Radar diario de IA
2 de octubre de 2026 · Desde la edición del 1 de octubre, con una noticia recuperada del 30 de septiembre · 5 noticias · Lectura: 7 minutos
|
Tres conclusiones
1. Microsoft amplía la oferta de modelos para agentes de voz, pero sus tres novedades siguen en versión preliminar: conviene medir la conversación completa antes de elegir proveedor.
2. ServiceNow y Ai2 publican métodos técnicos verificables: uno mejora el entrenamiento de agentes con tareas evaluables y el otro acelera el entrenamiento de modelos dispersos.
3. La investigación de la FTC y la sentencia japonesa sitúan la seguridad, la trazabilidad y el consentimiento de voz en decisiones concretas de producto.
|
Las noticias
|
1. Microsoft presenta tres modelos de voz para agentes en tiempo real
MAI-Transcribe-2-Streaming transcribe mientras se habla y dos variantes MAI-Voice-2.1 generan respuestas de voz multilingües.
Resumen. Microsoft lanzó MAI-Transcribe-2-Streaming, con transcripción en 60 idiomas y primeras hipótesis poco después de recibir audio, y MAI-Voice-2.1 y MAI-Voice-2.1-Flash, con síntesis en 23 idiomas. Los tres pueden usarse en Microsoft Foundry. Para un agente telefónico, el cambio práctico es poder empezar a interpretar la petición antes de que termine el turno de voz. La compañía comunica 100 ms para el primer texto provisional, una medida distinta de la latencia total de una conversación.
Limitaciones. Los modelos están en versión preliminar pública, sin acuerdo de nivel de servicio; Microsoft no recomienda aún su uso en producción. Las cifras de precisión y velocidad comparativa proceden de Microsoft y requieren pruebas con acentos, ruido, interrupciones y vocabulario del caso real.
Anuncio técnico de Microsoft · Condiciones de la versión preliminar de MAI-Voice
Técnica · Evidencia media
|
|
2. ServiceNow publica un método para generar tareas de entrenamiento de agentes empresariales
AutoSynthData convierte fallos observados de un agente en ejercicios nuevos y comprueba que cada ejercicio sea realizable y evaluable.
Resumen. El sistema parte de fallos del modelo objetivo, usa un modelo más capaz como referencia y genera tareas con instrucciones, estado inicial y verificador. Exige que el agente objetivo resuelva como máximo una de tres pruebas y el profesor al menos dos de tres; también comprueba que soluciones incorrectas no pasen el verificador. En el entorno EnterpriseOps Gym, 2.000 ejemplos elevaron Pass@1 7,2 puntos porcentuales en el dominio híbrido. En gestión de servicios de TI, pasó de 18,77 % a 27,18 % con 1.994 ejemplos.
Limitaciones. Son evaluaciones del propio equipo en dos entornos simulados. La mejora no demuestra que el método funcione igual en procesos reales con datos incompletos, permisos y excepciones operativas.
Método y resultados de AutoSynthData · Conjunto de datos EnterpriseOps Gym
Técnica · Evidencia media
|
|
3. Ai2 abre Olmo-core 3 para entrenar modelos de mezcla de expertos
La nueva infraestructura mantiene los expertos en las GPU y les envía los datos necesarios, en lugar de reunir repetidamente sus pesos.
Resumen. Ai2 publicó el código y sus pruebas de rendimiento. En una configuración preliminar de 47.000 millones de parámetros y ocho GPU B300, el nuevo sistema procesó 52.000 tokens por segundo y GPU frente a 19.400 de su implementación anterior. Al pasar de 8 a 128 expertos y activar cuatro por token, la capacidad total creció de 4.600 a 47.000 millones de parámetros con una caída de rendimiento inferior al 5 %. El interés está en reducir el coste de entrenar arquitecturas grandes y dispersas, con decisiones de infraestructura reproducibles.
Limitaciones. Las cifras son benchmarks internos en hardware concreto. La prueba de 1,2 billones de parámetros usó enrutamiento aleatorio y mide escala del sistema, no calidad de un modelo entrenado ni rendimiento sostenido en cualquier clúster.
Explicación y pruebas de Olmo-core 3 · Código de Olmo-core
Técnica · Evidencia media-alta
|
|
4. La FTC investiga riesgos para consumidores de empresas de IA
La agencia estadounidense confirmó una investigación que incluye a OpenAI, Anthropic y otras organizaciones.
Resumen. Publicación que faltó, 30/09: un portavoz de la FTC confirmó la investigación a CBS News e indicó que prevé solicitar información a las entidades afectadas, entre ellas METR. La pesquisa examina posibles riesgos para consumidores bajo las competencias de la agencia. Para empresas que integran modelos externos, refuerza la conveniencia de conservar evaluaciones de seguridad, trazabilidad de incidentes y responsabilidades contractuales; esa implicación es una inferencia editorial, no una exigencia nueva publicada por la FTC.
Limitaciones. No hay conclusiones ni infracciones acreditadas. La FTC no ha publicado aún el alcance completo ni las solicitudes concretas. La preparación de requerimientos formales se basa en información periodística, no en documentos públicos de la agencia.
Confirmación de la FTC recogida por CBS News · Cobertura independiente de The Washington Post
General · Evidencia media
|
|
5. Un tribunal japonés reconoce protección a la voz, pero desestima una retirada de vídeos
La resolución sobre una supuesta imitación con IA reconoce que una voz puede estar amparada por derechos de imagen pública.
Resumen. El Tribunal de Distrito de Tokio resolvió el 30 de septiembre la demanda del actor de voz Kenjiro Tsuda contra TikTok. Según la información judicial recogida por Jiji Press y AP, la voz puede tener protección por su valor comercial. El tribunal desestimó la petición de retirar los vídeos porque ya habían sido eliminados. La decisión importa para productos de clonación de voz: documentar consentimiento y derechos de uso es una cuestión de diseño y contratación, especialmente al operar en varias jurisdicciones.
Limitaciones. La sentencia no estableció en este caso una infracción concreta ni decide reglas aplicables fuera de Japón. No hemos localizado el texto íntegro público de la resolución; los detalles proceden de agencias y prensa que informaron sobre ella.
Crónica de Jiji Press sobre la resolución · Información de AP sobre el documento judicial
General · Evidencia media
|
|
Radar Instintia
1. En pilotos de call center, medir tiempo de respuesta de extremo a extremo, precisión por idioma y ruido, interrupciones y coste por llamada; los 100 ms de texto provisional no representan la experiencia completa.
2. Para agentes internos, construir tareas de prueba con estado inicial, criterio de éxito y ejemplos de fallo. El enfoque de AutoSynthData ofrece una pauta útil incluso sin reentrenar modelos.
3. En ofertas de voz sintética, exigir prueba de consentimiento y definir quién puede crear, conservar o revocar una voz. Evitar afirmar que una única política cubre todas las jurisdicciones.
|
|
Selección editorial basada en fuentes identificadas. Los resultados y comparaciones de proveedores se atribuyen a sus autores; las limitaciones se indican en cada noticia.
Instintia · Servicios de inteligencia artificial
|
|