la IA entra en la era de la eficiencia — la guerra de precios, Kimi K3 y los robots que ya caminan

Julio de 2026 ha sido, hasta ahora, el mes más denso de la historia reciente de la inteligencia artificial. Setenta y un lanzamientos en treinta y un días, una bajada de precios sin precedentes en el coste de la inferencia, el mayor modelo abierto jamás publicado y el salto más importante que la IA ha dado hacia el mundo físico. Y todo ello con un nuevo actor tomando decisiones: el Gobierno de Estados Unidos, que por primera vez puede bloquear un modelo antes de que llegue al público.

Si hace un año la conversación sobre IA giraba en torno a una sola pregunta —qué modelo es el más inteligente—, en julio de 2026 esa pregunta ya no es la importante. La que importa es otra: cuánto cuesta que tu empresa funcione con inteligencia artificial, y qué garantías tienes de que el modelo que usas mañana seguirá disponible mañana. En apenas una semana, tres de los mayores laboratorios del mundo publicaron modelos que reescribieron la tabla de precios del sector. Y en paralelo, la regulación europea empezó a contar días.

Esta es la radiografía completa de lo que pasó en julio, con lo que significa para developers, empresas, profesionales y usuarios finales. Incluye los números concretos, los siete consejos accionables que se derivan de este mes y una agenda de lo que ya está anunciado para agosto, septiembre y octubre.

1. La guerra de precios empieza de verdad: tres gigantes en 48 horas

El 8 de julio, SpaceXAI publicó Grok 4.5, su modelo más inteligente hasta la fecha, entrenado en colaboración con Cursor y orientado a programación, tareas agénticas y trabajo de conocimiento. Precio: 2 dólares por millón de tokens de entrada y 6 por millón de salida, con una eficiencia de tokens aproximadamente dos veces mejor que la de modelos equivalentes, lo que permite resolver tareas en menos de la mitad de pasos.

La mañana siguiente, OpenAI empezó a desplegar GPT-5.6 en tres niveles: Sol, Terra y Luna. Y prácticamente al mismo tiempo, Meta lanzó Muse Spark 1.1, su primer modelo cerrado de pago después de años dominando el mercado de pesos abiertos con la serie Llama. Es un cambio de estrategia relevante: Meta está bets sobre monetizar la capa de inferencia agéntica en lugar de regalar el modelo.

La comparación es el titular real: los nuevos modelos de gama media ofrecen alrededor del 80 % de la capacidad por cerca del 5 % del coste de los modelos insignia que se consideredaban estado del arte hace apenas unos meses. GPT-5.6 Terra iguala el rendimiento de GPT-5.5 con la mitad de precio; Luna es un 80 % más barato que Sol. El fondo de todo esto es que la curva de coste-inteligencia se está desplazando hacia abajo de forma permanente.

También hubo movimiento al otro lado del espectro de la apertura. Anthropic publicó Claude Opus 5 a 5/25 dólares por millón de tokens, sin cambio de precio, con una ventana de contexto de un millón de tokens y cinco niveles de esfuerzo de razonamiento. En CursorBench 3.2 se sitúa a menos de un 0,5 % del máximo de Fable 5 con la mitad de coste por tarea, y triplica al siguiente modelo en ARC-AGI 3.

2. Washington decide cuándo un modelo llega al público

Lo verdaderamente sorprendente de julio no fue un modelo, sino un cambio de procedimiento. Tras la orden ejecutiva del 2 de junio, “Promoting Advanced AI Innovation and Security”, el Gobierno estadounidense estableció un proceso de revisión previo al lanzamiento para sistemas de IA avanzados. No hay licencias obligatorias todavía, pero el efecto práctico es evidente: Washington consulta y decide, caso por caso, cuándo los modelos más potentes pueden llegar al público.

Los dos casos son instructivos. Claude Fable 5, lanzado en junio, fue retirado días después bajo controles de exportación por preocupações sobre su capacidad para encontrar vulnerabilidades de seguridad; regresó a disponibilidad pública el 1 de julio tras aprobación gubernamental. GPT-5.6 pasó semanas limitado a una lista corta de organizaciones aprobadas —aproximadamente veinte— antes de su lanzamiento más amplio el 9 de julio. Es la primera vez que un modelo de frontera se somete a una revisión cliente por cliente antes de hacerse público.

La consecuencia práctica para cualquier empresa es inmediata: la discontinuidad de proveedor ya no es un riesgo teórico. Un modelo puede desaparecer del mercado durante semanas por razones que no tienen que ver con su calidad, su precio ni sus términos comerciales.

3. Kimi K3: el mayor modelo abierto jamás publicado

El 16 de julio, Moonshot AI presentó Kimi K3, un modelo de 2,8 billones de parámetros que se convirtió de inmediato en la mayor publicación de pesos abiertos de la historia. Tres datos explican la magnitud:

• 2,8 billones de parámetros totales, con 104 mil millones activados gracias a una arquitectura de dispersión de expertos (MoE) que enruta cada token a 16 de 896 expertos especializados.
• Un millón de tokens de contexto, la mayor ventana entre los modelos abiertos analizados.
• Visión nativa: el multimodal forma parte del modelo, sin lector óptico externo, lo que le permite leer una captura de pantalla, observar el resultado de una aplicación y decidir su siguiente acción.

Moonshot publica también las tres herramientas de infraestructura que hicieron posible el modelo: FlashKDA, que acelera la decodificación entre 1,72 y 2,22 veces en contextos de un millón de tokens; MoonEP, que reduce las pérdidas de comunicación entre dispositivos durante el entrenamiento y la inferencia; y AgentEnv, que permite congelar la ejecución de un agente a medias, retomarla o abrir una copia paralela para probar otro camino —exactamente la capacidad que falta cuando un trabajo largo de horas se tuerce.

Los resultados son asombrosos: K3_CODE se sitúa por encima de otros modelos abiertos y propietarios en tareas de programación agéntica de horizonte largo, y fue el primer modelo en arquitectura MoE en alcanzar 9,5/10 en SWE-Verified. Debutó número uno en el Frontend Code Arena por delante de Claude Fable 5 y tercero en el Intelligence Index de Artificial Analysis. La demanda fue tal que Moonshot tuvo que pausar nuevas suscripciones de API. Los pesos completos se publicaron el 27 de julio bajo una licencia de pesos abiertos propia, no OSI.

Julio también traxo dos lanzamientos abiertos de peso pesado: Inkling de Thinking Machines Lab (975 mil millones de parámetros totales, 41 mil millones activos, 1M de contexto, preentrenado con 45 billones de tokens de texto, imagen, audio y vídeo) y K-EXAONE 2.0 de LG AI Research (750 mil millones de parámetros bajo licencia Apache 2.0, el mayor modelo foundationaldeveloped en Corea).

4. Gemini Robotics 2: los robots ya controlan el cuerpo entero

El 30 de julio, Google DeepMind presentó Gemini Robotics 2, probablemente el avance más significativo del mes hacia la AGI física. Por primera vez, Gemini controla humanoides completos de los pies a las yemas de los dedos, con movimiento coordinado de piernas, brazos y manos, sin programar por separado cada desplazamiento, giro o gesto.

La arquitectura se apoya en tres modelos que trabajan en paralelo:

• Gemini Robotics 2: modelo visión-lenguaje-acción que convierte visión e idioma en control motor. Controla humanoides completos y añade un nivel nuevo de destreza en manos y pinzas.
• Gemini Robotics ER 2: el modelo de razonamiento incorporada, disponible ya en Gemini API y Google AI Studio. Es el “cerebro” de alto nivel que se comunica con personas, planifica tareas de varios minutos viendo el vídeo continuo de su propia ejecución para corregir errores sobre la marcha, y natively llama a herramientas como Google Search. Introduce además la colaboración entre robots de distinto tipo, repartiendo tareas en espacios compartidos.
• Gemini Robotics On-Device 2: optimizado para ejecutarse dentro del propio robot. Puede adaptarse a diseños completamente nuevos en pocas horas de datos, normalmente con menos de 200 ejemplos, incluso cuando cambian sensors, articulaciones o grados de libertad.

En los vídeos publicados, los robots caminan, se agachan, recogen objetos y los colocan en otro lugar dentro de una misma secuencia; enroscan una bombilla, cierran una bolsa de basura y colaboran repartiendo el trabajo. En seguridad, Google presenta ASIMOV-Agentic, un benchmark que comprueba si el sistema rechaza órdenes peligrosas, reconoce cuándo una tarea no puede realizarse y pide ayuda cuando tiene dudas: el modelo de razonamiento detiene un robot humanoide cuando una persona se acerca y reanuda de forma autónoma cuando la zona está despejada.

Matiz importante y honesto: los modelos fueron entrenados específicamente para las tareas mostradas, con teleoperación humana, ejemplos en vídeo y simulación. No son máquinas de propósito general, y los dos modelos VLA y On-Device siguen reservados a colaboradores seleccionados.

5. GPT-Live: la voz deja de ser un turno de ida y vuelta

El 8 de julio, OpenAI presentó GPT-Live, una nueva generación de modelos de voz con arquitectura full-duplex: el modelo escucha y habla al mismo tiempo. Puede demonstrar que está prestando atención con frases como “mmm” o “sí”, participar en intercambios rápidos y quedarse en silencio cuando necesitas un momento para pensar.

La innovación estructural es la separación de responsabilidades: GPT-Live gestiona la interacción continua, mientras que las preguntas que requieren búsqueda web, razonamiento profundo o trabajo agéntico se delegan en segundo plano a un modelo de frontera —GPT-5.5 en el lanzamiento— y el resultado vuelve a la conversación cuando está listo. Mientras tanto, la voz sigue hablando contigo y mantiene el flujo.

ChatGPT Voz ahora permite elegir nivel de razonamiento (Instant, Medium, High) y muestra tarjetas visuales enriquecidas sobre clima, acciones o deportes mientras hablas. En las evaluaciones, GPT-Live-1 supera ampliamente al modo de voz avanzado en GPQA (razonamiento científico), BrowseComp (búsqueda web agéntica) y τ³-Voice Telecom (soporte de telecomunicaciones realism). El 31 de julio OpenAI añadió marcas de agua SynthID al audio compatible y publicó acceso a la API de verificación de procedencia.

6. Anthropic encuentra “el lugar donde Claude piensa”

El 6 de julio, Anthropic publicó una técnica de interpretabilidad que permite observar conceptos usados internamente por sus modelos aunque esas palabras nunca aparezcan ni en la pregunta ni en la respuesta. El resultado es lo que los investigadores denominan J-space: un espacio de trabajo donde el modelo parece mantener información disponible para razonar, modificarla y expresarla si se le pregunta.

No es una cadena de razonamiento legible, no contiene toda la actividad del modelo y no demuestra conciencia. Pero sí es funcionalmente similar a la teoría del espacio de trabajo global de la neurociencia. En razonamiento factual de dos pasos, Sonnet 4.5 alcanza el 98 % de respuestas correctas sin intervención; una eliminación ligera de las representaciones del J-space lo baja al 68 %, una intervención intermedia al 26 % y una fuerte al 6 %. El equipo también propone una técnica de entrenamiento llamada Counterfactual Reflection Training y ha publicado materiales de replicación.

Por qué importa: durante décadas no se pudo observar el razonamiento interno. En 2026 se empieza a poder modificarlo experimentalmente. Esa es una diferencia cualitativa.

7. Europa pone la fecha: 2 de agosto

Julio fue también el mes de los preparativos regulatorios europeos. El Reglamento (UE) 2026/1744, Ómnibus Digital sobre IA, aplazó la aplicación de los requisitos para sistemas de alto riesgo y flexibilizó la obligación de alfabetización en IA, sustituyendo la exigencia de garantizar un nivel específico de conocimientos por la adopción de medidas proporcionadas de formación. Además, la Comisión Europea publicó las directrices finales sobre las obligaciones de transparencia del artículo 50, aplicables de forma general desde el 2 de agosto de 2026, que aclaran cuándo debe informarse a una persona de que está interactuando con un sistema de IA y en qué supuestos los contenidos generados deben identificarse como tales.

Si tienes una empresa con operaciones o clientes en la Unión Europea, el etiquetado, los avisos de interacción y los procesos de cumplimiento dejan de ser opcionales en cuestión de días.

8. El resto del mes en dos minutos

• Google publicó Gemini 3.6 Flash, 3.5 Flash-Lite y 3.5 Flash Cyber, con un 17 % menos de uso de tokens de salida y precio de salida reducido de 9 a 7,50 dólares por millón. Gemini 3.5 Pro sigue retrasado por una reconstrucción arquitectónica, aunque Gemini 4 ya está en preentrenamiento.
• ByteDance lanzó Seedance 2.5 globalmente y por primera vez en Estados Unidos: clips nativos de 30 segundos, modo de vídeo largo que ensambla hasta 3 minutos con personajes consistentes, hasta 50 referencias multimodales y control de marca de tiempo al segundo, con plugins reales de Maya y Blender.
• Black Forest Labs presentó FLUX 3 y Meta publicó Muse Image y Muse Video.
• DeepSeek está diseñando su propio chip de inferencia para depender menos de Nvidia y Huawei. AMD, por su parte, cerró con Anthropic un acuerdo de hasta 2 GW de cómputo MI450.
• Google Lyria 3.5 powers Flow Music con avances en musicalidad, letras y calidad vocal; Google Vids incorporó Gemini Omni y avatares personales.
• NOAA, la agencia estadounidense de meteorología, está modernizando su supercomputación operativa con máquinas virtuales H4D de Google Cloud para llevar la predicción numérica del tiempo directamente a la nube pública, y tres satélites FireSat se pusieron en órbita desde Vandenberg para la detección temprana de incendios forestales.

9. Siete consejos accionables para julio de 2026

Los titulares de julio solo valen algo si se traducen en decisiones. Estos son los siete movimientos que este mes hace rentables, ordenados por impacto:

1. Reasigna tu carga de trabajo con un modelo de enrutamiento. La diferencia entre un modelo insignia a 30 $/millón de salida y uno de gama media a 6 $ es de un 80 %. La mayoría de tareas de una empresa (extracción de datos, clasificación, redacción rutinaria, atención al cliente de primer nivel) no necesitan el modelo más inteligente. Configura una política de enrutamiento y mide qué porcentaje de tus llamadas realmente exige el escalón superior.
2. Audita tu dependencia de proveedor. Un modelo puede desaparecer del mercado durante semanas por razones regulatorias, no comerciales. Pregúntate qué parte de tu operación dejaría de funcionar mañana si tu proveedor principal se retirase, y qué parte podrías mover a un modelo abierto como Kimi K3, Inkling o K-EXAONE 2.0 sin reescribir el código.
3. Empieza a evaluar modelos abiertos en serio. Por primera vez hay alternativas abiertas con rendimiento de frontera en programación agéntica y contexto de un millón de tokens. El argumento histórico de “es que es abierto y por eso es malo” ya no se sostiene en 2026.
4. Prepara el etiquetado de cumplimiento europeo antes del 2 de agosto. Identifica todos los puntos de tu producto donde un usuario interactúa con un sistema de IA y todos los lugares donde generas contenido. La directrices del artículo 50 no son ambiguas en su intención.
5. Reescribe tus flujos de voz como flujos de trabajo, no como menús. La arquitectura full-duplex de GPT-Live cambia el diseño de la interfaz: ya no tiene sentido construir un árbol de opciones para una consulta de soporte. Piensa en delegar la tarea a un agente y mantener la conversación viva mientras tanto.
6. Documenta cómo razonan tus modelos, si puedes. Las técnicas de interpretabilidad como J-space de Anthropic son hoy experimentales, pero la dirección es clara. Los equipos que sepan explicar por qué su sistema decidió lo que decidió tendrán ventaja cuando esto sea un requisito, no una opción.
7. No desperdicies los modelos grandes en tareas de un paso. El razonamiento profundo cuesta tiempo y tokens. Reserva los niveles de esfuerzo altos (Max, xhigh) para problemas de horizonte largo y usa los modos rápidos para todo lo demás. El ahorro en latencia se traduce directamente en productividad percibida.

10. Lo que viene: agenda de agosto, septiembre y octubre

Julio dejó varios hilos abiertos que se cerrarán en los próximos meses:

• 2 de agosto de 2026: aplicación general de las obligaciones de transparencia del artículo 50 del Reglamento Europeo de IA. Obligatorio informar de la interacción con IA y etiquetar el contenido generado.
• Gemini 4: actualmente en preentrenamiento, con Gemini 3.5 Pro aún pendiente de reconstrucción arquitectónica. Google ha hinted que ambos se moverán este otoño.
• Gemini Robotics 2: la apertura gradual de los dos modelos VLAReserved a colaboradores seleccionados. El ritmo de esta apertura marcará el estado de la robótica aplicada en 2027.
• Silicio propio para IA: el movimiento iniciado por DeepSeek apunta a una tendencia que se consolidará durante 2027. Cada laboratorio que diseñe su propia infraestructura de inferencia reduce su dependencia de Nvidia y de las cadenas de suministro asociadas, lo que alterará la geopolítica del sector durante 2027.
• Divulgación de Inkling-Small: el modelo de 276 mil millones de parámetros de Thinking Machines iguala o supera a su hermano mayor en muchas evaluaciones, lo que sugiere que la recipe de preentrenamiento mejora más rápido que la escala. Sus pesos completos están pendientes de publicación.
• Agentes de larga duración: AgentEnv de Moonshot, la congelación de contexto y la persistencia de estado son el siguiente frente técnico. El objetivo son agentes que trabajen horas con fiabilidad, no minutos.

Conclusión

Julio de 2026 no fue el mes de un modelo estrella, sino el mes en que la inteligencia artificial dejó de ser cara y frágil. Los precios de inferencia se desplomaron, la apertura llegó a niveles de escala que nadie había visto, la voz se volvió continua y los robots aprendieron a caminar de forma coordinada mientras razonan sobre lo que hacen.

La contrapartida es que el poder de decisión se ha desplazado: el Gobierno estadounidense controla cuándo llega un modelo al público, la Unión Europea controla cómo se presenta al usuario, y las empresas sin estrategia explícita de proveedores se quedan sin margen de maniobra. La ventaja competitiva de los próximos meses ya no será tener el mejor modelo, sino tener el mejor sistema para elegir, auditar y cambiar de modelo en el momento exacto en que el mercado o la regulación lo exijan.

Esta es la primera de tres noticias de nuestra serie sobre la inteligencia artificial de julio, agosto y septiembre de 2026. En la próxima, el efecto de la aplicación de las directrices europeas y lo que ocurre en el mercado de modelos abiertos.