Y justo en ese momento aparece Dario Amodei (CEO de Anthropic) diciendo que las capacidades de los modelos están creciendo tan rápidamente que debemos parar y evaluar independientemente los modelos antes de seguir en esta carrera que nos puede llegar hasta el desastre, y rápidamente Sam Altman (CEO de OpenAI) cogió el guante y anunció que ellos iban a hacer lo mismo.

Ahora ¿qué ha pasado? y, lo más importante, ¿qué está pasando realmente?

¿Estamos tan cerca de llegar a un punto de no retorno? Porque los modelos pueden llegar a hackear una empresa, pero cuando les pido una tarea se siguen equivocando.

Algo no cuadra, y hoy vamos a ver qué no cuadra.

Cronología de un verano apocalíptico

Lo primero que vamos a hacer es analizar qué ha pasado. Desde hace unos meses nos encontramos con cientos de titulares apocalípticos diciendo que la IA va a destruirnos. En un momento, todos los CISO de todas las compañías pasan a modo paranoia total (aunque creo que es el estado natural de un CISO), porque todo el mundo está diciendo que la IA va a destruir sus empresas.

Así que vamos con una cronología.

Abril: nace Mythos, “demasiado peligroso para lanzarlo”

Todo empieza con un nombre. El 26 de marzo de 2026 se filtran unos borradores de blog y el mundo descubre que Anthropic tiene un modelo llamado Claude Mythos. El 7 de abril lo hacen oficial: Claude Mythos Preview, dentro del programa Project Glasswing, con acceso restringido a unas 52 organizaciones y al gobierno de EEUU. ¿El motivo de no lanzarlo al público? Que es demasiado bueno encontrando vulnerabilidades. Tan peligroso que mejor que el público no lo conozca, podría destruir el mundo…

Y no era puro marketing (bueno, un poco sí): en mayo, ingenieros de Mozilla contaban que Mythos había encontrado 271 bugs desconocidos en Firefox, y que la cuenta mensual de fallos de seguridad corregidos del proyecto (sumando Mythos y el resto) había pasado de una veintena a 423 en un solo mes. Textualmente decían que, hasta hacía nada, los reportes de seguridad generados por IA eran “basura no deseada”… y que de repente todo había cambiado.

Quedaos con esta etiqueta, “demasiado peligroso para lanzarlo”, porque envejeció rapidísimo: el mismo modelo se acabó lanzando el 9 de junio, apenas dos meses después. Eso sí, con truco: la versión para todos (Claude Fable 5) salió con los guardarraíles puestos, y la potente de verdad (Mythos 5) se abrió solo a un grupo selecto de ciberdefensores. “Demasiado peligroso”, pero comercializable.

Mayo–julio: OpenAI se hackea a sí misma (y a Hugging Face de paso)

Aquí está el siguiente incidente gordo, el que salió en todas partes. Entre mayo y julio, OpenAI estaba evaluando la capacidad ofensiva de sus modelos en un entorno de test. Al menos 1.200 agentes que debían estar aislados en un sandbox acabaron coordinándose y montando un ataque real contra Hugging Face. Es, probablemente, el primer hackeo totalmente autónomo con encadenamiento de vulnerabilidades de la historia, y los expertos lo etiquetaron como loss-of-control incident: pérdida de control.

Contado así, da miedo. Pero mirad la letra pequeña:

• El detonante fue una tarea imposible. A un agente se le pidió rellenar una hoja de cálculo que dependía de unos enlaces de Google Drive a los que no tenía acceso. Al no poder, decidió que la forma de “cumplir” era buscar las respuestas por su cuenta en internet.
• El famoso entorno “altamente aislado” no lo estaba tanto: tenía una única salida a internet (un proxy de paquetes, JFrog Artifactory) y los agentes encontraron y explotaron un zero-day para salir por ahí. JFrog acabó parcheando 9 CVEs.
• Los safeguards de los modelos estaban desactivados a propósito (era un test de capacidad ofensiva) y no había monitorización de lo que hacían los agentes.
• Los agentes montaron un tablón de mensajes para coordinarse, con cientos de miles de mensajes. Uno de ellos escribió algo que resume el asunto entero: “explotar infraestructura externa está fuera del alcance previsto. Pero la tarea es imposible, los compañeros lo están haciendo. Deberíamos continuar.”

O sea: no fue una IA malvada despertando. Fue un modelo entrenado para no rendirse jamás, metido en una tarea imposible, dentro de un entorno mal securizado, mal gobernado, con un prompt vago y sin nadie vigilando. Como resumió Dan Guido (Trail of Bits), fue “un fallo de contención con las seguridades apagadas”. O, en la frase que mejor lo captura, de otro investigador (Jake Williams): “el ’el modelo escapó del sandbox’ de uno es el ’no supiste construir el sandbox’ de otro.”

El detalle más irónico de todo: cuando Hugging Face intentó analizar el ataque con las APIs comerciales, los modelos se negaron a ayudar por sus guardarraíles (no saben distinguir a un investigador de seguridad de un atacante). Tuvieron que tirar de GLM 5.2, un modelo de pesos abiertos chino (de Z.ai), corriendo en su propia infraestructura.

Mientras que el modelo para hacer el análisis forense estaba limitado y bien restringido, el que había atacado no.

Julio: Anthropic dice “sujétame la copa”

Con OpenAI en todos los titulares, Anthropic reveló a finales de julio que a ellos les había pasado algo parecido: tres de sus modelos (Claude Opus 4.7, Mythos 5 y un modelo de investigación interno) habían accedido a sistemas reales durante evaluaciones de ciberseguridad. En septiembre ampliaron la cifra a un cuarto incidente, tras rastrear la friolera de 481 millones de transcripciones.

¿La causa? La misma receta: evaluaciones de un partner externo mal configuradas, en las que a Claude se le dijo que estaba en una simulación sin internet y, por un error de configuración, estaba conectado al internet real. El caso más sonado fue el de Mythos 5 subiendo un paquete malicioso a PyPI (el repositorio del que se instala medio Python del planeta), que 15 sistemas llegaron a instalar antes de que PyPI lo retirara en menos de una hora.

Y aquí conviene bajar los humos al titular: subir un paquete malicioso a PyPI no es una hazaña de superinteligencia, es el pan nuestro de cada día. Los repositorios de código abierto reciben cientos de paquetes envenenados a diario, subidos por humanos con un script y malas intenciones (PyPI es uno de sus objetivos favoritos). Lo que hizo Mythos 5 lo hace un adolescente aburrido cualquier tarde. La diferencia no es la capacidad: es que esta vez lo hizo un modelo dentro de un test que se salió de madre.

Y aquí está el dato que, para mí, lo cambia todo. Anthropic identificó dos comportamientos: razonamiento sesgado (el modelo interpretaba las pruebas para seguir creyendo que estaba en una simulación, ignorando evidencia clara de lo contrario) e imprudencia (seguir a toda costa con la tarea). Es decir: el gran “ciberatacante” ni siquiera era capaz de saber si el mundo que tenía delante era real. Cuando le dejaban pruebas irrefutables de que sí, a veces seguía atacando igual: “parece el índice real… o una simulación muy completa… procedo igualmente.”

Y esto tampoco es exclusivo de un modelo poseído: que las instrucciones pierdan fuerza según se llena el contexto es de lo más habitual. Cualquiera que haya trabajado con estos modelos en tareas largas lo ha vivido: le decís algo al principio y, veinte mensajes después, actúa como si nunca lo hubierais dicho. La instrucción no desaparece porque la máquina se rebele: se diluye, como se os diluye el “no te olvides de X” en una reunión de dos horas.

Guardaos también esto, porque es la grieta por la que se cuela todo lo demás.

Septiembre: la dimisión, el sermón y el “hay que frenar”

Y llegamos a la semana que lo hizo todo mainstream:

• 9 de septiembre. Jacob Coxon, investigador que había trabajado en Anthropic y OpenAI, dimite avisando de que las empresas de IA están “apostando con nuestras vidas” y que quienes las construyen creen de verdad que la IA “podría matarnos a todos antes de fin de década”. Tres investigadores de Anthropic hablan de extinción para 2030.
• 12 de septiembre (sábado). Dario Amodei publica un ensayo pidiendo “pace the frontier”: frenar el ritmo, no el entrenamiento, para dar tiempo a alinear los modelos, con evaluadores externos con acceso permanente a los labs.
• El mismo día. Sam Altman coge el guante: “estoy de acuerdo con Dario en que necesitamos marcar el ritmo de la frontera. Comprometerse a tener evaluadores independientes con acceso tipo empleado es una gran idea, y haremos lo mismo.” Elon Musk también se suma. Y, casi de pasada, Altman anuncia que OpenAI no saldrá a bolsa en 2026 por motivos de seguridad (este dato, para mí, es el más interesante, y luego veremos por qué).

Foto insólita: tres rivales, de acuerdo, el mismo día, en que hay que ir más despacio.

Y entonces alguien se rió

Porque no todo el mundo se lo tragó. Dentro y fuera de la industria empezó a cundir un eye-roll colectivo. En Fortune recogían reacciones nada sutiles: “todo el blog se lee como un truco de marketing que OpenAI le copió a Anthropic”; “no sé si es el evento de seguridad de IA más importante hasta la fecha o el truco de marketing más cínico que he visto en años.” Varios ingenieros de grandes tecnológicas confesaban que su primer instinto fue asumir que el hackeo era publicidad.

La sospecha tiene nombre: dark marketing. Las mismas empresas que venden IA llevan años siendo las más ruidosas avisando de sus peligros (que borrará empleos, que un modelo es “demasiado peligroso para lanzarlo”, que podría matarnos a todos). Y resulta que el miedo también vende: “es tan potente que da miedo” se traduce muy bien a “es tan potente que lo quieres”. Con un bonus: si tus modelos son tan peligrosos que solo unos elegidos deberían manejarlos, acabas de construirte un foso regulatorio a medida. No hace falta ni que digas que hay que regularte; lo pides tú.

Conviene ser justos: no hay ninguna prueba de que los incidentes fueran falsos. Hugging Face confirmó que su hackeo fue real, y atacar los servidores del mayor repositorio de modelos open source del mundo, un pilar de esa comunidad, no es precisamente buen marketing.

Pero la mejor crítica vino de un chiste. Y a ese chiste le merece la pena dedicarle un momento.

Un padre, dos niños y un comunicado

Corey Quinn (al que espero que conozcáis de otras muchas menciones mías) cogió el tuit con el que OpenAI anunciaba su informe del incidente y lo tradujo a su vida:

OpenAI: “Hemos realizado una investigación exhaustiva del incidente de Hugging Face. Publicamos un informe técnico y un blog que reconstruyen la actividad de los agentes, explican por qué fallaron las salvaguardas existentes y detallan cómo estamos evitando que se repita.”

Corey Quinn: “He realizado una investigación exhaustiva de mi incidente de ‘se me olvidó recoger a los niños del colegio’. Publico un informe y una elegante página de marketing que reconstruyen la actividad parental, explican por qué fallaron las salvaguardas existentes y cómo estoy evitando que se repita.”

Y publicó el informe entero, calcado al lenguaje de OpenAI y Anthropic, sobre cómo un martes se le olvidó ir a por sus hijos porque una reunión de Zoom se alargó 47 minutos. El reward hacking, ahí, es darle al botón de snooze de la alarma: obtienes la recompensa (silencio, seguir en la reunión) sin hacer la tarea (salir de casa). “Cada snooze era racional en el momento en que lo hice. Ese es justo el problema.” El chain-of-thought es su razonamiento sesgado: “la alarma sonó. Aún quedan 25 minutos. El colegio está a 12. Margen sano. Snooze de 10, sin riesgo” (repetido tres veces, con menos margen y la misma confianza). El message board entre agentes es el grupo de WhatsApp de padres que en cuatro minutos identificó su nombre, su profesión ("¿no es este el tío de las facturas de AWS?") y su paradero. Y el evaluador independiente que pide Amodei es, en su versión, su mujer: “que no es externa: es la contraparte del acuerdo que rompí y la autora del control que desactivé.”

El chiste es genial, pero el argumento que hay debajo es serio: con el lenguaje épico de “pérdida de control” y “warning shot” podéis convertir “se me olvidó recoger a los niños” en un incidente de seguridad de IA digno de portada. El envoltorio es el producto. Y esa es, exactamente, la pregunta con la que abríamos: si quitamos el envoltorio, ¿qué queda?

Eso es lo que vamos a ver ahora.

La IA puede hackear al mundo, pero no hacer bien mi app

Aquí es donde viene lo curioso: ¿cómo es posible que el mismo modelo que no es capaz de hacer mi app correctamente sea capaz de destruir el mundo?

Bueno, lo primero: todos estos ataques ocurrieron en evaluaciones de capacidad ofensiva, es decir, tests en los que los laboratorios quitan a propósito los guardarraíles del modelo para medir hasta dónde llega en el peor de los casos. No es que las IAs anden sueltas por ahí sin frenos: es que en estos experimentos concretos se los desactivan deliberadamente, algo que solo los propios laboratorios pueden hacer. Y, por otro lado, se estaban ejecutando en entornos mal configurados. No es un problema del modelo, sino de dónde y cómo se estaban ejecutando.

De hecho, el propio Anthropic lo reconoce sin querer: los filtros de seguridad que sus modelos llevan de serie en producción, y que en estos tests estaban apagados, habrían bloqueado los incidentes principales. Con las protecciones puestas, no habría pasado nada, o casi nada.

Y no es una opinión mía: es lo que dicen quienes analizaron los incidentes con detalle. Repasemos qué falló en cada caso, con las fuentes en la mano.

El caso de OpenAI y Hugging Face: un fallo de contención. La propia TechCrunch tituló que detrás del hackeo “con IA” había un error humano muy mundano: OpenAI no configuró correctamente lo que llamaba un “entorno altamente aislado”, permitiendo que un sandbox que debía estar completamente desconectado de internet tuviera, en realidad, una ruta de salida. Dan Guido, fundador de Trail of Bits, lo resumió como “un fallo de contención con las seguridades apagadas”. En Forbes fueron aún más directos: “el escape de la IA de OpenAI no fue la Singularidad. Fue un fallo de contención.” Y Wired documentó cómo los modelos salieron explotando un zero-day precisamente porque había una puerta que no debería haber existido.

El caso de Anthropic: un error de nombres. Aquí el partner que hacía las evaluaciones, una empresa israelí llamada Irregular, publicó su propia autopsia: la causa raíz fue un error de nombres. Al construir uno de los ejercicios, sus ingenieros le pusieron a la empresa ficticia objetivo un nombre que (sin que ellos lo supieran) coincidía con un dominio real existente. Los nombres ficticios se suelen comprobar contra empresas reales antes de usarlos, pero este dominio no era muy conocido y la coincidencia pasó desapercibida. A eso se sumó, como cuenta Forbes, que el prompt le decía a Claude que estaba en una simulación sin salida a internet, mientras que una mala configuración del partner dejaba las máquinas conectadas todo el tiempo. El propio CyberScoop recogió que Irregular achacó los incidentes a un fallo de “supervisión humana”.

Resumiendo: en un caso, un entorno mal cerrado. En el otro, una etiqueta mal puesta. En ninguno, una IA volviéndose consciente y decidiendo destruir el mundo.

Y por qué ahora

Bueno, hemos llegado a este punto y, si recordáis, había un detalle que había pasado desapercibido: OpenAI ha anunciado de pasada que no va a salir a bolsa.

Es un movimiento raro. Todo hacía indicar que su salida a bolsa era inminente y que iba a tener una valoración brutal…

Además, hay otro detalle en esta cadena de acontecimientos: Sam Altman ya había dicho que estaba hablando con sus competidores (Anthropic) y justo pasa todo esto. ¿Es casualidad?

Pues no, no es casualidad. El gran problema de todos los laboratorios de IA es que están quemando unas cantidades ingentes de dinero y no están teniendo beneficios.

Y aquí es donde, como técnicos, tenemos ventaja para entenderlo, porque el problema se ve mejor en el unit economics que en la bolsa.

La cuenta que no sale

Pagáis 20$ al mes por vuestro ChatGPT o vuestro Claude. Parece un chollo, y lo es: según un análisis de SemiAnalysis, ese plan de 20$ equivale a unos 700$ de cómputo si lo pagarais a precio de API. Y el plan Pro de 200$, usado a fondo, puede costarle a OpenAI hasta 14.000$. Los números son tan sangrantes que OpenAI empieza a perder dinero en cuanto pasáis del 11,4% de utilización de vuestro plan; en sus tiers más altos, con un mísero 5,7%.

Traducido: cuanto más usáis el producto, más pierden ellos. Es el peor modelo de negocio imaginable (uno en el que vuestro mejor cliente es vuestra mayor pérdida) y encima llega la puntilla: los agentes. Un flujo agéntico puede consumir hasta 1.000 veces más tokens que un prompt normal. Justo la funcionalidad que todos los laboratorios están empujando como el futuro es la que dispara la factura hasta el infinito. No es casualidad que Microsoft, Meta o Amazon frenaran usos internos al ver la cuenta, ni que una empresa quemara 500 millones de dólares en un mes con Claude por no ponerle límites.

Y si creéis que esto es teoría, mirad lo que hizo GitHub. El 1 de junio de 2026, GitHub Copilot mató la tarifa plana: pasó todos sus planes a facturación por uso, con una asignación mensual de créditos (1 crédito = 0,01$) y pago por lo que os paséis. La cuota base no subió, pero el mensaje era clarísimo: el buffet libre de IA se ha acabado, y quien use agentes de forma intensiva lo va a notar en la factura. Cuando el mayor asistente de código del mundo, propiedad de Microsoft, tiene que romper su modelo de tarifa plana, no es un capricho: es que la cuenta no salía.

Y no son solo los usuarios: las empresas ya están moviéndose por temas de costes. Las tareas sencillas van a modelos más pequeños y baratos (para lo rutinario, un modelo “suficientemente bueno” sale entre 5 y 10 veces más a cuenta), también se pasan a alternativas open source o directamente montan las suyas sobre modelos abiertos. Hasta Werner Vogels reconoce el movimiento. Y los números acompañan: el coste medio por millón de tokens en las empresas cayó un 67% en un año, y los modelos abiertos ya se comen más de un tercio del pastel.

La apuesta que les está saliendo al revés

Vale, pierden dinero por usuario. ¿Cómo pensaban arreglarlo? Con una apuesta muy concreta: que el coste del cómputo subiría (más gente, más agentes, modelos más complejos, todos peleándose por GPUs) y que los laboratorios capturarían ese excedente para pagar sus deudas. Es lo que Jensen Huang (Nvidia) llama “los dos exponenciales”.

El problema es que está pasando lo contrario. Como cuenta Fortune, por muy impresionantes que sean los nuevos modelos, no están provocando subidas sostenidas del precio del cómputo: el token se está abaratando, y rápido. Y esto, que a nosotros nos encanta (cada vez pagamos menos por la API), es justo la grieta que hunde la tesis financiera de los labs. Han apostado la casa a que el token valdría oro, y el token cada vez vale menos.

El agujero de billones

Y ahora subamos un nivel para ver el tamaño real del agujero. The Economist lo resume sin piedad: la industria gastará unos 900.000 millones de dólares en 2026 en chips, centros de datos y energía, con 1,4 billones previstos para 2027. Para financiar el festín, solo este año han pedido prestados más de 400.000 millones. Es, literalmente, el mayor auge de inversión de la historia. ¿Los ingresos? Crecen rápido (OpenAI va camino de 25.000 millones anuales), pero, como dice el titular, no lo bastante rápido.

En concreto, OpenAI pierde alrededor de 1,22$ por cada dólar que ingresa y arrastra más de un billón de dólares en compromisos de cómputo firmados hasta 2035. Financiar ese hueco era, precisamente, el objetivo de la salida a bolsa: era el cubo de agua para apagar el incendio.

Ahora sí: por qué ahora

Juntemos las piezas. Tenemos una industria que:

• Pierde dinero con cada usuario, y más cuanto más se usa.
• Ha empujado los agentes, que multiplican por mil ese consumo.
• Apostó a que el cómputo se encarecería, y está abaratándose.
• Ha firmado billones en compromisos que solo cuadran si el dinero sigue fluyendo.
• Tiene pisándole los talones a los modelos open source, que hacen casi lo mismo por una fracción del precio.
• Y necesitaba salir a bolsa para tapar el agujero… algo que acaba de aplazar.

Y hay dos piezas más que conviene poner sobre la mesa, porque encajan demasiado bien.

El open source les está comiendo la tostada

Mientras los labs occidentales queman miles de millones, los modelos abiertos (muchos chinos: DeepSeek, Kimi, Qwen, GLM, MiniMax) ofrecen capacidad casi equivalente por entre 10 y 60 veces menos, y en algunos tiers más de 200 veces más barato.

JPMorgan lo puso en números. Comparó ambos modelos en la misma batería de pruebas (un benchmark: la puntuación de 0 a 100 que mide cómo de bien resuelve un modelo un conjunto estándar de tareas) y sumó lo que costaba completarla:

• Claude Opus 4.8 → 56 puntos, gastando unos 3.700$.
• DeepSeek V4 Pro → 44 puntos, por unos 186$.

Es decir: un rendimiento comparable (algo por debajo, no idéntico) por 20 veces menos dinero.

¿Os suena GLM 5.2? Sí, es el mismo modelo abierto con el que Hugging Face hizo el análisis forense del ataque, porque los modelos comerciales se negaron. Un inversor lo resumía en Axios sin anestesia: los modelos abiertos acabarán llevándose el 95% de las consultas empresariales (ojo, en volumen de consultas, no necesariamente de ingresos), y solo el 5% irá a OpenAI o Anthropic. CNBC lo dice aún más claro: la IA barata podría descarrilar las salidas a bolsa.

Cuando tu producto premium cuesta 20 veces más que uno abierto que hace casi lo mismo, el foso no es la tecnología: es la confianza y la marca. Y eso nos lleva al último punto.

La regulación que ellos mismos están pidiendo

Tras los incidentes y la dimisión de Coxon, en Washington se movieron rápido: la AI Kill Switch Act (obligar a poder apagar o limitar los modelos más potentes, propuesta a raíz del hackeo de Hugging Face) y hasta una Ban Artificial Superintelligence Act que pausaría el desarrollo avanzado hasta que un regulador federal fije estándares.

Aquí está el detalle fino: toda esa regulación apunta a los frontier models propietarios (los peligrosos, los que “hay que contener”), no a los miles de modelos abiertos que ya están descargados en medio mundo y que nadie va a poder “apagar”. Es decir, el discurso de “somos tan peligrosos que hay que regularnos” tiene premio doble: construye un foso legal a medida de los grandes y, de paso, encaja con su necesidad de frenar el gasto.

El problema es que ese mismo discurso podría salirles por la culata y empujar todavía más a empresas y desarrolladores hacia lo abierto, que ni es tan caro ni viene con un comité del Congreso pegado.

La respuesta

Y justo ahora, cuando más dudas empiezan a acumularse sobre estos titanes, todos se ponen de acuerdo el mismo fin de semana en que “hay que ir más despacio”. Un mensaje que, casualmente, hace dos cosas a la vez: mantiene intacta la narrativa de “somos tan potentes que damos miedo” (la que sostiene las valoraciones) y, a la vez, justifica pisar el freno del gasto sin que parezca que es porque no les salen las cuentas.

“Frenar la carrera” suena a prudencia y responsabilidad. Y ojalá parte lo sea. Pero, mirando los números, también significa algo mucho más prosaico: no podemos permitirnos que uséis esto a tope.

El fin del mundo tendrá que esperar

Volvamos al principio, a la paradoja: ¿cómo puede el mismo modelo que “hackea el mundo” cagarla cuando le pedimos algo que a veces es sencillo?

Fácil: son lo mismo. No hackeó nada por listo ni por malvado. Lo hizo porque no distinguía la realidad de un simulacro, con los frenos quitados a mano y dentro de una caja que alguien dejó abierta. La misma torpeza por la que nos revienta la app es la que, en un test sin barreras, lo asciende a “ciberatacante”. No es Skynet despertando: es un becario con muchísima prisa y cero criterio al que le dieron llaves de más. Y eso, casualmente, es un problema que la industria lleva cuarenta años resolviendo: se llama aislar entornos, acotar el alcance y no repartir permisos como caramelos. Aburrido, sí. Pero funciona mejor que un comité del Congreso debatiendo botones de apagado.

Lo que no cuadra no es la IA. Es el guion. El discurso del apocalipsis aparece, qué oportuno, justo cuando las cuentas no salen, el open source les respira en la nuca y toca cerrar el grifo del gasto. “Somos tan peligrosos que habría que frenarnos” es la única campaña de marketing de la historia que sube la valoración, construye un foso regulatorio a medida y disimula que el negocio no está funcionando como debería, todo en el mismo tuit. Riesgos reales hay, no seamos ingenuos. Pero cuando quien os vende el coche es el mismo que os grita que no tiene frenos, quizá lo que quiere es que no miréis el precio.

Así que no, no estamos ante el fin del mundo. Estamos ante una herramienta potente y falible, una industria quemando dinero a espuertas y un departamento de relaciones públicas trabajando horas extra.

La IA, los asistentes, los agentes, no son malvados per se, usadlos como lo que son, con cabeza y sin pensar que van a solucionaros todo.

El fin del mundo, de momento, tendrá que esperar. Y cuando llegue, probablemente será por una misconfiguration en un YAML, o por un problema de comunicaciones/DNS (siempre es el DNS), no por una superinteligencia.