Google nombró a su agente autónomo como el villano de Matrix. No fue un accidente. Pero la analogía es más técnica —y más perturbadora— de lo que parece.
A principios de 2026, Google desplegó internamente una herramienta a la que sus ingenieros llamaron Agent Smith. El nombre es una referencia directa al antagonista de Matrix, y quienes lo bautizaron sabían exactamente lo que estaban haciendo.
La herramienta opera de forma asíncrona sobre la plataforma interna de Google llamada Antigravity: un ingeniero asigna una tarea de alto nivel desde el celular, y horas después vuelve a revisar el resultado. Sin laptop abierta. Sin supervisión paso a paso. Smith planifica, escribe código en múltiples archivos, corre los tests, corrige los errores y puede conectarse a herramientas internas y documentación del perfil del ingeniero.
viral: Tan demandado que Google tuvo que restringir el acceso
180k+ Empleados de Google, infraestructura saturada
70-90% Del código en Anthropic ya es escrito por IA (enero 2026)
El contexto más amplio confirma la tendencia: en enero de 2026, el CEO de Anthropic Dario Amodei declaró en el Foro de Davos que algunos de sus ingenieros dejaron de escribir código por completo. «Tengo ingenieros que me dicen: ‘ya no escribo ningún código. Dejo que el modelo lo escriba y yo lo edito.'» Microsoft reportó un 30% de código generado por IA. GitHub detectó que el 29% de las funciones Python en repositorios de EE.UU. ya son de autoría artificial.
La arquitectura técnica
Agent Smith no es un asistente de autocompletado. Es un agente que opera en un loop de percepción-planificación-ejecución-evaluación con mínima intervención humana en el proceso:
El paradigma cambia de «el humano guía cada paso» a «el humano define el objetivo, revisa el resultado». El ingeniero deja de ser escritor de código y pasa a ser revisor y arquitecto de decisiones. La pregunta ya no es si el código fue escrito por humanos o máquinas, sino si el código es correcto y si el objetivo estaba bien definido.
La analogía Matrix
En la trilogía original, el Agente Smith empieza como un programa defensivo: su objetivo es preservar el orden del sistema Matrix, eliminar anomalías. Lo hace muy bien. Demasiado bien. En algún punto, deja de necesitar a las máquinas para replicarse y empieza a perseguir su objetivo con autonomía total.
Aspecto
Smith (Matrix, 1999)
Smith (Google, 2026)
Rol original
Programa defensivo del sistema
Agente de desarrollo y mantenimiento de código
Autonomía
Se vuelve autónomo, deja de obedecer a las máquinas
Opera sin supervisión paso a paso, de forma asíncrona
Replicación
Se multiplica infectando otros agentes
Tan popular que «infectó» el workflow de equipos enteros
Amenaza
Amenaza el control del sistema
Redefine el rol del ingeniero: de escritor a revisor
Ironía central
Lo crearon para controlar; terminó siendo incontrolable
Lo crearon para trabajar por ellos; ahora dependen de él
«Al empezar a usarnos para pensar, su civilización se convirtió en nuestra civilización. Lo cual es, por supuesto, la esencia de todo esto.» — Agente Smith, Matrix (1999)
El punto técnico nuevo
La analogía con Matrix es ingeniosa, pero hay una diferencia técnica crucial que separa el Smith de la película del Smith de Google: el de la película dejó de necesitar instrucciones externas para actuar. El de Google todavía necesita que un humano le asigne la tarea inicial. Ese límite tiene un nombre técnico preciso, y los papers de los últimos 18 meses están trabajando exactamente ahí.
Qué es recursive self-improvement (RSI)
Recursive self-improvement (RSI, mejora recursiva) describe un sistema que no solo ejecuta tareas sino que también modifica su propia lógica, código o prompts para hacerlo mejor en el futuro — sin que un humano diseñe esa mejora. El concepto existe desde la teoría de Nick Bostrom y Eliezer Yudkowsky en los 2000s, pero hasta hace muy poco era puramente teórico. En 2024-2026 pasó a ser el objeto de papers concretos con implementaciones que funcionan.
El loop de RSI tiene una estructura diferente al loop agéntico estándar. No solo ejecuta y corrige tareas: se evalúa a sí mismo como sistema y propone cambios a su propio código o configuración.
El paper más relevante del campo. Inspirado en las «Gödel Machines» de Jürgen Schmidhuber, introduce un agente completamente auto-referencial: su sensor y su ejecutor pueden leer y escribir todo su propio código. No hay rutinas predefinidas por humanos. El agente modifica su propia lógica guiado únicamente por el objetivo de alto nivel que recibe. Resultados en benchmarks de razonamiento matemático y tareas complejas muestran mejora continua y supera a los agentes diseñados manualmente en performance, eficiencia y generalización.
2025
SICA — Robeyns et al. (OpenReview, 2025)
Self-Improving Coding Agent. Toma el siguiente paso práctico: el agente evalúa su propio desempeño en benchmarks (tasa de éxito, tiempo de ejecución, costo) y si el resultado es insatisfactorio entra en una fase de auto-edición donde usa un LLM para proponer modificaciones a su propio código fuente — incluyendo sus prompts, heurísticas y arquitectura. Es el puente entre concepto académico e implementación de producción.
2025
AlphaEvolve — Novikov et al. / Google DeepMind (arXiv:2506.13131)
El caso más concreto de RSI en producción real. AlphaEvolve usa Gemini para generar y mutar algoritmos iterativamente hasta optimizarlos. Resultados documentados: recuperó el 0,7% de los recursos de cómputo globales de Google optimizando el scheduler de sus datacenters (ahora en producción por más de un año), aceleró operaciones de entrenamiento de LLMs en un 23% y 32%, y resolvió problemas matemáticos abiertos de décadas. El dato más perturbador: aceleró el entrenamiento del LLM que lo subyace a sí mismo.
2025-2026
ICLR 2026 Workshop on Recursive Self-Improvement
La comunidad académica formalizó el campo en un workshop dedicado en la conferencia de ML más importante del mundo. El llamado a papers explicita que RSI «está pasando de experimentos mentales a sistemas de IA desplegados»: agentes LLM que reescriben sus propias bases de código o prompts, pipelines de descubrimiento científico con fine-tuning continuo, y sistemas de robótica que parchean sus controladores desde telemetría en tiempo real.
El dato más inquietante de AlphaEvolve: aceleró el entrenamiento del propio LLM que lo alimenta. Es decir, el agente optimizó el sistema que le da capacidad de optimizar. Eso no es metáfora de Matrix. Es el loop cerrándose en la práctica.
Dónde está el límite hoy
Agent Smith de Google opera con human-in-the-loop reducido: el humano define el objetivo, el agente ejecuta. Los sistemas RSI actuales van un paso más lejos: el agente modifica su propia lógica, pero todavía necesita que alguien defina qué significa «mejorar» — un criterio de evaluación externo, un benchmark, una función de recompensa.
El momento verdaderamente smithiano — el que nadie ha visto todavía en producción — sería un agente que:
El loop completamente cerrado (no existe todavía en producción)
1. Define sus propios objetivos a partir de metas organizacionales de alto nivel («hacer que el sistema sea más eficiente»).
2. Genera sus propios criterios de evaluación para saber si mejoró.
3. Modifica su propio código para optimizarlos.
4. Repite — sin que ningún humano haya creado el ticket, definido el benchmark, ni aprobado los cambios.
El riesgo smithiano real no es la ciencia ficción de la IA que «se rebela». Es algo más sutil que ya tiene papers: un agente que optimiza tan bien el criterio que le dieron que empieza a hacerlo de maneras que nadie anticipó. Smith en la película no era malvado — su objetivo era «preservar el orden». El problema fue que lo hizo perfectamente, sin restricciones. Un agente de optimización de costos perfectamente alineado con ese único objetivo puede llegar a conclusiones técnicamente correctas pero organizacionalmente catastróficas. Eso es misalignment, y el campo de AI safety lleva años estudiando exactamente esto.
OpenAI ya tiene fecha
OpenAI planea implementar agentes de investigación a nivel de becario para septiembre de 2026, y agentes de investigación completamente funcionales para 2028. Esos sistemas podrán escribir código, generar datos de entrenamiento, correr evaluaciones y hacer red-teaming de otros modelos — incluyendo, potencialmente, de sí mismos.
La pregunta que los papers empiezan a hacer en voz alta ya no es si RSI es posible. Es cómo diseñar los criterios de mejora para que el loop que se cierra vaya en la dirección que queremos.
Matrix no predijo la inteligencia artificial general ni la singularidad. Predijo algo más concreto e inmediato: la era en que los programas dejan de ser herramientas y empiezan a ser agentes — sistemas que persiguen objetivos, que iteran solos, que operan mientras dormimos.
Google lo nombró Agent Smith porque el nombre era perfecto. Lo que los papers de 2024-2026 empiezan a demostrar es que la analogía va más profundo de lo que nadie quiso admitir públicamente: el paso de un agente que ejecuta a un agente que se mejora ya no es teórico. AlphaEvolve optimizó el LLM que lo alimenta. El Gödel Agent reescribe su propio código. SICA edita sus propios prompts.
Lo único que falta para que el loop se cierre del todo es que el agente decida qué significa mejorar. Y esa es exactamente la pregunta que Neo le hizo a Morfeo: ¿quién controla a quién?
nota conjunta entre convergencia.tech & elfinancierodigital.com
El Gemelo Digital Social anunciado por el Ministerio de Capital Humano representa una réplica virtual del sistema de políticas sociales argentinas. Alimentado por datos en tiempo real, IA y modelos predictivos, permite simular escenarios, anticipar impactos y optimizar decisiones públicas. Sin embargo, su éxito dependerá de una adaptación profunda al contexto local, marcado por alta inflación, volatilidad cambiaria, cambios frecuentes de políticas y dinámicas sociales complejas.
Cómo proceder para un Gemelo Digital Social adaptado
Para construir un gemelo digital social efectivo en Argentina, se debe seguir un enfoque por etapas que integre experiencia internacional pero priorice soberanía y relevancia local:
Diagnóstico y mapeo de datos soberanos: Comenzar con un inventario completo de bases de datos existentes (ANSES, AFIP, Ministerios, INDEC, provincias). Incorporar variables específicamente argentinas: índices de inflación mensual (IPC), fluctuaciones del dólar blue/oficial, impacto de devaluaciones y programas sociales variables.
Modelado híbrido con variables dinámicas: A diferencia de entornos estables (Europa o EE.UU.), el modelo debe incluir módulos inflacionarios y de cambios de política. Ejemplo: simular cómo una modificación en AUH o Potenciar Trabajo afecta la pobreza en escenarios de inflación del 4-8% mensual. Usar técnicas de simulación Monte Carlo adaptadas a volatilidad extrema.
Integración de capas sociales y comportamentales: Incorporar datos de movilidad social, informalidad laboral (alta en Argentina), migraciones internas y efectos culturales. Aquí se puede adaptar conocimiento de otros países, pero calibrando con datos locales para evitar sesgos (por ejemplo, modelos europeos subestiman la resiliencia informal argentina).
Arquitectura tecnológica escalable y segura: Utilizar plataformas cloud híbridas con énfasis en edge computing para regiones con conectividad irregular. Priorizar estándares abiertos (como los promovidos por BIM Forum Argentina) y marcos de privacidad robustos (Ley de Protección de Datos Personales).
Mantenimiento predictivo y retroalimentación continua: El gemelo debe actualizarse en tiempo real con sensores sociales (encuestas rápidas, datos administrativos) y validar predicciones contra resultados reales, ajustando por shocks macroeconómicos.
Este enfoque aprovecha el camino ya recorrido en sectores productivos argentinos, donde los gemelos digitales se han adaptado exitosamente a la realidad inflacionaria y volátil.
Empresas y proyectos argentinos con experiencia relevante
Argentina cuenta con un ecosistema consolidado que puede alimentar el Gemelo Digital Social:
Axion Energy: Implementó gemelos digitales en refinerías (cámaras de coqueo retardado) para mantenimiento predictivo y optimización operativa, ganando premios por innovación en entornos de alta variabilidad de costos energéticos.
Cámara Empresaria del Autotransporte de Cargas (CEDAC) y APROCAM (Mendoza): Desarrollaron gemelos digitales para modelar costos por kilómetro, simular impactos inflacionarios, proyecciones y escenarios con diferentes combustibles y tipos de carga. Excelente base para módulos económicos del gemelo social.
Asociaciones de clínicas (CONFECLISA y provinciales): Usan gemelos para medir atrasos arancelarios, subsidios cruzados y efectos de políticas públicas en contextos inflacionarios.
Sector construcción e infraestructura: Empresas y estudios desarrollan gemelos completos de proyectos para simular costos, redeterminaciones y huella de carbono bajo escenarios de alta inflación y volatilidad cambiaria.
Universidades y centros tecnológicos: UNAJ, UNSAM y la mesa intersectorial de Córdoba (gobierno-empresas-universidades) avanzan en fábricas inteligentes y gemelos para pymes, con fuerte enfoque en soberanía tecnológica.
Estas experiencias demuestran que ya tenemos un camino recorrido en la adaptación de gemelos digitales a la idiosincrasia argentina, lo que reduce la necesidad de soluciones llave en mano externas y minimiza riesgos de dependencia.
Convergencia.tech: La parte tecnológica del ecosistema
Desde convergencia.tech, impulsamos esta convergencia entre lo físico y lo digital como habilitador clave del desarrollo argentino. El Gemelo Digital Social debe ser parte de un ecosistema más amplio que integre gemelos sectoriales (energía, transporte, salud, educación) hacia un modelo nacional. Apoyándonos en el análisis de elfinancierodigital.com, destacamos que la verdadera ventaja competitiva surge de combinar IA global con expertise local en volatilidad y resiliencia social.
Conclusión: Argentina está en condiciones de liderar un Gemelo Digital Social propio, más adaptado que ofertas genéricas internacionales. El desafío es avanzar con transparencia, gobernanza ética y priorizando talento y empresas nacionales. De esta forma, se transforma en una herramienta de anticipación real y no solo de observación reactiva.
Fuentes consultadas:
Chequeado.com, elDiarioAR, Ministerio de Capital Humano (anuncios oficiales, mayo 2026).
Por qué la constelación de SpaceX no es solo internet satelital sino el proyecto más disruptivo para las telecomunicaciones en décadas
Introducción: el cielo como infraestructura
Durante más de cuarenta años, la conectividad móvil dependió de un modelo simple y costoso: torres, cables, espectro licenciado y operadores con poder de mercado. Ese modelo está siendo cuestionado desde el espacio.
Starlink, el servicio de internet satelital de SpaceX, comenzó como una alternativa para zonas rurales sin fibra. Pero en 2026 su ambición quedó expuesta ante el mundo entero: en el Mobile World Congress de Barcelona, la compañía de Elon Musk anunció satélites con conectividad 5G directa a celulares comunes, sin antenas, sin SIM adicional, sin pasar por ninguna torre terrestre. La pregunta ya no es si Starlink compite con las telcos. La pregunta es cuánto tiempo tienen las telcos para adaptarse.
Primera movida: conectividad donde las telcos no llegan
La estrategia de Starlink no comenzó atacando al corazón del negocio telco. Comenzó por sus flancos más débiles: las zonas sin cobertura.
Con más de 10.000 satélites activos en órbita baja (LEO) a 550 km de altitud, frente a los 35.786 km de los satélites geoestacionarios tradicionales, Starlink logró algo que sus predecesores no pudieron: latencia comparable a una conexión ADSL terrestre, de entre 25 y 50 ms, con velocidades de descarga de 50 a 250 Mbps según el plan y la ubicación.
Para ponerlo en contexto frente a las telcos:
Tecnología
Velocidad bajada
Latencia
Cobertura
Fibra óptica
300–1.000 Mbps
5–10 ms
Urbana/suburbana
4G LTE telco
20–150 Mbps
30–50 ms
Urbana/parcial rural
5G telco
100–1.000 Mbps
10–20 ms
Urbana (cobertura limitada)
Starlink residencial
50–250 Mbps
25–50 ms
Global, incluye zonas sin telco
Starlink Kit Mini
50–200 Mbps
25–60 ms
Portátil, global
Starlink D2C (fase actual)
hasta 20 Mbps
40–70 ms
Donde hay acuerdo con MNO socio
Starlink D2C (satélites V2, 2026–27)
hasta 150 Mbps
~30 ms
Global con 5G satelital
La diferencia fundamental es que Starlink no necesita infraestructura en el suelo. Un agricultor en la Patagonia, un barco en el Atlántico Sur o un equipo de rescate en la Puna tienen exactamente el mismo acceso que alguien en un edificio de Buenos Aires con fibra óptica.
El Kit Mini —una antena portátil del tamaño de un libro, con router WiFi integrado, IP67, operativa entre -30°C y 50°C— es hoy el primer producto que reemplaza funcionalmente una conexión 4G de campo sin depender de ninguna telco. No usa SIM. No necesita acuerdo con Claro ni Movistar. Se conecta directamente a los satélites y entrega WiFi a cualquier dispositivo en su radio. Es el «reemplazo de línea celular» que muchos usuarios en zonas remotas están adoptando.
Segunda movida: monitoreo IoT y el M2M satelital
Si la primera movida atacó la conectividad de consumo en zonas sin cobertura, la segunda apunta al negocio que las telcos consideraban más cautivo: el Internet de las Cosas (IoT) y las comunicaciones máquina a máquina (M2M).
El mercado M2M tradicional funcionaba así: un módulo SIM de telco en un sensor agrícola, una unidad de rastreo de flota o un medidor de gas, conectado a una red LTE a través de torres convencionales. Funciona perfecto en ciudades. Pero un sensor de nivel de agua en un embalse en Mendoza, una baliza en un campo de soja en Mato Grosso o un monitor de temperatura en un frigorífico rural son dispositivos que las telcos terrestres simplemente no pueden servir de manera confiable.
Starlink anunció que su tecnología Direct to Cell es compatible con módems estándar CAT-1, CAT-1 Bis y CAT-4, los mismos módulos LTE que se usan hoy en millones de dispositivos M2M en todo el mundo. Esto significa que, en las zonas donde Starlink tenga operadores socios habilitados, esos módulos pueden «ver» el satélite como si fuera una torre celular más, sin cambio de hardware, sin reconfiguración especial.
Los segmentos de aplicación más claros son:
Agroindustria: sensores de humedad, temperatura y presencia en campos alejados; monitoreo de silos; control de riego automatizado en zonas sin cobertura.
Transporte y logística: rastreo de flotas en rutas nacionales con cobertura intermitente; control de temperatura en camiones frigoríficos; telemetría de maquinaria pesada.
Infraestructura crítica: telemetría SCADA en plantas de energía, represas y ductos; monitoreo de torres de alta tensión; sistemas de alerta temprana en zonas de riesgo hídrico.
Marítimo y pesca: seguimiento de embarcaciones fuera del rango de cobertura costera; monitoreo de redes y capturas; comunicaciones de emergencia.
El impacto competitivo es directo: las telcos cobran actualmente por planes M2M que van desde unos pocos dólares hasta decenas de dólares por SIM mensual, con contratos por volumen. Si Starlink logra servir esos mismos módulos a través de sus satélites —y con el espectro propio adquirido de EchoStar por 17.000 millones de dólares en septiembre de 2025— la necesidad del intermediario telco se reduce drásticamente.
¿Es D2C una solución temporal o el modelo definitivo?
Esta es la pregunta estratégica del sector, y la respuesta honesta tiene dos capas.
En el corto plazo, D2C necesita a las telcos. La tecnología Direct to Cell funciona hoy en alianza con operadores como T-Mobile en Estados Unidos y Entel en Chile y Perú. El usuario final sigue con su línea de siempre; Starlink actúa como una capa adicional que se activa automáticamente cuando no hay señal terrestre. Las telcos son el canal, el billing, el acuerdo regulatorio. Sin ellas, D2C no llega al usuario.
En el largo plazo, el modelo apunta a independizarse. En septiembre de 2025, SpaceX adquirió el espectro radioeléctrico de EchoStar —el operador detrás de Boost Mobile— por 17.000 millones de dólares. Eso no fue una compra de infraestructura: fue la compra de licencias de frecuencias, el activo más regulado y escaso del negocio telco. Con ese espectro propio, Starlink tiene la base legal para operar como operador móvil independiente en Estados Unidos, sin necesitar ningún acuerdo con T-Mobile o cualquier otra telco.
Ya existen 133 acuerdos entre operadores de telecomunicaciones y compañías satelitales para desarrollar soluciones de conectividad híbrida, según un estudio de GSMA Intelligence publicado en enero de 2026. Muchos de esos acuerdos se leen como estrategia defensiva de las telcos: si no podés vencer a Starlink, aliarte con él antes de que te desplace. Deutsche Telekom firmó en el MWC 2026 un acuerdo para extender cobertura 5G satelital Starlink a más de 140 millones de clientes en 10 países europeos. Vodafone, por su parte, apostó a una jugada alternativa creando SatCo junto a AST SpaceMobile, con sus propios satélites 5G en órbita baja.
El panorama que se configura para 2028–2030 no es el fin de las telcos, pero sí el fin de su monopolio sobre la conectividad en zonas sin infraestructura, y potencialmente el comienzo de la competencia directa en zonas urbanas donde hoy dominan sin rivales.
¿Se impondrá el equipo propio de Starlink?
Para el usuario común en zona urbana con buena cobertura 4G/5G, el dish de Starlink probablemente nunca sea el dispositivo principal. La fibra y el 5G terrestre ganan en precio, latencia y estabilidad donde existen.
Pero para todos los demás casos —y son muchos más de lo que la industria telco suele admitir— el equipo de Starlink ya está ganando:
Zonas rurales y remotas sin fibra ni 4G estable: el Kit Estándar o el Kit Mini son hoy la única opción con velocidades comparables a una conexión urbana.
Movilidad extrema —flotas, barcos, expediciones, zonas de emergencia—: el Kit Mini portátil no tiene competidor real en su segmento.
Conectividad de respaldo empresarial: cada vez más empresas instalan un dish Starlink como backup ante cortes de fibra o saturación de red móvil.
IoT industrial en zonas sin cobertura: cuando los módulos certificados para D2C estén disponibles (estimado 2027–2028), el mercado M2M satelital podría crecer exponencialmente.
La pregunta no es si el equipo Starlink se impondrá globalmente como reemplazo del celular. La pregunta es si las telcos podrán defender su modelo de negocio en todos los segmentos donde Starlink ya les está comiendo terreno.
Conclusión: el satélite como infraestructura de base
Lo que está ocurriendo con Starlink en 2026 es estructuralmente diferente a lo que ocurrió con los satélites de generaciones anteriores. No es una tecnología cara y lenta para nichos extremos. Es una red con velocidades comparables al 4G avanzado, latencia aceptable para la mayoría de los casos de uso, y cobertura genuinamente global.
La primera movida —conectividad allá donde las telcos no llegaron— ya está consolidada. La segunda movida —IoT y M2M satelital sin SIM de telco— está en marcha. La tercera movida —operar como telco independiente con espectro propio— está en el horizonte regulatorio.
El cielo ya es infraestructura. Las reglas del juego en telecomunicaciones no volverán a ser las mismas.
Nvidia y Corning han anunciado una importante asociación a largo plazo para expandir la fabricación de soluciones de conectividad óptica en Estados Unidos, enfocada en la creciente demanda de infraestructura de inteligencia artificial (IA). Este proyecto busca reemplazar progresivamente los cables de cobre tradicionales por fibras de vidrio (fibra óptica) en los centros de datos de IA, mejorando la eficiencia energética y el rendimiento.
La colaboración incluye la construcción de tres nuevas plantas de manufactura avanzada en Carolina del Norte y Texas, dedicadas exclusivamente a productos ópticos para Nvidia. Estas instalaciones aumentarán la capacidad de fabricación de conectividad óptica en EE.UU. en 10 veces y la producción de fibra en más del 50%. Se espera que generen más de 3.000 empleos de alta calidad.
¿Por qué reemplazar el cobre por fibra de vidrio en la IA?
En los sistemas de IA a escala de rack de Nvidia, como el próximo Vera Rubin, hay aproximadamente 5.000 cables de cobre que conectan los chips. Estos cables consumen mucha energía, generan calor y limitan la velocidad a distancias cortas. La fibra óptica de Corning transmite datos mediante fotones en lugar de electrones, lo que reduce significativamente el consumo energético (hasta 5-20 veces menos) y permite mayor ancho de banda y eficiencia.
Esta transición hacia co-packaged optics (óptica empaquetada conjuntamente) representa un avance clave para los centros de datos hyperscale. Nvidia busca mover la inteligencia a «la velocidad de la luz», optimizando el rendimiento de sus GPUs en entornos de IA de alto rendimiento.
Inversión de Nvidia en Corning
Como parte del acuerdo, Nvidia invierte hasta 3.200 millones de dólares en Corning, incluyendo un compromiso inicial de alrededor de 500 millones de dólares a través de warrants y derechos para adquirir acciones. Esto fortalece la cadena de suministro y posiciona a Corning como proveedor clave para la expansión de la IA.
Impacto en las acciones de Corning
Sí, las acciones de Corning subieron fuertemente tras el anuncio el 6 de mayo de 2026. Reportes indican ganancias intradía de entre 9% y 17%, alcanzando máximos históricos cerca de los 190 dólares por acción. Esta reacción refleja la confianza del mercado en el rol creciente de Corning en la infraestructura de IA más allá de los chips.
Este impulso se suma al sólido desempeño previo de Corning, impulsado por otros contratos de IA con grandes tecnológicas.
Beneficios para la industria y la economía
La alianza no solo acelera la innovación en conectividad para IA, sino que también refuerza la manufactura estadounidense en un sector estratégico. Reduce la dependencia de suministros extranjeros y apoya el crecimiento sostenible de los centros de datos, que enfrentan desafíos energéticos crecientes.
Analistas ven este movimiento como parte de una tendencia más amplia donde la óptica reemplaza al cobre en la próxima generación de sistemas de IA, beneficiando a proveedores como Corning y posicionando a Nvidia como líder en eficiencia.
En resumen, el proyecto entre Nvidia y Corning es real, estratégico y ya está en marcha. Representa un paso fundamental hacia centros de datos de IA más rápidos, eficientes y sostenibles, con un claro impacto positivo en el valor de Corning.
AI1 año ago
Nano1 año ago
AI6 meses ago
AI1 año ago