó la revisión: todos los documentos que socavaban la palabra del proveedor eran de OpenAI, y el borrador contaba la propia system card de OpenAI (el informe de seguridad que se publicó junto con Astra) como una parte externa. El segundo revisor la rechazó porque la tesis no se había ganado su lugar y por tres datos sin fecha. Umbral: un documento de seguridad de un segundo laboratorio, o un benchmark neutral sobre Claude Fable 5.1 o Gemini 3.8 Flash que muestre la misma brecha, con todas las fechas consignadas.
El riesgo del cómputo se trasladó a clientes, estados y empresas de servicios públicos
Oracle dijo el 10 de septiembre que la mayoría de sus nuevos contratos de IA de este trimestre vinieron con pago anticipado o con hardware provisto por el cliente, según CNBC. El 9 de septiembre Google firmó en Finlandia un acuerdo de energía nuclear a 22 años, según Fortum, la eléctrica finlandesa que lo firmó. El Pentágono está en conversaciones para prestarle US$5.000 millones a Fluidstack, una startup de la nube, para componentes de red eléctrica, según el Wall Street Journal del 10 de septiembre. Por qué no superó la revisión: la composición de contratos de Oracle sale de una conferencia de resultados y no figura en ninguna presentación regulatoria, y las versiones periodísticas se contradicen sobre cuánto de esa cartera de pedidos debe financiar la propia Oracle; ni el Pentágono ni Fluidstack confirmaron el préstamo; y el argumento extiende nuestra nota de agosto (sobre a quién le está comprando demanda, en realidad, esos US$250.000 millones) más de lo que la hace avanzar. Umbral: la presentación trimestral de Oracle que muestre la porción con pago anticipado, y un préstamo confirmado.
Los agentes se venden antes de cualquier prueba neutral de capacidades
El 8 de septiembre Meta lanzó Muse, un agente personal que reserva, compra y manda correos, y dos proveedores de software contable declararon la disponibilidad general de sus agentes el 9 de septiembre. Harvey, la empresa de IA legal, levantó US$550 millones el mismo día, según su propio anuncio. Por qué no superó la revisión: ningún benchmark independiente corrido esta semana cubre los tres modelos de frontera actuales; la demostración del último teorema de Fermat que Anthropic anunció el 4 de septiembre corrió sobre un modelo anterior al conjunto actual; y la cifra del 74% de reversión de agentes que circula este mes es un trabajo de campo de enero financiado por el proveedor, según Sinch, el proveedor de mensajería que lo pagó. Umbral: un benchmark agéntico neutral sobre el conjunto de frontera, o que METR, la organización de evaluación independiente sin fines de lucro, publique sus cifras de horizonte temporal para Astra y Fable 5.1.
Una semana tranquila contada con honestidad le gana a un argumento fabricado. Al primer candidato le falta un solo documento para publicarse.