inteligencia artificial · las 10 historias del día · 6 de noviembre
storyflo · A.I.
Nov 6, 2026 · 12 min listen · Last updated November 6, 2026
De storyflo. Este es tu resumen diario de audio para el 6 de noviembre. Estas son las 10 historias principales de inteligencia artificial de hoy. Vamos a ello. Primero, de The Decoder. Anthropic añade acceso a cuentas bancarias en Claude para que los usuarios puedan seguir sus gastos.
Listen · storyflo · A.I.
inteligencia artificial · las 10 historias del día · 6 de noviembre
0:00-11:38
Pick your daily storyteller
Subscribe to match with Theo, Jessica, Chloe, Mason, Brock — your voice, every brief.
Audio pre-rendered by Storyflo · cached + delivered from the edge
Anthropic añade acceso a cuentas bancarias en Claude para que los usuarios puedan seguir sus gastos
Anthropic ha lanzado una nueva función en Claude llamada Finanzas Personales, que es bastante interesante. Ahora los usuarios pueden vincular directamente sus cuentas bancarias y de tarjetas a la IA. Esto significa que puedes hacerle preguntas a Claude sobre tus hábitos de gasto, rastrear tus gastos y obtener una imagen más clara de tu salud financiera. Es como tener un asistente de finanzas personales directamente en tu bolsillo.
La integración tiene como objetivo hacer que la gestión del dinero sea un poco más fácil e intuitiva. En lugar de revisar estados de cuenta o aplicaciones, puedes simplemente conversar con Claude sobre tus finanzas. Se trata de hacer que esas conversaciones financieras sean más accesibles y menos intimidantes. Creo que es una jugada inteligente, especialmente ahora que la gente busca formas de simplificar sus vidas financieras.
La OPI de Anthropic de 1.5 billones de dólares encuentra resistencia por la reticencia de los inversores a su valoración
La OPI de Anthropic se enfrenta a serios obstáculos, con inversores que expresan escepticismo sobre su elevada valoración de 1.5 billones de dólares. Esta preocupación surge en medio de una venta masiva en el mercado tecnológico en general, lo que ha vuelto a muchos inversores más cautelosos. La valoración parece levantar cejas, ya que sugiere una expectativa de crecimiento masivo que algunos están cuestionando.
La compañía, conocida por su trabajo en IA, está tratando de posicionarse como líder en el campo, pero esta elevada etiqueta de precio podría estar causando que los posibles patrocinadores duden. Quieren ver pruebas más sólidas de rentabilidad y crecimiento futuro antes de comprometerse con una inversión tan significativa.
A medida que el mercado reacciona, es interesante ver cómo se desarrollará esto. ¿Anthropic ajustará su valoración para atraer más interés, o se mantendrá firme, apostando por su potencial a largo plazo? Las próximas semanas podrían ser cruciales para ellos mientras navegan por estos sentimientos de los inversores.
METR descubre que Anthropic pudo haber cruzado su propio umbral de advertencia de aceleración de IA en julio
Así que, METR acaba de concluir una auditoría de once semanas de la investigación interna de Anthropic, y resulta que la velocidad de desarrollo de sus modelos se ha duplicado aproximadamente. Una parte significativa de esa aceleración —alrededor del 80 por ciento— se atribuye a la IA que ayuda en el propio proceso de investigación. Es bastante fascinante cómo la IA no es solo un producto, sino también una herramienta en el proceso de desarrollo. Sin embargo, hay un inconveniente: Anthropic editó gran parte de la evidencia clave, lo que nos hace depender en gran medida de la evaluación de METR, y eso ha levantado algunas sospechas. Incluso dentro de Anthropic, hay voces que cuestionan este ritmo rápido, lo que añade otra capa de complejidad a toda la situación. Es una mezcla de cosas, en realidad.
Construye tu primer agente de IA multiherramienta con Ollama y Python
Entonces, en este artículo, el enfoque está en crear un agente de IA multiherramienta utilizando Ollama y Python. Está diseñado para ser amigable para principiantes, lo cual es genial si recién te estás adentrando en la IA. El agente opera seleccionando entre tres herramientas de base de datos diferentes, lo cual es bastante ingenioso porque permite una interacción más dinámica. Cada elección influye en lo que hace el agente a continuación, casi como un camino ramificado en un juego.
Lo que es realmente interesante es la función de interrupción de ocho turnos. Si el agente se atasca en un bucle o no encuentra una salida, se detiene automáticamente después de ocho turnos. Esta es una salvaguarda inteligente para evitar que gire sin fin, asegurando que siga siendo eficiente y fácil de usar.
En general, es una sólida introducción a la construcción de algo práctico con IA, al mismo tiempo que te da un vistazo de cómo estos sistemas pueden manejar la complejidad sin perderse. Si tienes curiosidad sobre los agentes de IA, ¡este podría ser un proyecto divertido para probar!
Vi a un robot humanoide limpiar mi apartamento. Se sintió como una probadita del futuro.
Así que, esta persona decidió probar un servicio de limpieza con robot humanoide en San Francisco, y fue toda una experiencia. Los robots todavía están en las primeras etapas, operados remotamente por humanos que los guían a través de tareas como aspirar y trapear. Recolectan datos mientras limpian, lo que ayuda a mejorar su rendimiento futuro. Los robots son lindos, miden aproximadamente un metro treinta y cinco centímetros, con cabezas impresas en 3D y manos con forma de garra que funcionan sorprendentemente bien para limpiar.
Durante la limpieza, el robot tuvo algunos problemas con las escaleras y algunos contratiempos debido al sobrecalentamiento, lo que interrumpió la sesión. Pero cuando lo intentaron de nuevo, el robot logró limpiar la cocina e incluso el inodoro, aunque con algunos momentos torpes. Todavía es un trabajo en progreso, dejando algunas tareas sin hacer y causando un poco de desorden, pero tiene un encanto que te hace desear su éxito.
El cofundador de Tau Robotics mencionó que, aunque la limpieza podría no ser un trabajo que muchos quieran hacer, los robots podrían eventualmente asumir tareas más desafiantes, como la remediación de moho o la atención médica domiciliaria. Es un vistazo fascinante a un futuro donde los robots podrían ayudar con las tareas cotidianas, incluso si todavía necesitan mucho apoyo humano en este momento. El sueño de Los Supersónicos se siente un poco más cerca, ¿no?
Las 7 mejores librerías de Python para análisis y modelado de series de tiempo
Si te estás adentrando en el análisis de series de tiempo con Python, hay toda una caja de herramientas de librerías que realmente pueden facilitarte la vida. La primera es statsmodels, que es excelente para la previsión clásica. Es como la columna vertebral del análisis estadístico en Python, ofreciendo modelos robustos como ARIMA y herramientas para diagnósticos que te ayudan a entender mejor tus datos.
Luego está pmdarima, que automatiza el tedioso proceso de seleccionar los parámetros ARIMA correctos. Es un verdadero ahorro de tiempo, especialmente si trabajas con múltiples conjuntos de datos. Para un enfoque más unificado, echa un vistazo a sktime. Reúne varias tareas de series de tiempo bajo una sola interfaz, lo que facilita el cambio entre diferentes modelos y métodos sin mucho alboroto.
Darts va un paso más allá al ofrecer una mezcla de modelos clásicos y de aprendizaje profundo, centrándose en la previsión probabilística. Está diseñado para la escalabilidad, así que si trabajas con grandes conjuntos de datos, esta podría ser tu opción. Si te interesa la detección de patrones en lugar de solo la previsión, stumpy es fascinante. Calcula un perfil de matriz para ayudar a identificar patrones recurrentes en tus datos.
Para la detección de anomalías, PyOD es completa, proporcionando una amplia gama de algoritmos bajo un mismo techo. Es particularmente útil para la detección de valores atípicos en diferentes tipos de datos. Finalmente, si quieres explorar el aprendizaje profundo, NeuralForecast ofrece una variedad de arquitecturas para mejorar tus capacidades de previsión. Cada una de estas librerías tiene sus puntos fuertes únicos, así que, dependiendo de tus necesidades específicas, puedes mezclar y combinar para crear un flujo de trabajo potente.
Hay dos tipos de memoria: a corto plazo, que es solo para la conversación actual, y a largo plazo, que perdura a través de las sesiones. Lo interesante es cómo el agente recupera los recuerdos: no descarga todo de conversaciones pasadas, sino que extrae solo lo relevante. Se comienza instalando el SDK y configurando las claves de API, y luego se crean herramientas para buscar y guardar recuerdos.
Una vez configurado, puedes construir tu agente para que recuerde cosas como tus preferencias de codificación o tus herramientas de gestión de proyectos. Se trata de hacer que las interacciones se sientan más personales y consistentes. Así, en lugar de empezar de cero cada vez, el agente puede recordar lo que han hablado antes, haciendo que toda la experiencia sea más fluida. ¡Es como tener un pequeño asistente que realmente te conoce!
Inkling 2 Small de Thinking Machines reclama el puesto número uno entre los modelos de peso abierto occidentales
Thinking Machines, fundada por Mira Murati, acaba de lanzar Inkling 2 Small, un modelo de mezcla de expertos que cuenta con 594 mil millones de parámetros. Este nuevo modelo está causando sensación, ya que la compañía afirma que ostenta el título del modelo de peso abierto más potente de Occidente. Lo interesante es cómo el rendimiento mejorado de este modelo viene con un notable aumento en el uso de tokens, lo que sugiere que, si bien es más capaz, también exige más recursos. Es un equilibrio fascinante entre potencia y eficiencia, y será intrigante ver cómo se desarrolla esto en aplicaciones del mundo real y si los desarrolladores están listos para adaptarse a los costos más altos.
Frontier Radar #5: Si la AGI está tan cerca, ¿por qué todos se van? Los neolabs y sus apuestas
Es interesante ver cómo se desarrolla esta dinámica en el espacio de la IA. Mientras grandes nombres como OpenAI y Nvidia pregonan avances hacia la AGI, hay un éxodo significativo de talento de estas empresas. Muchos de los creadores originales se están yendo para lanzar sus propios laboratorios, recaudando fondos sustanciales sin un producto claro. Esto sugiere un creciente escepticismo sobre los modelos de IA actuales y sus limitaciones.
Estos nuevos laboratorios, a menudo denominados neolabs, se están centrando en desafíos de investigación específicos que creen que los marcos existentes no pueden abordar. Esencialmente, están apostando a que el futuro de la IA necesita un enfoque diferente, uno que vaya más allá de lo que tenemos hoy.
Lo que también es notable es cómo se organizan estos neolabs; se han clasificado por sus enfoques de investigación, destacando las áreas donde ven potencial de crecimiento e innovación. Es un momento fascinante, ya que refleja un cambio en la forma de pensar sobre lo que la IA puede y debe ser. Mientras tanto, Nvidia parece mantener su ventaja, probablemente debido a su robusta infraestructura y recursos, lo que le da una ventaja competitiva en este panorama en rápida evolución.
Perplexity ahora tiene su propio agente de IA siempre activo
Perplexity ha introducido una nueva función llamada "Compañeros de equipo" (Teammates), que son agentes de IA siempre activos diseñados para ayudar a los usuarios con proyectos en curso. Estos agentes operan en sus propias máquinas virtuales, lo que les permite trabajar de forma independiente mientras te concentras en otras tareas. Sin embargo, para acceder a esta función, deberás suscribirte al plan Max, que cuesta 200 dólares al mes. Este precio es notablemente más alto que ofertas similares de competidores como OpenAI o Anthropic, lo que podría dificultar su venta para algunos usuarios.
El panorama de los agentes de IA siempre activos se está volviendo cada vez más competitivo, con varias empresas compitiendo por la atención en este espacio. A medida que más actores entran en el mercado, será interesante ver cómo se compara la oferta de Perplexity con otras, especialmente dada la diferencia de precio. Parece un momento fascinante para el desarrollo de la IA, ya que estas herramientas se integran cada vez más en nuestros flujos de trabajo diarios.