Portada
Más inteligencia, nuevas puertas y una pregunta: ¿quién tiene el control?
Google vuelve a competir por un lugar en el escritorio. Un gran banco estadounidense pone límites a los agentes. Y las plataformas de trabajo piensan cómo recibirlos sin una pantalla de por medio.
La conversación ya no gira solo alrededor de lo que una IA puede responder. También importa qué puede hacer, dónde la dejan actuar y quién responde cuando se equivoca.
En esta edición: tres movimientos para seguir en la operación diaria, una mirada a fondo sobre Gemini 4 Argon y una pequeña paradoja del trabajo automatizado.
El mapa de la semana
1. JPMorgan cierra la puerta a los agentes externos
El 13 de octubre, Jamie Dimon dijo en la llamada de resultados de JPMorgan que el banco no dejará operar cuentas a cualquier agente externo. Esos agentes pueden consultar datos, como saldos, solo en modo lectura, pero no mover dinero ni pagar facturas. El banco prueba su propia herramienta, Smart Cash, para proyectar el flujo de caja.
En la práctica: si llevas la administración de una pyme (ejemplo hipotético), un asistente externo podría mostrarte saldos, pero no pagar por ti.
La lectura: rige en EE. UU. y es una política de un banco. Dimon habló de una «transferencia de responsabilidad» para quien autorice a un agente.
| Qué hace el agente en JPMorgan | Hoy |
|---|---|
| Consultar saldos (solo lectura, vía intermediarios) | Permitido |
| Transferir fondos o pagar facturas | Bloqueado |
| Iniciar sesión con las credenciales del cliente | No permitido |
2. Las plataformas quieren recibir agentes, no solo visitantes
Salesforce explica en su blog para desarrolladores que Headless 360 deja cada capacidad importante disponible como API, herramienta MCP o comando. Así, un agente podría trabajar con los datos del CRM desde Slack o Teams, sin abrir su pantalla. La publicación es de mayo de 2026.
En la práctica: en atención al cliente (ejemplo hipotético), un asistente actualizaría un reclamo desde Teams sin entrar al CRM.
La lectura: es el planteo de la propia empresa y pide integración técnica. Que un sistema deje entrar a un agente no dice quién responde por lo que haga.
| Modo | Cómo llega el agente a los datos |
|---|---|
| Tradicional | Abre la pantalla e imita clics |
| Headless 360 | Usa API o herramientas MCP, con los permisos de la plataforma |
3. Haiku 5.5: más barato, aunque cuente más
Anthropic lanzó Claude Haiku 5.5 el 7 de octubre. Cobra US$0,10 por millón de tokens de entrada y US$0,50 de salida en prompts de hasta 100.000 tokens; Haiku 4.5 cobraba US$1 y US$5. Su tokenizador nuevo cuenta cerca de un 30 % más de tokens por el mismo texto.
En la práctica: si clasificas cientos de correos por día (ejemplo hipotético), un modelo liviano alcanza, y conviene medir la factura de una semana real.
La lectura: según Anthropic, el costo baja en promedio un 75 %, ya descontado el tokenizador. El precio está en dólares.
| Por millón de tokens | Haiku 4.5 | Haiku 5.5 (hasta 100.000) | Haiku 5.5 (más de 100.000) |
|---|---|---|---|
| Entrada | US$1 | US$0,10 | US$0,50 |
| Salida | US$5 | US$0,50 | US$2,50 |
En profundidad
Gemini vuelve. Elegir se vuelve menos sencillo
Un modelo nuevo suele llegar con la misma invitación: mirar una tabla de posiciones y buscar al ganador. Google abrió Gemini 4 Argon a todo público el 13 de octubre y dice que lidera el Vals Index, que mide trabajo en finanzas, programación, derecho e impuestos. Lo lanzó con un precio introductorio de US$2 por millón de tokens de entrada y US$10 de salida.
Esa es la versión de Google, y conviene leerla como tal. Las pruebas de terceros cuentan una historia más matizada, sobre todo en programación, donde los resultados cambian según la herramienta desde la que se usa el modelo.
Ese último detalle importa más que el puesto en el ranking. El modelo no trabaja en el vacío: lo acompañan instrucciones, conectores y mecanismos de revisión. Cambiar ese entorno puede cambiar por completo la calidad del resultado.
| Dato | Lo que informa Google |
|---|---|
| Disponible para todos | 13 de octubre de 2026 (anunciado el 30/09 para un grupo acotado) |
| Posición declarada | Primero en el Vals Index |
| Precio introductorio | US$2 entrada / US$10 salida por millón de tokens |
| Disponibilidad | API en AI Studio; suscriptores Ultra y Pro en la app de Gemini |
Bueno para conversar no significa bueno para revisar
El equipo de Every publicó una guía de uso tras probar Argon. Su consejo es no usarlo para borradores de una sola pasada: sus comentarios sobre estructura y metáforas resultan mejores que su prosa terminada.
Su advertencia más seria es otra. En 17 de 38 corridas de un benchmark, el modelo abrió y cerró su paso de revisión de código con 30 milisegundos de diferencia. Cumplió la forma del procedimiento y se saltó su propósito.
No es una evaluación universal, sino la prueba de un equipo concreto. Aun así deja una distinción útil: producir algo convincente y comprobar que funciona son capacidades distintas.
| Corridas del benchmark de Every | Cantidad |
|---|---|
| Total | 38 |
| Con revisión abierta y cerrada en 30 milisegundos | 17 |
¿Y qué cambia para quien no programa?
Imagina una pequeña empresa comercial (ejemplo hipotético) que necesita ordenar un informe de ventas y auditar las planillas de márgenes que lo respaldan. Una IA puede ayudar a estructurar muy bien el documento, y otra puede revisar mejor los datos.
Eso no obliga a contratar varias suscripciones el lunes. Invita a probar una alternativa con una tarea real antes de abandonar lo que ya funciona, y a no delegar nunca la verificación a ciegas.
La pregunta interesante no es quién ganó esta semana. Es si el nuevo modelo resuelve mejor un problema que efectivamente tienes.
Desde este lado
Un anuncio global todavía no es una solución local
Lo que pudimos verificar es poco y está en dólares: los precios de Haiku 5.5 y de Argon se publican en esa moneda, y Google habla de disponibilidad global por API. No pudimos verificar qué planes, medios de pago locales o impuestos aplican hoy en cada país de la región. Tampoco encontramos comparaciones independientes de Argon con normativa o documentos comerciales en español.
Esa brecha importa. Una herramienta puede impresionar en una demostración en Estados Unidos y no encajar en el presupuesto en dólares, los permisos o los sistemas diarios de un negocio de la región.
En la práctica (ejemplo hipotético): una empresa de servicios local que recibe consultas por correo y WhatsApp necesita saber cómo entrarán esos mensajes, qué datos podrá usar el asistente y quién autorizará las respuestas antes de enviarlas. El puesto del modelo en un ranking global no responde ninguna de esas preguntas.
El dato de color
La automatización llegó a la parte menos conveniente
Primero automatizamos la tarea. Después, la revisión. Finalmente, en apenas 30 milisegundos, el gesto de marcar que la revisión estaba hecha.
El próximo salto de productividad podría ser descubrir que alguien efectivamente la hizo.
El cierre de clarita
Esta edición deja una escena curiosa: más modelos compiten por ayudar en el escritorio, las plataformas piensan en abrir una puerta sin pantalla y un banco pide identificación en la entrada.
Para quien trabaja o lidera un equipo, hay oportunidades concretas. También una responsabilidad que no desaparece: decidir qué delegar y bajo qué condiciones de control.
- Para probar: toma una tarea pequeña de redacción o síntesis que ya tengas resuelta y pruébala en el nuevo modelo, midiendo si exige menos corrección que tu herramienta actual.
- Para observar: qué accesos reales y qué controles de permisos ofrecen los sistemas que ya usas antes de conectar agentes externos.
- Para dejar pasar: la urgencia de cambiar de herramienta o sumar una suscripción cada vez que cambia una tabla de posiciones.
La novedad merece atención. No necesariamente una nueva factura.
Por Carlos · clarita stack.