22 septiembre 2026 — La guerra de precios de la IA llega al back office

22 septiembre 2026 — La guerra de precios de la IA llega al back office

OpenAI baja el coste de sus modelos de trabajo diario

OpenAI lanzó GPT-6 Sol y Luna, dos modelos pensados para tareas complejas y trabajo de alto volumen con una rebaja fuerte de precio frente a la generación 5.6. Sol apunta a coding y tareas complejas; Luna, a extracción, resumen y trabajos clericales con objetivo claro. La compañía promete menos errores y disponibilidad en ChatGPT Work, Codex y API.

Por qué importa: Para automatización contable, la señal no es “más inteligencia abstracta”, sino coste por tarea terminada. Si modelos suficientemente buenos bajan de precio, más procesos de back office dejan de ser demos caras y empiezan a cuadrar en margen.

Fuente: TechCrunch

Anthropic responde con Opus 5.5 más barato y más operativo

Anthropic presentó Claude Opus 5.5, una actualización enfocada en coding, computer use y trabajo de conocimiento. La compañía dice que el modelo supera a Fable en varios benchmarks y reduce costes frente a Opus 5, con caídas relevantes en tokens de salida y cache reads. También promete respuestas más claras y menos jerga.

Por qué importa: La carrera empieza a parecerse menos a “quién tiene el modelo más mágico” y más a “quién ofrece fiabilidad útil a precio soportable”. Para Intelia, eso empuja una arquitectura multi-modelo: usar frontier cuando hace falta y modelos eficientes para volumen.

Fuente: TechCrunch

Snorkel AI levanta 350 millones: los datos vuelven al centro

Snorkel AI cerró una Serie E de 350 millones de dólares a una valoración de 3.500 millones. La empresa ha pasado de automatizar etiquetado a vender datasets completos y entornos de reinforcement learning para laboratorios y corporaciones. TechCrunch recoge que su run-rate anualizado ya estaría en 375 millones, multiplicando por 18 en un año.

Por qué importa: Cuando todos tienen acceso a modelos potentes, el diferencial se desplaza a datos, entornos de evaluación y feedback experto. En contabilidad, el equivalente es claro: dataset propio de facturas, criterios de validación, excepciones y cierres reales.

Fuente: TechCrunch

La empresa no necesita más copilotos: necesita rediseñar trabajo

PYMNTS analizó un estudio sobre adopción enterprise de IA y encontró una paradoja: usar IA en más funciones no aumenta por sí solo el número de tareas cubiertas, pero sí dispara la probabilidad de obtener retorno cuando la organización cambia datos, permisos y flujos. Las empresas con IA embebida en tres o más funciones reportan más barreras, pero también mucho más retorno.

Por qué importa: Es exactamente la tesis incómoda para automatización financiera: el modelo no arregla un proceso roto. El valor aparece cuando permisos, datos maestros, aprobaciones y ERP están preparados para que el agente pueda actuar sin romper controles.

Fuente: PYMNTS

OpenAI vende a bancos una vía rápida sobre sistemas legacy

PYMNTS explicó cómo los agentes de computer use pueden operar pantallas antiguas de banca como lo haría un empleado: leer terminales, rellenar formularios y moverse entre sistemas que no se hablan entre sí. El artículo aterriza el caso en core banking, COBOL y back office, pero también advierte que los mejores agentes todavía fallan en tareas largas y realistas.

Por qué importa: Esta es una de las rutas más cercanas a ROI en finanzas: automatizar procesos donde la integración clásica sería lenta o carísima. Para Intelia, la oportunidad está en capturar acciones repetibles sobre ERPs sin prometer autonomía total desde el día uno.

Fuente: PYMNTS

🔴 La otra cara

Los bancos piden audit trail antes de dejar comprar a agentes

Seis bancos publicaron principios para agentic commerce y pidieron evidencia auditable desde la instrucción del cliente hasta el resultado del pago. El problema de fondo: si un agente compra mal, se pasa de presupuesto o cae en una estafa, hoy no siempre está claro quién responde ni qué prueba existe.

Por qué importa: En contabilidad y pagos, el agente sin rastro es veneno. Cualquier producto serio tendrá que guardar intención, permisos, decisión, ejecución y revisión como parte nativa del flujo.

Fuente: PYMNTS

El banco central australiano enfría la fiesta: aún no hay productividad

La gobernadora del Reserve Bank of Australia, Michele Bullock, dijo que la IA podría estar en una burbuja y que todavía no hay evidencia de que esté haciendo más productiva a la economía australiana. Su lectura es especialmente incómoda: la adopción puede estar añadiendo presión inflacionaria antes de generar crecimiento medible.

Por qué importa: Es un recordatorio sano para vender automatización con métricas concretas, no con promesas macro. Si no se mide tiempo ahorrado, errores evitados y coste por proceso, todo acaba sonando a pitch de burbuja.

Fuente: The Guardian

Entrenadores de OpenAI fueron despedidos por usar IA para entrenar IA

404 Media reportó que varios contratistas que ayudan a mejorar modelos de OpenAI fueron apartados por usar herramientas de IA en tareas que requerían juicio humano. La ironía es evidente, pero el riesgo es serio: si el feedback humano se contamina con texto generado por modelos, la calidad del entrenamiento y la evaluación se degrada.

Por qué importa: Las empresas van a necesitar controles de calidad también sobre el trabajo “humano asistido por IA”. Para datasets contables, revisiones y ground truth, la procedencia del juicio importa tanto como el dato.

Fuente: 404 Media

🤔 La voz escéptica

Andrew Ng sostiene que el miedo reciente a la IA ha corrido más rápido que la evidencia técnica nueva. — Yash Thakker / explainx.ai

Su punto merece atención porque separa riesgos reales de ciberseguridad de relatos apocalípticos poco accionables. Incluso si no compartes su optimismo, obliga a bajar el debate a sandboxes, permisos, egress y responsabilidad de producto.

Gary Marcus compara dar a Altman voz central en seguridad IA con dejar que el causante escriba el código antiincendios. — Gary Marcus

Marcus exagera a propósito, pero apunta a un conflicto real: los actores que más se benefician del despliegue son también quienes intentan definir las reglas. Conviene escuchar esa crítica antes de comprar cualquier marco de “autorregulación responsable”.

Marcus ve en Meta Muse un patrón antiguo: mucha promesa de agente, mucha dependencia humana escondida. — Gary Marcus

La tesis conecta con el problema comercial del AI washing. Si un agente necesita call centers o intervención manual para parecer autónomo, el producto puede seguir siendo útil, pero las métricas de coste, escalabilidad y confianza cambian por completo.

Fuentes nuevas para vigilar

404 Media, porque está sacando historias muy buenas sobre la trastienda laboral, privacidad y datos de entrenamiento de la IA. explainx.ai, porque traduce debates técnicos y de seguridad a lectura útil para builders sin tragarse todos los titulares.