Un Problema de 1946 Resuelto por una Máquina

Un modelo interno de OpenAI resolvió el problema de distancias unitarias planares de Erdős, abierto desde 1946, encontrando construcciones de puntos que superan las cuadrículas que todos asumían óptimas. Eso importa porque es la primera vez que un modelo de IA resuelve autónomamente un problema de matemáticas de frontera, no un ejercicio de entrenamiento. Ojo: si esto se replica con verificación externa, la línea entre 'herramienta de cálculo' e 'investigador matemático' se borra, y eso cambia cómo los labs justifican sus presupuestos de investigación.

Según datos de ActionModelAI citados por alignednews.ai, el 34.4% de las empresas en EEUU pagan por Anthropic, contra el 32.3% que paga por OpenAI, lo que pone a Claude por delante en adopción empresarial pagada. Eso importa porque OpenAI dominó el mercado de consumo, pero el dinero real en IA está en contratos corporativos. Lo bueno para Anthropic: lidera donde más factura. Lo malo: la diferencia es de 2 puntos, y OpenAI tiene más recursos para revertirlo rápido, míralo en los próximos trimestres.

Hark cerró una Serie A de $700M para construir una interfaz universal de IA que combina modelos, software, memoria, personalización y hardware en un solo producto, según TechCrunch del 21 de mayo. Eso importa porque es una de las rondas más grandes para una startup en etapa tan temprana, lo que muestra que los inversores apuestan a que la guerra de interfaces está por empezar. En contexto: $700M en Serie A supera lo que Anthropic levantó en su primera ronda grande, y Hark todavía no tiene producto público.

La Casa Blanca pospuso la firma de una orden ejecutiva sobre IA y ciberseguridad después de que Trump objetó partes del texto, según Axios del 21 de mayo. Eso importa porque cualquier empresa que opera en EEUU o vende a gobierno federal estaba esperando esa orden para saber qué reglas vienen. Si la orden se reescribe con más restricciones, los labs americanos enfrentan nuevas trabas justo cuando compiten con modelos chinos, prepárate para una versión revisada en las próximas semanas.

Un benchmark de tryproneo, destacado por alignednews.ai, mostró que los agentes LLM completan menos del 4% de flujos de trabajo reales en SaaS cuando involucran múltiples apps, seguimiento de estado y recuperación de errores. Eso importa porque muchas empresas ya están pagando por agentes de automatización bajo la promesa de que reemplazan trabajo real. Lo bueno: el benchmark es honesto y útil. Lo malo: si tu empresa ya desplegó agentes en producción asumiendo alta tasa de éxito, toca revisar esos números.