Comunicación de producto de **Anthropic** publicada el **1 de septiembre de 2026** en anthropic.com (~4.000 palabras, seis secciones, 22 testimonios de socios con acceso anticipado). Anuncia **Claude Fable 5.1** (disponibilidad general) y **Claude Mythos 5.1** (acceso verificado): *el mismo modelo, pero con distintos niveles de salvaguardas*.
Publicación en X de **Andrew Ng** del **14 de agosto de 2026** (16:29 UTC), que retoma la carta «Dear friends» de ***The Batch* #366** (DeepLearning.AI, misma fecha), ~900 palabras. Ng presenta **The AI Engineering Skills Map** y publica **cuatro habilidades** consideradas las más importantes. **(1) Construir y desplegar aplicaciones de IA** — se nombra la especificidad: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, de ahí el énfasis en los *evals* y los bucles de análisis de errores. **(2) Fundamentos de ingeniería de software**, porque *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — el desarrollador inexperto fracasa *« because they don't know what context to give their coding agent »*, de ahí el objetivo de *« steering coding agents using the precise language of software engineering »*. **(3) Uso de agentes de codificación**, en una formulación operativa: *« help the agent autonomously close loops by providing verifiers or evals »*, y *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, junto con *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Una **nota terminológica** aporta la mayor parte del enfoque: Ng habla de **habilidades** en ingeniería de IA y **no del rol** "AI Engineer", con una analogía explícita — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* El conjunto se apoya en *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, de la cual **no se publica ningún resultado numérico**: Ng describe su proceso como *« informally… akin to running clustering »* y anuncia un mapa detallado en futuras publicaciones. Declara el interés en la penúltima frase: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#mapa de habilidades#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Post e informe de **OpenAI Economic Research** publicado el **27 de julio de 2026**, primera entrega de la serie **Work at the Frontier**, que analiza **más de 800.000 mensajes de usuarios estadounidenses de ChatGPT**. **Concepto acuñado**: ***task crossover*** — *« trabajo históricamente asociado a una ocupación que aparece en el uso de la IA de personas de otra »*. **La cifra destacada es en realidad dos cifras, y eso es lo que la cobertura pierde**: **el 16,8% de los mensajes relacionados con el trabajo** corresponden a tareas asociadas a otra ocupación, y **el 43,5% de los mensajes específicos de la ocupación**. El embudo explica la diferencia: **el 61,5% del uso es genérico** (redactar, resumir, planificar — demasiado compartido entre ocupaciones para contar como evidencia de cruce) y queda excluido; del **38,5% restante**, **el 43,5% queda fuera de la ocupación** y el 56,5% está *« dentro **o cerca** »* — de modo que el límite superior se calcula sobre una base reducida, mientras que el límite inferior se calcula sobre la totalidad del uso profesional. **Por ocupación** (proporción de mensajes específicos de la ocupación que apuntan a una tarea externa): experiencia de cliente **77%**, diseño **75%**, RR. HH. **69%**, legal **56%**, marketing **53%**, ventas **40%**, finanzas **40%**, ingeniería **28%** — *« una mayoría en cinco de ocho grupos »*. **Dos direcciones de circulación distintas**: diseño **importa** (35,2%) y **exporta** casi nada (1,7%); ingeniería hace lo contrario (importa 18,5%, exporta 7,4%); **marketing hace ambas cosas** (importa 24,3%, exporta **8,9%**, la mayor proporción de salida de la muestra). **Dos tareas aparecen en el top 3 de préstamos para los otros siete grupos**: **el cálculo financiero** y **la resolución de incidencias tecnológicas**. **El mapa de calor, ausente de la cobertura, es el objeto más rico**: ofrece la distribución completa de las tareas por ocupación del usuario, y su diagonal es llamativa — ingeniería conserva el **53%** de su propio trabajo mientras que experiencia de cliente conserva solo el **11%**, RR. HH. el **10%** y diseño el **12%**. **Efecto tamaño**: la proporción fuera de la ocupación cae del **18,9%** (2-5 empleados) al **16,3%** (>100 empleados) — **pero solo « entre los usuarios promedio »**, precisa OpenAI, que señala que *« entre los usuarios más intensivos, no observamos el mismo patrón monótono »*, y concluye de forma condicional: *« la IA **podría ser** especialmente útil como herramienta generalista allí donde escasean los recursos especializados »*. **Estatus reivindicado**: una **señal temprana**, visible *« antes de que las empresas reescriban las descripciones de puesto o creen nuevos títulos »*. **Reserva estructural**: OpenAI mide el uso de su propio producto, únicamente entre usuarios estadounidenses de ChatGPT, y presenta esta posición como un activo — *« nuestra ventana única sobre cómo está cambiando el mundo del trabajo »*.
#OpenAI Economic Research#Work at the Frontier#task crossover
**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe · l'**AI Jobs Transition Framework** · dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.
Artículo educativo del **MindStudio Team** (blog de la plataforma MindStudio, orquestación de flujos de trabajo multimodelo) que explica los **modèles de langage par diffusion** (*Diffusion Language Models*) a través del caso de **Diffusion Gemma**, la primera implementación de **open weights** de Google (2.000 millones de parámetros, derivada de Gemma 2). La tesis: mientras que los modelos **autoregressive** (GPT-4, Claude, Gemma estándar) generan texto **token a token, de izquierda a derecha** (atención **causal**, cada token fijado una vez producido), los modelos de **diffusion** parten de una secuencia **enmascarada/con ruido** y la **refinan iterativamente** (masked diffusion / *absorbing diffusion*), con **atención bidireccional**: el modelo puede **revisar cualquier posición en cualquier paso**. Consecuencias: alto **paralelismo** (un texto de 500 tokens requeriría 50-100 pasos de eliminación de ruido en lugar de 500 pasadas secuenciales), **infilling** natural y **generación restringida** (relleno de plantillas, completado de código con contexto circundante), y capacidad de **revisión** integrada. Pero a la escala actual (2B), Diffusion Gemma **no iguala** a los grandes modelos autoregresivos (GPT-4o, Gemini 1.5 Pro) en razonamiento, seguimiento de instrucciones y conocimiento general: la brecha se está "cerrando" sin estar cerrada. La inspiración proviene de la generación de imágenes (Stable Diffusion, DALL-E abandonaron la autorregresión hace años); si el mismo principio se sostiene para el texto sigue siendo una pregunta abierta. Diffusion Gemma se distribuye en Hugging Face (Google DeepMind), AI Studio y Vertex AI.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Estudio de Wharton (Generative AI Labs): las personas expertas no mejoran la precisión factual de los LLM - benchmarks GPQA Diamond y MMLU-Pro - SSRN
#prompting de IA#personas#precisión de LLM
Savir Basil · Ina Shapiro · Dan Shapiro · Ethan Mollick · Lilach Mollick · Lennart Meincke (Generative AI Labs, The Wharton School, University of Pennsylvania)
La explosión de tutoriales de IA en YouTube: la democratización de la educación técnica a gran escala, la economía de creadores y los desafíos de calidad