Los titulares anuncian el fin del trabajo humano, pero los números cuentan otra historia. En el 95% de las empresas, la inteligencia artificial aún no recupera la inversión. Y en muchos casos, contratar una persona sigue siendo más barato.
En las últimas semanas volvieron a circular notas de alarma: la inteligencia artificial viene a dejar gente sin trabajo. Mark Zuckerberg aseguró que los agentes de IA ya reemplazan ingenieros de nivel medio. El CEO de Anthropic habló de desempleo masivo entre 2025 y 2028. Y los medios amplificaron esas declaraciones hasta convertirlas en certeza. Pero hay un dato que casi siempre queda afuera de esa narrativa: en la mayoría de los casos, hoy todavía es más barato contratar un ser humano.
Lo que dice el MIT — y nadie quiere escuchar
Un estudio del Instituto Tecnológico de Massachusetts lo deja en claro: la IA actual no puede reemplazar de manera rentable la mayoría de los empleos. Los investigadores analizaron tareas con visión computacional en 800 ocupaciones y encontraron que solo el 23% de los trabajadores —medidos en términos salariales— podrían ser sustituidos de forma económicamente viable. En los casos restantes, instalar y mantener los sistemas de IA cuesta más que simplemente pagarle a una persona.
El mismo MIT publicó otra investigación que golpea aún más fuerte: a pesar de que las empresas invirtieron entre 30.000 y 40.000 millones de dólares en IA generativa, el 95% de las organizaciones todavía no obtiene ningún retorno medible. «Las mismas consultoras que hace dos años pedían apostar todo por la IA, ahora sugieren medir el ROI con lupa», señaló Juan Pablo Cosentino, director académico del área de Operaciones y Tecnología del IAE Business School.
El costo oculto de «implementar IA»
Uno de los errores más comunes es confundir el precio de una suscripción con el costo real de automatizar. El costo total de propiedad incluye infraestructura, integración, capacitación del personal, mantenimiento y supervisión. Una GPU NVIDIA H100 —estándar para inferencia en 2026— cuesta entre 25.000 y 40.000 dólares por unidad. El presupuesto de infraestructura IA de Google para este año ronda los 185.000 millones de dólares: casi siete veces su nómina global completa.
Para empresas medianas y grandes en Latinoamérica, el cálculo es aún más desafiante. Startups tecnológicas en la región están gastando un 50% más en herramientas de IA que en nómina durante 2026. Y entre el 30% y el 40% de los prototipos de IA nunca llegan a producción, lo que convierte esa inversión en un gasto sin retorno.
¿Dónde sí conviene automatizar?
El panorama no es completamente negativo. En atención al cliente, los números empiezan a inclinar la balanza: un ticket resuelto por agente humano cuesta entre 6 y 7 dólares, mientras que uno gestionado por IA cuesta entre 0,50 y 2 dólares. En tareas administrativas, de procesamiento de datos o generación de contenido repetitivo, la ecuación puede funcionar. El problema es que las empresas suelen implementar IA de manera indiscriminada, sin identificar primero en qué procesos específicos genera valor real.
Según el MIT, solo el 3% de las tareas actualmente automatizables son rentables de reemplazar hoy. Esa cifra podría escalar al 40% para 2030, si los costos de infraestructura bajan y los modelos mejoran su precisión. Pero «podrían» y «para 2030» son dos palabras que los titulares apocalípticos suelen omitir.
El miedo como variable económica
Hay algo más en juego detrás de estos anuncios. Las declaraciones de Zuckerberg, los estudios de McKinsey y los informes del Foro Económico Mundial cumplen también una función de mercado: elevan las expectativas, justifican inversiones y generan presión sobre competidores y reguladores. Que el 40% de los trabajadores hoy tema perder su empleo por la IA —cuando en 2024 ese número era apenas el 8%— no solo refleja una realidad técnica: también es el resultado de una narrativa deliberadamente amplificada.
La IA va a transformar el mercado laboral. Eso es real. Pero la transformación ya la conocemos de otras revoluciones tecnológicas: no es un apocalipsis instantáneo sino un proceso gradual, desigual y lleno de fricciones. Mientras tanto, en la mayoría de las oficinas, fábricas y call centers del mundo, un ser humano sigue siendo la opción más barata. Y eso, aunque nadie lo titule, también es un dato.
Nemotron 3 Nano OMNI es un modelo multimodal nuevo (lanzado el 28 de abril de 2026 por NVIDIA) que forma parte de la familia Nemotron 3. Es uno de los modelos abiertos más interesantes del momento por su eficiencia y capacidades «omni» (todo en uno).
¿Qué es exactamente?
Arquitectura: 30B parámetros totales (30B-A3B), hybrid MoE (Mixture of Experts) con solo 3B parámetros activos por token. Combina capas Mamba (para eficiencia en secuencias largas) + Transformer (para razonamiento preciso).
Multimodal nativo: Acepta y razona de forma unificada sobre:
Texto
Imágenes
Video
Audio (incluyendo transcripción y comprensión de habla)
Salida: Solo texto.
Contexto: Hasta 256K tokens (muy grande, ideal para documentos largos, videos extensos o conversaciones complejas).
El gran diferencial es que todo corre en un solo modelo, sin necesidad de encadenar varios (un modelo de visión + uno de audio + LLM). Esto simplifica pipelines de agentes IA y reduce latencia y pérdida de contexto.
Rendimiento y eficiencia
Según NVIDIA, es el modelo multimodal abierto más eficiente de su tamaño y lidera varios benchmarks multimodales (document understanding, video/audio reasoning, agentic tasks, etc.). Ofrece hasta 9x más throughput que otros modelos omni abiertos en tareas multimodales manteniendo interactividad similar.
El gráfico que compartiste muestra que Nemotron 3 Nano Omni (barras verdes) supera o compite muy bien contra otros modelos (barras grises) en benchmarks como MMMU, OCR, document understanding, video QA, etc.
Requerimientos para correrlo localmente
Esto es lo más impresionante:
Quantizado 4-bit (recomendado con Unsloth): ≈ 25 GB de RAM/VRAM
8-bit: ≈ 36 GB
Se puede correr en una sola GPU de consumo (ej. RTX 4090 con algo de optimización) o en Macs con suficiente unified memory. NVIDIA y socios ofrecen soporte day-zero en herramientas como:
Unsloth (GGUF optimizados, muy recomendados para local)
llama.cpp
LM Studio
Ollama
vLLM, SGLang, etc.
NVIDIA NIM / build.nvidia.com
También está disponible en Hugging Face (versión BF16 original, FP8, NVFP4) y plataformas cloud (AWS SageMaker, Fireworks, DeepInfra, Together AI, etc.).
Usos principales
Agentes IA (agentic workflows): computer use, browser agents, análisis de documentos, incident management.
Análisis de documentos complejos (múltiples imágenes, tablas, etc.).
Comprensión de video y audio largo.
Transcripción y razonamiento sobre habla.
Q&A multimodal, summarization, etc.
Es especialmente fuerte como sub-agente de percepción dentro de sistemas más grandes.
Pruebas rápidas: OpenRouter (tiene versión free), build.nvidia.com, etc.
Conclusión
Es un lanzamiento importante porque baja significativamente la barrera para tener un modelo multimodal potente y eficiente que se pueda correr localmente o en hardware accesible, sin depender de APIs caras ni stacks complejos de múltiples modelos.
Si tenés hardware decente (al menos ~25-30 GB VRAM/RAM), vale la pena probarlo con Unsloth o LM Studio. Es especialmente prometedor para quien construye agentes o hace tareas que involucran video/audio/documentos.
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?
El panorama del desarrollo de software ha dado un giro radical. Ya no hablamos solo de copilotos que sugieren líneas de código; hablamos de agentes autónomos capaces de manejar terminales, ejecutar planes complejos y refactorizar repositorios enteros. En este escenario, dos titanes se enfrentan: Claude Code, la apuesta de Anthropic, y Kimi Code, la revolución de código abierto llegada desde China por Moonshot AI.
¿Cuál es mejor para tu flujo de trabajo? Analizamos sus capacidades, costes y rendimiento técnico para ayudarte a decidir.
1. ¿Qué es Kimi Code y por qué está en boca de todos?
Desarrollado por Moonshot AI, Kimi Code no es solo un modelo de lenguaje, sino un agente de IA diseñado para vivir en tu terminal. Basado en el modelo Kimi K2.6, destaca por su arquitectura Mixture-of-Experts (MoE) y su capacidad de procesamiento paralelo.
Puntos clave de Kimi Code:
Agent Swarm (Enjambre de Agentes): A diferencia de otros sistemas, Kimi puede desplegar hasta 300 sub-agentes en paralelo. Esto le permite abordar tareas masivas de forma simultánea en lugar de secuencial.
Ventana de contexto: Ofrece hasta 256k tokens, superando los 200k estándar de Claude Sonnet.
Eficiencia: Solo activa el 3% de sus parámetros por consulta, lo que lo hace increíblemente rápido y barato.
2. Claude Code: La referencia en razonamiento y precisión
Anthropic ha posicionado a Claude Code como la herramienta para el desarrollador profesional que busca fiabilidad. Utilizando modelos como Claude 3.5 Sonnet y 4.6 Opus, su fuerte no es solo escribir código, sino entender la intención arquitectónica detrás de él.
Puntos clave de Claude Code:
Razonamiento Secuencial Profundo: Aunque es más lento que el «enjambre» de Kimi, el razonamiento paso a paso de Claude suele cometer menos errores de lógica en sistemas complejos.
Ecosistema MCP: Soporta el Model Context Protocol, facilitando la integración con herramientas de terceros de forma estandarizada.
Gobernanza de Datos: Para empresas occidentales, Anthropic ofrece un marco de cumplimiento y seguridad más maduro.
3. Comparativa Técnica: Frente a Frente
Característica
Kimi Code (K2.6)
Claude Code (Opus/Sonnet)
Arquitectura
Mixture-of-Experts (MoE)
Dense / MoE (según versión)
Modo de ejecución
Paralelo (Swarm)
Secuencial / Razonamiento
Contexto
256,000 tokens
Hasta 1,000,000 (Opus)
Coste (API)
~$0.60 / millón tokens
~$3.00 – $15.00 / millón tokens
Licencia
CLI Apache 2.0 (Open Source)
Propietario
Rendimiento en la vida real:
En benchmarks como SWE-Bench, Kimi K2.6 ha sorprendido alcanzando los 58.6 puntos, superando a versiones previas de GPT y Claude. Sin embargo, en entornos de producción, los desarrolladores reportan que Claude Code sigue siendo más «confiable» para evitar alucinaciones en proyectos de gran escala, mientras que Kimi brilla en tareas de optimización bruta y refactorización masiva.
4. El factor determinante: Coste vs. Privacidad
Aquí es donde la balanza se inclina para un lado u otro según tu perfil:
El ahorro extremo de Kimi: Kimi Code cuesta hasta 10 veces menos que Claude. Puedes ejecutar tareas de 12 horas seguidas por una fracción del precio de Anthropic.
La barrera geográfica de Kimi: Al ser una empresa china (Moonshot/Alibaba), muchas empresas en EE.UU. o Europa tienen restricciones sobre el envío de código propietario a sus servidores.
La madurez de Claude: Si trabajas con código de clientes sensibles, la infraestructura de Anthropic suele ser la opción predeterminada por cumplimiento normativo.
5. ¿Cómo usar mejor cada versión?
Usa Kimi Code si:
Necesitas refactorizar repositorios gigantes de forma económica.
Realizas tareas de optimización de rendimiento (Kimi ha demostrado mejoras del 180% en motores financieros de forma autónoma).
Prefieres herramientas de código abierto que puedas integrar y personalizar en tu propio flujo CLI.
Usa Claude Code si:
Estás diseñando la arquitectura inicial de un sistema y necesitas precisión lógica.
Trabajas en un entorno corporativo con estrictas políticas de privacidad de datos.
Necesitas que la IA entienda dependencias complejas entre múltiples archivos donde el razonamiento profundo es vital.
Conclusión: ¿Cuál es mejor?
No hay un ganador absoluto, sino una herramienta para cada necesidad. Kimi Code es la «fuerza bruta inteligente» y económica, ideal para desarrolladores independientes y optimización masiva. Claude Code es el «arquitecto senior» meticuloso, preferible para proyectos críticos y de alta complejidad.
AI12 meses ago
Nano1 año ago
AI5 meses ago
AI1 año ago