El fin de los datos estáticos y el salto a la IA cinética
Durante años, la inteligencia artificial se ha alimentado de nuestra huella digital: todo lo que hemos escrito, fotografiado y publicado en la web. Pero hoy nos enfrentamos a una frontera invisible: la IA ya leyó casi todo Internet. Para seguir evolucionando, los modelos están pasando de los datos estáticos (lo que dijimos) a los datos cinéticos (cómo actuamos).Estamos dejando atrás la era de los experimentos aislados para entrar en una fase de sistemas integrados donde el video, el código y las tareas físicas se entrelazan. Lo que estamos presenciando es el land-grab más agresivo por los datos del mundo real, una transición donde la IA necesita «ver» nuestro entorno físico para aprender lo que no está en los libros ni en los servidores.
Tu departamento es el nuevo set de entrenamiento para robots
Una de las señales más claras de este cambio es Shift , una aplicación de la startup alemana MicroAGI. Su táctica de entrada ha sido audaz: ofrecen limpiezas profesionales gratuitas en departamentos de Nueva York. Sin embargo, el costo no se paga con dinero, sino con la captura de datos visuales de primera mano.Los trabajadores de Shift acuden a las viviendas equipados con cámaras montadas en la cabeza —los llamados «sombreros mágicos» por su cofundador Bercan Kilic— para grabar cada movimiento de la limpieza. Pero Nueva York es solo el anzuelo de marketing. A nivel global, Shift ya cuenta con más de 10,000 operadores en más de 10 países que graban desde reparaciones técnicas hasta logística en almacenes, cobrando $20 dólares por hora .Este modelo representa un cambio de paradigma radical: el trabajo manual cotidiano se ha convertido en el nuevo «oro» para las empresas de robótica.»Estamos ante un escenario donde los humanos actúan simultáneamente como clientes, mano de obra y material de entrenamiento para la automatización».Solo en el primer trimestre de 2026, Shift ha pagado más de 5 millones de dólares en bonos y salarios, demostrando que la sed de datos físicos para entrenar agentes autónomos es masiva y global.
Reescribiendo el futuro con el ingeniero como arquitecto de agentes
Mientras unos entrenan robots en el mundo físico, otros están transformando la ingeniería de software a una escala antes impensable. Anthropic ha presentado los «dynamic workflows» en Claude Code , una herramienta que permite orquestar cientos de sub-agentes en paralelo para resolver tareas complejas de extremo a extremo.El hito que define esta era fue protagonizado por Jarred Sumner, quien logró migrar el entorno de ejecución Bun de un lenguaje a otro ( de Zig a Rust ). Hablamos de portar aproximadamente 750,000 líneas de código con un 99.8% de éxito en el paso de las pruebas (test suite) existentes, todo en un plazo de solo 11 días .La gran lección aquí es que la orquestación de sub-agentes en paralelo es infinitamente más poderosa que un solo modelo trabajando de forma lineal. Como señala Ken Takao, líder de sistemas, estos flujos permiten confiar en ejecuciones largas porque los agentes se revisan y refutan entre sí antes de entregar un resultado. El ingeniero ya no es un escritor de líneas de código; se ha convertido en un arquitecto de agentes.
Granjas de video y por qué no debes automatizar en el día 1
La creación de contenido también está mutando hacia un modelo de «fábrica» gestionada desde la terminal. La combinación de la CLI de Higgsfield con Claude Code permite a los creadores construir estaciones de trabajo de video completas en lugar de generar clips aislados.Este enfoque se basa en «reusable skills» (habilidades reutilizables), donde el sistema aprende qué prompts y estéticas funcionan tras cada iteración. Sin embargo, la clave para que esto no sea una automatización vacía es el criterio humano.
- La regla de los 5 días: El consejo para los operadores es ejecutar el sistema manualmente durante 5 días o 5 campañas completas antes de intentar automatizarlo.
- Carpetas de campaña: Organización estructural de inputs, borradores y feedback.
- Refinamiento de «Gusto»: Solo tras el uso manual, la IA puede absorber el criterio estético del usuario para luego replicarlo a escala.
IA con gusto como siguiente nivel de la investigación científica
Esta búsqueda por replicar la intuición humana llega a su punto máximo con Inherent Labs . Esta startup (formada por ex-empleados de DeepMind) ha recaudado 50 millones de dólares para desarrollar Faraday , una plataforma de «auto-perfeccionamiento» científico.Su objetivo es revolucionario: ayudar a los científicos a identificar qué problemas valen la pena investigar , no solo a responder preguntas. A través de procesos de mejora recursiva, Faraday busca codificar el «gusto» o la «intuición» científica en agentes que evalúan el impacto potencial de un descubrimiento. La IA deja de ser una calculadora para convertirse en un socio estratégico que ayuda a decidir dónde asignar recursos y talento humano.
El futuro es un espejo de nuestra excelencia
Desde la limpieza de un piso en Manhattan hasta la migración de casi un millón de líneas de código a Rust, todos estos avances comparten un hilo conductor: la IA está aprendiendo de la acción humana en tiempo real.No estamos simplemente entrenando «reemplazos»; estamos construyendo espejos de nuestro propio juicio profesional. La ejecución y el entrenamiento se han vuelto la misma cosa. Esto nos deja con una pregunta inevitable: si cada decisión y corrección que haces hoy está alimentando el «gusto» y la «intuición» de un agente autónomo, ¿cuánto tiempo falta para que tu propio criterio sea el conjunto de datos definitivo para la automatización de tu industria?
