Ya se puede probar la primera beta de WordPress 7.2. Se publicó el 20 de octubre y trae, entre otras cosas, una API para guardar claves y credenciales de forma segura, sombras de texto, notas con reacciones para trabajar en equipo, imágenes que se preparan en el navegador antes de subirlas y un panel de administración que carga más rápido. La versión final está prevista para el 8 de diciembre de 2026.
Cada versión grande de WordPress pasa por varias betas y versiones candidatas (RC) para que la comunidad encuentre fallos antes de que lleguen a millones de sitios. Buena parte de lo nuevo viene del plugin Gutenberg, donde el editor de bloques se desarrolla y se prueba primero: la 7.2 incorpora lo publicado en Gutenberg desde la versión 23.7 hasta la 24.3. La 7.1 ya había empezado a permitir estilos distintos según el tamaño de pantalla, y la 7.2 lleva esa idea a más bloques y herramientas de diseño.
El anuncio lo deja claro desde la primera línea: esta beta es solo para pruebas y desarrollo. No hay que instalarla en un sitio en producción ni en uno importante, sino en un entorno de pruebas o en una instalación local.
Claves de WordPress 7.2 Beta 1
API de secretos (Secrets API): una forma estándar de guardar datos sensibles, como claves de API o tokens de acceso, con cifrado en reposo, rotación de credenciales y la posibilidad de elegir dónde se almacenan.
Diseño por tamaño de pantalla: más bloques y herramientas admiten ajustes distintos para móvil, tableta y escritorio. La Galería, por ejemplo, puede cambiar el número de columnas, el recorte y la proporción de las imágenes según la pantalla.
Sombras de texto: se configuran en los ajustes de cada bloque o se definen como valores predefinidos en el archivo theme.json del tema, para que todo el sitio use las mismas.
Estilos globales más fáciles de revisar: un filtro nuevo, «Customized», muestra los bloques con estilos modificados, y el panel de cada bloque enseña los valores que hereda de los estilos globales. También llegan estilos para los elementos de formulario.
Notas para trabajar en equipo: las notas pasan al margen del propio contenido, admiten reacciones con emoji, tienen un modo minimizado y se pueden tener abiertas a la vez que los ajustes del bloque.
Imágenes procesadas en el navegador: la Biblioteca de medios puede redimensionar, comprimir y convertir las imágenes en el equipo de quien las sube, antes de enviarlas. Esto descarga al servidor y ayuda en alojamientos con pocas herramientas de imagen.
Un administrador más rápido: los scripts y hojas de estilo del panel se cargan por separado en lugar de combinados en archivos grandes, para que el navegador los guarde mejor en caché, y WordPress precarga los recursos de la pantalla que probablemente se abrirá después.
Otros cambios visibles: la navegación del sitio se gestiona desde la barra lateral del editor, un widget nuevo del escritorio, «On This Day», recupera entradas publicadas el mismo día en años anteriores, los mensajes de error del editor son más claros y los iconos antiguos del menú y la barra (Dashicons) se sustituyen por los de la biblioteca de iconos actual.
Para desarrolladores: se amplían la Abilities API, que da acceso a los datos del sitio a integraciones, automatizaciones y herramientas de IA; la Interactivity API, con nuevas formas de mostrar HTML de confianza y de gestionar la navegación reactiva, y la HTML API. Hay además un inspector de bloques nuevo basado en DataForm y una dirección que redirige a una entrada al azar.
Cómo probar la beta sin arriesgar tu sitio
El equipo de WordPress propone cuatro caminos. En todos los casos, mejor en una copia o en un sitio local:
Con el plugin WordPress Beta Tester: se instala y se activa, y en sus ajustes se elige el canal «Bleeding edge» y el flujo «Beta/RC Only». A partir de ahí el sitio se actualiza a cada beta y RC.
Con WP-CLI, desde la terminal del servidor de pruebas: wp core update --version=7.2-beta1
Descargando el zip de la Beta 1 desde wordpress.org e instalándolo a mano.
En el navegador, con WordPress Playground: una instalación completa que funciona dentro de la pestaña, sin servidor ni configuración. Es la forma más rápida de echar un vistazo.
Si algo falla, el anuncio pide contarlo en la sección Alpha/Beta de los foros de soporte o, para quien sepa preparar un informe reproducible, abrir un ticket en Trac, el gestor de fallos de WordPress.
Qué cambia para quien mantiene un sitio o un plugin
La pieza con más recorrido es la API de secretos. Muchos plugins guardan claves de servicios de pago, de correo o de IA, y hasta ahora el núcleo no ofrecía una forma común de guardarlas cifradas: con una API del núcleo, un plugin puede delegar en WordPress algo en lo que es fácil equivocarse. La ampliación de la Abilities API apunta en la misma dirección que el resto del sector, con herramientas automáticas y agentes de IA que necesitan leer y consultar los datos del sitio de una forma ordenada.
Para quien desarrolla temas y bloques, este es el momento de probar: las sombras en theme.json, los ajustes por tamaño de pantalla y el inspector basado en DataForm pueden cambiar cómo se ven o se configuran sus bloques. El cambio en la carga de scripts del administrador también merece una prueba en sitios con plugins que añaden sus propios archivos al panel. Detectarlo ahora, con cuatro betas y tres RC por delante, cuesta mucho menos que hacerlo el día del lanzamiento.
Estas son las fechas previstas, todas a las 15:00 UTC:
Versión
Fecha
Beta 1
20 de octubre de 2026
Beta 2
27 de octubre
Beta 3
3 de noviembre
Beta 4
10 de noviembre
RC1
17 de noviembre
RC2
24 de noviembre
RC3
1 de diciembre
WordPress 7.2 final
8 de diciembre de 2026
WordPress 7.2 llega con más cambios para desarrolladores que para quien solo escribe, aunque las notas, las sombras de texto y el diseño por pantalla se notarán en el editor de todos los días. Como en cada ciclo, el anuncio advierte que esto es solo el comienzo y que habrá ajustes en cada beta y RC: lo que se ve hoy en la Beta 1 puede cambiar antes del 8 de diciembre.
Linus Torvalds publicó Linux 7.3 el domingo 18 de octubre, en la fecha prevista. La nueva versión estable del kernel llega con entrada y salida más rápidas, mejoras de rendimiento en Btrfs, más preparación para los procesadores AMD Zen 6 y soporte inicial para el mando de Steam de 2026, entre miles de cambios más.
Linux 7.3 abrió su ventana de cambios a mediados de agosto y la cerró con su primera versión candidata el 30 de ese mes. Según LWN, en esas dos semanas entraron 15,267 cambios, la segunda cifra más alta de la historia del kernel en ese punto, solo por detrás de Linux 6.7, que incluyó casi 3,000 commits del historial de bcachefs. Firmaron el trabajo 2,450 desarrolladores, 520 de ellos por primera vez. Después vinieron siete versiones candidatas que el propio Torvalds describió varias veces como grandes, en buena parte por el aluvión de correcciones encontradas con ayuda de herramientas de IA.
El anuncio es breve: «nada muy especial parece haber pasado esta última semana, así que, como se esperaba, la 7.3 final ya está aquí». Torvalds avisa de que está de vacaciones con su familia, que pasará parte del día «en un barco y bajo el agua» y que la ventana de Linux 7.4 quizá necesite una semana extra para ponerse al día. Pero no la usará para colar trabajo tardío: lo que se fusione tiene que estar listo antes de que se abra la ventana, «así que no intentéis ninguna travesura».
Claves de Linux 7.3
E/S más rápida: Phoronix destaca ganancias en pruebas sintéticas de entrada y salida que se notan también en bases de datos y otras cargas con mucho disco, en varios sistemas. Btrfs suma sus propias mejoras de rendimiento.
Btrfs hace limpieza: desaparece la versión 1 de la caché de espacio libre, en desuso desde Linux 6.11, y la vieja opción de montaje usebackuproot, que hay que sustituir por rescue=usebackuproot.
Nuevo planificador de grupos: cambia cómo se reparte el peso de la CPU entre grupos de control (cgroups) en máquinas con muchos núcleos, donde el cálculo anterior podía dar factores de escala diminutos. El nuevo modo por omisión se llama concur. Además, sched_ext completa sus subplanificadores, que permiten delegar en otro planificador una parte del árbol de grupos.
failfs para aislar procesos: un sistema de archivos nuevo en el que cualquier operación falla. Un proceso con la raíz o el directorio de trabajo dentro de él solo puede abrir archivos a partir de descriptores que ya tenía abiertos. Llega con la llamada fchroot().
Hardware: el kernel ya distingue el nuevo núcleo de bajo consumo de AMD Zen 6; empieza el soporte de los Apple M3 Pro, Max y Ultra, aunque todavía no está listo para el usuario; y llegan controladores iniciales para el mando de Steam de 2026 y para los mandos de la consola portátil MSI Claw, trabajo de Valve.
Gráficos antiguos: también gracias a Valve, las primeras generaciones de GPU AMD GCN mejoran la recuperación tras un reinicio de la GPU, y los equipos con poca memoria de vídeo la gestionan mejor.
Rust y archivos: Rust llega a PowerPC y gana nuevas abstracciones para el resto del kernel. ntfs3 admite flujos alternativos de datos de NTFS, y el servidor SMB del kernel, ksmbd, ya sirve para copias de seguridad con Time Machine de Apple.
Lo que se va: los sistemas de archivos EFS, de las viejas estaciones de SGI, y FreeVxFS, de SCO UnixWare. Varias CPU Arm de 32 bits quedan en desuso: siguen soportadas en Linux 7.3, pero podrían desaparecer después.
¿Será la versión de soporte largo de 2026?
Es la pregunta que queda abierta. Cada año, Greg Kroah-Hartman elige una versión del kernel para mantenerla varios años. En kernel.org, la última con ese soporte largo (LTS) sigue siendo Linux 6.18, y Linux 7.3 todavía no figura como tal. LWN escribió en agosto que se esperaba que lo fuera. Phoronix, en cambio, apunta a que la elegida podría ser Linux 7.4 si sale antes de que acabe diciembre. La elección importa porque es el kernel que llevarán durante años muchas distribuciones, teléfonos y equipos embebidos. Ubuntu 26.10, por ejemplo, ya trae Linux 7.3.
Linux 7.3 también cierra su ciclo en plena discusión sobre la IA en el kernel. LWN contó la etiqueta Assisted-by en 1,264 commits de la ventana de cambios, algo más del 8 %, y advirtió que es «sin duda» una cifra muy por debajo de la real. Esa etiqueta es justo la que los mantenedores acaban de acordar retirar, con el respaldo de Torvalds.
Mientras tanto, ya está abierta la ventana de Linux 7.4, que debería dar su primera versión candidata a principios de noviembre y la versión final en diciembre. Linux 7.3 se puede descargar desde kernel.org. Para la mayoría, lo práctico será esperar a que llegue en las actualizaciones de su distribución.
Linus Torvalds ha zanjado el debate sobre el código hecho con IA en el kernel Linux con una respuesta de las suyas: «No vamos a poner reglas estúpidas que digan «no puedes usar herramientas para X»». Lo escribió en la lista de correo del kernel, en plena discusión sobre un parche que retira la etiqueta Assisted-by, la que hasta ahora debían añadir los desarrolladores que usaban asistentes de IA para preparar sus contribuciones.
La etiqueta se propuso en julio de 2025 y entró en la documentación oficial del kernel en enero de 2026, según The Register. Pedía que quien usara «cualquier tipo de herramienta avanzada de programación» lo reconociera con una línea como Assisted-by: LLM en el mensaje del commit, y avisaba de que no hacerlo podía «dificultar la aceptación» del trabajo. En septiembre contamos aquí los primeros parches del kernel firmados con esa etiqueta.
El 8 de octubre, en la reunión anual de mantenedores celebrada en Praga, la mayoría de los unos 30 invitados apoyó retirarla, según heise. Al día siguiente, Sasha Levin, mantenedor de las versiones estables, envió el parche: «La Maintainers Summit llegó a un consenso para retirar la etiqueta Assisted-by. Se elimina la documentación que la exige.» En su versión revisada aportó un dato: de los 18,533 commits de Linux 7.3 hasta su séptima versión candidata, solo alrededor del 10 % llevaba la etiqueta, así que su ausencia no dice nada de cómo se hizo un parche.
Claves del cambio
Qué desaparece: la obligación de declarar la IA en el commit. El parche borra la sección de la guía para asistentes de programación, el apartado de la guía para enviar parches, su traducción al italiano y el aviso que lanzaba checkpatch.pl.
Qué se queda: la responsabilidad. Un agente de IA sigue sin poder añadir la línea Signed-off-by, la firma con la que una persona certifica legalmente el origen del código (el DCO). Quien firma «asume toda la responsabilidad de la contribución».
Por qué se retira: casi nadie la ponía, no había forma de comprobarla y, para Jeff Layton, de Red Hat, la etiqueta «básicamente sirve de publicidad gratuita para las empresas de modelos propietarios».
Quién se opuso: Laurent Pinchart, mantenedor de controladores de cámara y vídeo, escribió que no le gusta quitarla «sin añadir otro mecanismo de declaración obligatoria»: la falta de etiqueta le servía para preguntar a los autores, y muchos de esos parches dudosos no volvían. Propuso pedirlo en la carta que acompaña a cada serie de parches, con poco apoyo.
La respuesta de Torvalds: le contestó con una «regla nueva solo para ti»: no usar compiladores, porque quien no sabe escribir en ensamblador no demuestra que entienda lo que hace la máquina, ni un editor de texto para el mensaje del commit, porque permite borrar los errores. «¿No ves lo TOTALMENTE ESTÚPIDAS que serían esas reglas?».
Lo que sí espera: «que la gente dé lo mejor de sí y entienda lo que hace. Pero esa comprensión tiene muy poco que ver con las herramientas que usa». Y añadió que, en su experiencia, la gente a la que respeta «no es la que rehúye las herramientas nuevas e interesantes».
Estado: el parche ya está en la rama de documentación que lleva Jonathan Corbet, pero todavía no ha llegado a la rama principal del kernel, según heise.
La IA deja de ser la excepción en el kernel
La discusión no va de si se usa IA en Linux, que ya se usa, sino de si conviene marcarla. Quienes la defienden quieren saber qué parches revisar con más cuidado; quienes la retiran creen que una etiqueta que la mayoría no pone solo da una falsa sensación de control. Torvalds se coloca en el segundo grupo y, además, predica con el ejemplo: según heise, por las mismas fechas firmó parches para acelerar las lecturas de la caché de páginas preparados con Claude Code bajo su dirección.
Lo que el kernel mantiene es la regla que de verdad importa: detrás de cada parche hay una persona que lo firma y responde por él. Para los revisores, el problema de los envíos de baja calidad no desaparece. Lorenzo Stoakes, otro mantenedor, lo resumió en el mismo hilo: la única estrategia a largo plazo contra la basura generada es «ignorarla sin contemplaciones».
Para el resto del software libre, la postura del proyecto más grande y visible pesa. Varios proyectos han prohibido las contribuciones hechas con IA o exigen declararlas; el kernel elige el camino contrario y juzga el código por lo que es, no por cómo se escribió.
DeepSeek ha publicado como código abierto DeepInfer, el software con el que sirve sus modelos de IA en producción. Es lo que en el sector se llama un motor de inferencia: el programa que carga el modelo en las GPU, reparte el trabajo entre ellas y genera las respuestas lo más rápido y barato posible. Llega con licencia Apache 2.0, funciona en GPU de NVIDIA y en chips Ascend de Huawei, y de momento solo ejecuta DeepSeek-V4.1-Flash.
Publicar los pesos de un modelo, como hace DeepSeek desde hace tiempo, no basta para usarlo bien. Un modelo de miles de millones de parámetros hay que repartirlo entre decenas de chips, organizar las peticiones en lotes y exprimir cada operación, y de eso depende cuánto cuesta cada respuesta. Hasta ahora, quien quería servir los modelos de DeepSeek tenía que usar motores genéricos como vLLM o SGLang, que deben adaptarse a cada modelo nuevo y no llevan los ajustes internos de la empresa. Es lo mismo que hizo Meta con Muse Spark Open: dar el modelo y dejar el «cómo servirlo» a cada uno.
Con DeepInfer, DeepSeek comparte, según su anuncio, su «pila de producción» para ayudar a la comunidad a «reducir el coste de cómputo y el consumo de energía y hacer la IA más asequible». El código está en GitHub, en deepseek-ai/DeepInfer, y el mismo día de su publicación ya superaba las 12,000 estrellas. La empresa ha publicado a la vez deepseek-recipe, una biblioteca en Rust con licencia MIT que traduce las peticiones de las API más usadas al formato de sus modelos y vuelve a traducir las respuestas, para que un servidor propio se comporte igual que la API oficial.
Claves de DeepInfer
Licencia Apache 2.0: se puede usar, modificar y vender, también en productos comerciales.
Hardware: GPU NVIDIA de la arquitectura SM100 (la de los B200 de los centros de datos) y chips Huawei Ascend 950. Pide Linux, Python 3.12 y CUDA 13 o CANN 9.2, el equivalente de Huawei.
Un solo modelo por ahora: DeepSeek-V4.1-Flash. La empresa dice que el código de sus próximos modelos irá al mismo repositorio.
Reparto entre chips: divide el trabajo de tres formas a la vez: por datos, por contexto (los textos muy largos) y por expertos, ya que V4.1-Flash es un modelo de mezcla de expertos en el que cada palabra solo activa una parte de la red.
Decodificación especulativa: propone varios tokens de golpe y los verifica en una sola pasada, en lugar de generar uno por uno.
Resultados repetibles: en NVIDIA, la misma petición da la misma respuesta aunque vaya en un lote distinto, algo que la mayoría de motores no garantiza.
Salidas con formato: puede obligar al modelo a responder con un JSON válido según un esquema, una expresión regular o una gramática.
Lo que se ha guardado: la versión abierta no incluye la caché de contexto entre peticiones (KV cache), ni la separación entre leer el prompt y generar la respuesta en máquinas distintas, ni el reparto de carga entre réplicas. Son piezas clave para servir a escala, así que DeepInfer es un motor, no el sistema completo de DeepSeek.
Construido sobre vLLM: el propio README reconoce que nació «principalmente» sobre vLLM, con ideas de SGLang y de TensorRT-LLM de NVIDIA. Según The Next Web, el equipo de vLLM ya ha dicho que aprovechará ideas de DeepInfer para mejorar su soporte de V4.1-Flash.
Qué cambia para quien sirve modelos abiertos
El negocio de la IA ya no está solo en entrenar modelos, sino en servirlos baratos. Los proveedores que ofrecen modelos abiertos en la nube compiten por centavos por millón de tokens, y el motor de inferencia decide buena parte de ese margen. Al publicar el suyo, DeepSeek reduce la distancia entre su API y la de cualquiera que sirva sus modelos, y empuja los precios aún más abajo, lo que presiona también a los modelos cerrados.
El soporte de los chips de Huawei pesa igual. Las restricciones de EE. UU. a la venta de GPU avanzadas a China hacen que las empresas chinas necesiten alternativas, y un motor de producción que trata al Ascend 950 en igualdad con NVIDIA es una señal de que esa alternativa ya sirve para algo más que pruebas. Eso sí, las dos funciones de resultados repetibles solo funcionan, por ahora, en NVIDIA.
Falta comprobar las cifras. DeepSeek publica gráficas de rendimiento con 4 GPU SM100 para procesar los prompts y 64 para generar las respuestas, pero no hay pruebas independientes todavía, y la configuración está muy lejos del alcance de quien quiera probarlo en casa. Para la mayoría, lo útil llegará de forma indirecta: en los motores como vLLM que incorporen sus técnicas y en los proveedores que bajen precios gracias a ellas.
Más fuentes: el repositorio deepseek-recipe, The Next Web y The Decoder. Portada: Hangzhou, sede de DeepSeek, desde el lago del Oeste, foto de Y Chen, licencia CC BY-SA 4.0 (Wikimedia Commons), y logotipo de DeepSeek, marca registrada de DeepSeek, publicado con licencia MIT (Wikimedia Commons).
Un fallo eléctrico en uno de sus centros de datos de Londres provocó este martes 20 de octubre una caída de Google Cloud que dejó a 38 de sus productos con fallos y errores durante casi ocho horas. El golpe se notó fuera del mundo técnico: Revolut se quedó sin servicio para millones de clientes en el Reino Unido e Irlanda, y bancos como Halifax, el servicio de tribunales británico y empresas de reparto también reportaron problemas.
Google Cloud organiza su infraestructura en regiones, que son ciudades o áreas geográficas, y cada región en varias zonas: centros de datos separados, con su propia alimentación eléctrica, refrigeración y red, pensados para que un problema en uno no arrastre a los demás. La región de Londres se llama europe-west2 y tiene tres zonas, a, b y c. Muchas empresas británicas la eligen porque la ley o sus clientes les piden guardar los datos en el país, y porque la cercanía reduce la latencia.
El incidente empezó a las 06:08 UTC (las 07:08 en Londres) en la zona europe-west2-b. Google tardó casi dos horas y media en publicar el primer aviso y cerca de cinco en explicar la causa: «Un evento eléctrico provocó una caída en la zona europe-west2-b». Hacia el mediodía de Londres el problema eléctrico estaba resuelto, pero volver a levantar servidores, discos y servicios llevó varias horas más. Google dio el incidente por cerrado a las 14:03 UTC, aunque admitió que un número muy pequeño de clientes seguía afectado.
Cronología según la página del incidente de Google Cloud, con las horas pasadas de PDT a UTC.
Claves de la caída
Una sola zona, efecto en toda la región: la zona b dejó de dar servicio, y el resto de europe-west2 sufrió errores y cortes de red intermitentes.
38 productos afectados, entre ellos los básicos: Compute Engine (máquinas virtuales), Kubernetes Engine, Cloud Run, Cloud SQL, Cloud Storage, BigQuery, Spanner, Pub/Sub, los discos persistentes y el balanceo de carga.
Recuperación por partes: Google priorizó volver a encender lo que ya estaba corriendo. Durante un buen rato no se pudieron crear máquinas ni servicios nuevos.
La única solución temporal que ofreció fue mover las cargas a otra zona o región, justo lo que es difícil de hacer en plena caída si no se ha preparado antes.
Revolut, cuya infraestructura está en Google Cloud, dejó a sus clientes sin acceso a la app, sin transferencias, sin pagos con tarjeta y sin retiros en cajeros. Solo en Irlanda tiene 3.4 millones de clientes. La empresa aseguró que «el dinero y los datos de todos nuestros clientes están a salvo».
Otros afectados: Halifax confirmó fallos en su app y su banca en línea, y el servicio de tribunales británico, en la plataforma de vídeo de las audiencias a distancia. Clientes de Lloyds y HSBC, y de empresas como DPD y Royal Mail, también reportaron problemas.
Sin explicación técnica todavía: Google no ha dicho qué falló en el suministro eléctrico ni por qué los sistemas de respaldo no lo evitaron. Ha prometido publicar un análisis.
Por qué una sola zona pudo tanto
Las zonas existen precisamente para esto: si un centro de datos se queda sin luz, las aplicaciones repartidas entre varias zonas siguen funcionando con las otras. Pero repartir cuesta dinero y complica la arquitectura, porque hay que duplicar servidores y mantener los datos replicados entre zonas. Muchos servicios, sobre todo los más antiguos o los que nacieron pequeños, siguen viviendo en una sola zona. Cuando esa zona cae, caen con ella.
Por qué una sola zona pudo tumbar servicios enteros: la diferencia entre desplegar en una zona o en las tres de la región.
Además, una región no es del todo independiente aunque sus zonas lo sean. Los servicios de red y de gestión que comparten las tres zonas también dieron errores, y cuando todos los clientes intentan a la vez mover sus cargas a las zonas que siguen en pie, esas zonas se saturan. Por eso, incluso una aplicación bien repartida pudo notar la caída, aunque mucho menos que una alojada solo en la zona b.
Y está la concentración. Que un fallo eléctrico en un solo edificio deje sin pagar con tarjeta a millones de personas muestra hasta qué punto los bancos y servicios públicos dependen de tres o cuatro proveedores de nube. Es el riesgo que los reguladores llevan tiempo intentando vigilar: en la Unión Europea, el reglamento DORA obliga a los bancos a tener planes para cuando falle un proveedor tecnológico crítico, y el Reino Unido tiene su propio régimen para supervisar a esos «terceros críticos».
Google cerró el incidente en algo menos de ocho horas, y el análisis que publique dirá si el problema fue el suministro, los generadores de respaldo o cómo se distribuyó la carga después. Mientras tanto, la lección para quien despliega en la nube es la de siempre, pero ahora con ejemplo reciente: una zona no es una garantía, y lo que no puede caerse tiene que estar en al menos dos.
COBOL es un lenguaje de programación de 1959, más viejo que el hombre en la Luna, y aun así es muy probable que hoy haya pasado por él tu dinero: es el lenguaje de los grandes sistemas de bancos, aseguradoras y administraciones, que corren en mainframes como el de la portada. Te contamos de dónde viene, por qué sigue ahí, cuánto se usa de verdad (y cuánto hay de mito en las cifras que circulan), qué está cambiando con la inteligencia artificial y si te conviene aprenderlo.
Su nombre son las siglas de COmmon Business-Oriented Language, lenguaje común orientado a los negocios, y lo describe bien: no se pensó para hacer cálculos científicos ni para programar videojuegos, sino para llevar cuentas, nóminas, inventarios y pólizas. Y se escribe casi como un documento en inglés, porque sus creadores querían que pudieran leerlo también los gerentes, no solo los programadores.
Así es un programa en COBOL
El clásico «Hola, mundo» ya deja ver su carácter: todo va en mayúsculas, cada instrucción termina en punto y el programa se divide en partes con nombre propio. Las siete primeras columnas de cada línea están reservadas, una herencia de las tarjetas perforadas en las que se escribía.
Un programa completo tiene cuatro divisiones, siempre en el mismo orden. La más característica es la de datos: cada variable se declara con una «PIC» (de picture, imagen) que dice exactamente cuántas cifras tiene y dónde va la coma decimal. Esa idea, que COBOL tomó de COMTRAN, el lenguaje de IBM, es una de las razones por las que sigue en los bancos.
Las cuatro divisiones de un programa COBOL, con fragmentos del programa de intereses que aparece más abajo. Esquema: decodigo.com.
Una historia que empezó en el Pentágono
A finales de los años 50 cada fabricante de ordenadores tenía sus propios lenguajes, y cambiar de máquina significaba reescribirlo todo. En abril de 1959, Mary Hawes, programadora de Burroughs, convocó en la Universidad de Pensilvania una reunión para proponer un lenguaje común para los negocios. El 28 y el 29 de mayo de ese año, el Departamento de Defensa de EE. UU., el mayor comprador de ordenadores del país, reunió en el Pentágono a fabricantes, usuarios y Gobierno bajo la presidencia de Charles Phillips. De ahí salió CODASYL, el comité que escribió COBOL en pocos meses.
Grace Hopper en 1984. Su FLOW-MATIC fue el modelo principal de COBOL. Foto: James S. Davis, Marina de EE. UU., dominio público.
A Grace Hopper se la suele llamar «la madre de COBOL», y no es exacto. Hopper, oficial de la Marina y pionera de la programación, había creado FLOW-MATIC, el primer lenguaje con órdenes en inglés para negocios, y fue asesora técnica del comité; su lenguaje fue el modelo principal. Pero el diseño fue un trabajo colectivo en el que pesaron mucho otras personas, como Jean Sammet, de Sylvania. La propia Sammet escribió que Hopper «no fue la madre, la creadora ni la desarrolladora de COBOL», aunque sí su gran divulgadora.
La especificación, COBOL-60, se aprobó en enero de 1960, y en diciembre de ese año se demostró la gran promesa: el mismo programa funcionó en un ordenador de RCA y en un UNIVAC de Remington Rand, dos máquinas incompatibles. A partir de ahí vinieron los estándares oficiales y un reinado de décadas en la informática de empresa.
Los hitos de COBOL. Fuentes: Jean Sammet (1978), INCITS, Departamento de Comercio de EE. UU., CNBC, IBM, Anthropic y OpenAI. Esquema: decodigo.com.
Su momento de fama más incómodo fue el efecto 2000: muchos programas de los años 60 a 80 guardaban el año con dos cifras para ahorrar memoria, y había que revisarlos antes de que el «00» se confundiera con 1900. El Departamento de Comercio de EE. UU. calculó que el país gastó unos $100,000 millones de USD en el arreglo, buena parte sobre código COBOL. El lenguaje, mientras tanto, siguió evolucionando: en 2002 incorporó la programación orientada a objetos y la norma vigente, ISO/IEC 1989, es de 2023.
Por qué los bancos no lo sueltan: el dinero exacto
La mayoría de los lenguajes guardan los números con decimales en binario, en lo que se llama coma flotante. Es rápido, pero hay cantidades tan sencillas como 0.10 que no se pueden representar exactamente, y al sumar se acumulan pequeños errores. COBOL, en cambio, guarda los importes como cifras decimales exactas, igual que en el papel. Lo comprobamos sumando diez veces 10 centavos en los dos lenguajes:
Diez veces 0.10 en COBOL (GnuCOBOL 3.2) y en Python 3.13. Esquema: decodigo.com.
Existen formas de trabajar con decimales exactos en Python o Java, pero en COBOL es lo normal, sin pedir nada. Este programa aplica un interés mensual del 1.25 % a tres cuentas, redondea al centavo y da el resultado con formato de moneda, que en COBOL también se declara en la PIC:
IDENTIFICATION DIVISION.
PROGRAM-ID. INTERESES.
*> Aplica el interes mensual a tres cuentas y muestra el saldo.
DATA DIVISION.
WORKING-STORAGE SECTION.
01 TASA-MENSUAL PIC V9999 VALUE .0125.
01 SALDO PIC 9(7)V99.
01 INTERES PIC 9(7)V99.
01 TOTAL PIC 9(8)V99 VALUE ZERO.
01 SALDO-ED PIC $$,$$$,$$9.99.
01 INTERES-ED PIC $$,$$$,$$9.99.
01 TOTAL-ED PIC $$$,$$$,$$9.99.
01 CUENTAS.
05 FILLER PIC 9(7)V99 VALUE 1299.99.
05 FILLER PIC 9(7)V99 VALUE 250000.00.
05 FILLER PIC 9(7)V99 VALUE 0.10.
01 TABLA REDEFINES CUENTAS.
05 CUENTA PIC 9(7)V99 OCCURS 3 TIMES.
01 I PIC 9.
PROCEDURE DIVISION.
PERFORM VARYING I FROM 1 BY 1 UNTIL I > 3
MOVE CUENTA(I) TO SALDO
COMPUTE INTERES ROUNDED = SALDO * TASA-MENSUAL
ADD INTERES TO SALDO
ADD SALDO TO TOTAL
MOVE SALDO TO SALDO-ED
MOVE INTERES TO INTERES-ED
DISPLAY "Cuenta " I ": interes " INTERES-ED
" saldo " SALDO-ED
END-PERFORM
MOVE TOTAL TO TOTAL-ED
DISPLAY "Total de los saldos: " TOTAL-ED
STOP RUN.
Cuenta 1: interes $16.25 saldo $1,316.24
Cuenta 2: interes $3,125.00 saldo $253,125.00
Cuenta 3: interes $0.00 saldo $0.10
Total de los saldos: $254,441.34
Lo hemos compilado y ejecutado con GnuCOBOL 3.2, un compilador libre que funciona en Linux, macOS y Windows. Fíjate en la tercera cuenta: el interés de 10 centavos es $0.00125 y, al redondear al centavo, queda en $0.00. Ese tipo de reglas, escritas hace décadas y repetidas millones de veces al día, son las que hay que respetar al pie de la letra cuando alguien quiere sustituir un programa COBOL.
Dónde se ejecuta hoy
COBOL vive sobre todo en los mainframes, ordenadores centrales diseñados para procesar enormes volúmenes de operaciones sin detenerse. Hoy casi todos son de IBM, de su familia IBM Z: el último modelo, el z17, salió en junio de 2025 con un procesador que incluye un acelerador de IA. Y el negocio no está muerto: IBM contó a sus inversores en julio de 2026 que el z17 va camino de vender casi un 130 % de lo que vendió el anterior, y que los clientes que suman el 85 % de la capacidad instalada la mantienen o la amplían.
Dónde suele intervenir COBOL en una operación bancaria. CICS es el sistema de IBM que ejecuta las transacciones; Db2 y VSAM, dos formas de guardar los datos. Esquema: decodigo.com.
Las administraciones públicas también dependen de él. La Seguridad Social de EE. UU. tiene más de 60 millones de líneas de COBOL, según su Inspector General, y el registro maestro de las cuentas fiscales de los ciudadanos del IRS, la agencia tributaria, sigue escrito en COBOL y ensamblador desde los años 60. En 2020, con la pandemia, las solicitudes del subsidio de desempleo se dispararon y varios estados se quedaron sin capacidad. El gobernador de Nueva Jersey, Phil Murphy, llegó a pedir en público voluntarios que supieran COBOL: «¿Cómo hemos llegado a necesitar literalmente programadores de COBOL?».
¿Cuánto se usa de verdad?
Seguro que has leído que hay 220,000 millones de líneas de COBOL en uso o que el 95 % de las operaciones en cajeros pasan por él. Lo hemos rastreado: esas cifras salen de una sola infografía de Reuters de 2017 que daba seis fuentes juntas sin decir cuál respaldaba cada número, y desde entonces se repiten, y se deforman, sin más comprobación. La propia OpenAI las ha vuelto a usar este mes. La que más se cita para el tamaño, 800,000 millones de líneas, viene de una encuesta encargada en 2022 por Micro Focus, un fabricante de herramientas COBOL, que no publicó su método.
De dónde salen las cifras más repetidas sobre COBOL. Fuentes: Reuters (2017), Vanson Bourne para Micro Focus (2022), Inspector General de la Seguridad Social de EE. UU. (2016). Esquema: decodigo.com.
Lo que sí se puede medir es el interés. En el índice TIOBE, que ordena los lenguajes según cuánto se buscan y se mencionan en internet, COBOL ha pasado del puesto 23 en octubre de 2025 al 16 en octubre de 2026, por delante de Perl o MATLAB. La subida coincide con el ruido sobre la IA y la modernización. Entre los programadores en general, en cambio, es una rareza: en la encuesta de Stack Overflow de 2025 solo lo usaba el 1 % de los encuestados.
Puesto de COBOL en el índice TIOBE. Fuentes: TIOBE (octubre de 2025 y 2026) y Blog du Modérateur (agosto y septiembre de 2026). Gráfica: decodigo.com.
COBOL en la era de la IA
El problema de los sistemas COBOL no es que el lenguaje sea malo, sino que quedan pocas personas que conozcan cada sistema, y que entender millones de líneas sin documentar es lento y caro. Ahí es donde se ha metido la IA. El 23 de febrero de 2026, Anthropic publicó cómo Claude Code puede explorar un sistema COBOL, trazar sus dependencias y documentarlo para modernizarlo por partes. Ese día las acciones de IBM cayeron en torno a un 13 %, su peor sesión desde octubre de 2000. IBM respondió que el valor del mainframe está en la plataforma, no en un lenguaje, y tiene sus propias herramientas: watsonx Code Assistant for Z y, desde abril, Bob, su entorno con agentes.
El 19 de octubre fue OpenAI quien presentó resultados: en su prueba interna de migrar programas COBOL a otros lenguajes, su modelo más nuevo aprueba casi todas las tareas, cuando el anterior apenas aprobaba el 5 %. En otra prueba, escribir una base de datos SQLite entera en veinte lenguajes, COBOL fue el más difícil.
Resultados que publica OpenAI sobre sus modelos (19 de octubre de 2026), según la cobertura de Dataconomy y SuperPowerDaily y el repositorio MultiLangBench. Son pruebas de la propia empresa. Gráfica: decodigo.com.
Conviene leerlo con calma. La propia OpenAI advierte que una migración real sigue necesitando revisión experta y pruebas contra las reglas del negocio, y pone un ejemplo que ya has visto aquí: COBOL trunca o redondea los decimales según se le pida, y una traducción que redondee distinto puede funcionar sin un solo error y dar otros resultados. La consultora Gartner va más allá y prevé que más del 70 % de los proyectos para abandonar el mainframe que arranquen en 2026 no conseguirán lo prometido por sobrestimar la IA generativa.
¿Vale la pena aprenderlo?
Depende de a qué te quieras dedicar. Estos son los datos a favor y en contra:
A favor: hay sistemas para rato. Los bancos y las administraciones siguen comprando mainframes, y Gartner desaconseja salir de ellos con prisas. Alguien tendrá que mantener ese código, y también migrarlo.
A favor: escasea la experiencia. En EE. UU. las ofertas para programadores COBOL rondan los $115,000 USD al año, según ZipRecruiter, aunque los sueldos que declaran los propios programadores en PayScale se quedan en unos $73,000 USD.
A favor: la IA necesita quien la revise. Todas las empresas que venden herramientas de migración insisten en la revisión humana. Quien entienda COBOL y sepa usar esas herramientas tiene un perfil poco común.
En contra: es un nicho. Lo usa el 1 % de los programadores y casi todo el trabajo está en banca, seguros y gobierno, a menudo en grandes consultoras.
En contra: fuera de EE. UU. no es una mina de oro. En España, un analista programador COBOL cobra de media unos 32,780 € al año, y en México unos $21,336 MXN al mes, según Indeed.
En contra: el lenguaje es lo fácil. Lo que lleva tiempo es el entorno del mainframe (z/OS, JCL, CICS, Db2) y, sobre todo, conocer las reglas de negocio de cada empresa, que no se aprenden en ningún curso.
Dónde
Sueldo medio
Fuente
Estados Unidos
$115,475 USD al año (ofertas) unos $73,000 USD (declarados)
ZipRecruiter y PayScale
España
32,780 € al año
Indeed, 65 salarios
México
$21,336 MXN al mes
Indeed, solo 16 salarios
Una forma rápida de decidir si te conviene aprender COBOL. Esquema: decodigo.com.
Para empezar gratis. GnuCOBOL te deja compilar en tu ordenador los programas de este artículo. IBM Z Xplore ofrece retos gratuitos con acceso a un mainframe real, sin conocimientos previos. Y el curso de COBOL del Open Mainframe Project, de la Linux Foundation, tiene más de 3,600 estrellas en GitHub y se sigue desde VS Code con las extensiones gratuitas de Zowe e IBM. La instalación, el primer programa y los errores típicos, paso a paso, en nuestra guía cómo empezar con COBOL.
En resumen: COBOL no va a desaparecer pronto, porque sustituirlo es caro y arriesgado, pero tampoco es el billete seguro a un sueldo enorme que prometen algunos titulares. Si te atraen la banca, los seguros o el sector público y te gusta entender sistemas grandes, aprenderlo junto con el entorno del mainframe y las nuevas herramientas de IA es una apuesta razonable. Si estás empezando a programar, mejor ve primero por Python o Java, y vuelve a COBOL más adelante: aprender cómo se programaba en 1959 también enseña mucho de cómo se programa hoy. Si te interesa ese debate, lo tratamos en qué lenguaje elegir cuando la IA escribe el código.
Los mayores editores de prensa de Canadá, The Globe and Mail, el Toronto Star, Postmedia y la agencia The Canadian Press, entre otros, han demandado a Anthropic ante el Tribunal Superior de Justicia de Ontario. Acusan a la empresa de copiar millones de sus artículos para entrenar a Claude sin permiso ni pago, de saltarse sus muros de pago y de enriquecerse a su costa. Piden una indemnización que puede llegar a $20,000 CAD por cada obra, y que deje de usar su contenido.
La demanda se presentó el 6 de octubre y la adelantó el sitio especializado Cartt.ca; The Canadian Press la difundió el 19. No es la primera vez que estos medios llevan a una empresa de IA a los tribunales: en noviembre de 2024, junto con CBC/Radio-Canada, demandaron a OpenAI por ChatGPT. OpenAI intentó que el caso se viera en Estados Unidos, pero en noviembre de 2025 la jueza Jessica Kimmel decidió que el tribunal de Ontario sí puede juzgarlo, porque la empresa hace negocios en la provincia y, al leer sus webs, aceptó sus condiciones de uso. Ese caso todavía no se ha resuelto.
Anthropic, por su parte, ya pagó por un pleito parecido. En 2025 aceptó un acuerdo de $1,500 millones de USD con un grupo de autores en Estados Unidos, el caso Bartz, después de que un juez federal de California considerara que descargar millones de libros pirateados no estaba amparado por la ley. La nueva demanda recuerda ese acuerdo, y también lo grande que es hoy la empresa.
Claves de la demanda contra Anthropic
Seis demandantes. El Toronto Star y Metroland Media, del grupo Torstar; Postmedia Network y PNI Maritimes; The Globe and Mail, y The Canadian Press. Demandan a Anthropic y a su filial canadiense.
Unos 13.5 millones de artículos. Según Broadcast Dialogue, que ha visto la demanda, los medios calculan cuántas obras les habría copiado Anthropic desde 2021: 4.2 millones de The Canadian Press, 3.5 millones de Postmedia, otros 3.5 millones de Torstar y 2.3 millones del Globe. Casi dos tercios son suyos y el resto, contenido que tienen licenciado.
Cuatro acusaciones. Infracción de derechos de autor; incumplimiento de las condiciones de uso de sus webs, que prohíben copiarlas con robots como ClaudeBot, el rastreador de Anthropic; elusión de medidas técnicas de protección, como los muros de pago y los sistemas de acceso, y enriquecimiento injusto: «Anthropic se ha enriquecido sustancial e injustamente en perjuicio de las empresas de medios», dice la demanda.
Una copia que no se detiene. Según los editores, Anthropic no solo usó sus artículos para entrenar sus modelos: los sigue extrayendo cuando Claude responde a las preguntas de los usuarios, y no ha cambiado de conducta pese a las críticas y a otras demandas.
Lo que piden. Una indemnización por daños, la devolución de los beneficios obtenidos o, como alternativa, los daños que fija la ley canadiense, de hasta $20,000 CAD por obra en usos comerciales. Además, daños punitivos por una conducta que consideran deliberada y una orden que impida a Anthropic acceder a sus contenidos, presentes y futuros, sin permiso por escrito.
Sin licencias. La demanda subraya que, «a diferencia de casi todas las grandes empresas de inteligencia artificial, incluida OpenAI», Anthropic no ha firmado ningún acuerdo público de licencia con grandes editores. También cita sus cifras: unos $125,000 millones de USD recaudados hasta mayo, una valoración de más de $965,000 millones de USD y más de un millón de usuarios nuevos al día.
Anthropic no ha respondido. No contestó a The Canadian Press, y como empresa extranjera tiene 60 días desde que se le notifica para presentar su defensa. Las acusaciones no se han probado ante un tribunal.
Por qué importa
Canadá no tiene todavía una regla clara sobre si entrenar una IA con textos protegidos es legal. La estrategia nacional de IA no abordó el tema, y los propios editores piden al gobierno federal que se pronuncie. Mientras tanto, la respuesta la van a dar los jueces, y el caso de OpenAI ya ha sentado un precedente importante: una empresa de IA sin oficinas en Ontario puede ser juzgada allí si usa contenido de medios de la provincia.
Para Anthropic, el frente se amplía. Ya pagó $1,500 millones de USD a los autores de libros en Estados Unidos, y esta demanda llega de una industria, la prensa, con la que, según los editores, no ha cerrado acuerdos de licencia, a diferencia de OpenAI. Si el tribunal da la razón a los editores, la cuenta por obra prevista en la ley canadiense, multiplicada por millones de artículos, sería difícil de ignorar.
El pleito tardará años en resolverse, como el de OpenAI, que lleva casi dos sin juicio. Pero apunta en la misma dirección que el resto del sector: cada vez es más difícil entrenar modelos con el trabajo de otros sin pagar por él, y la presión para negociar licencias con la prensa llega ya a todas las grandes empresas de IA.
Más fuentes: los detalles de la demanda, en Broadcast Dialogue; el fallo sobre la competencia en el caso de OpenAI, en Lerners. Otra demanda reciente contra la IA: ocho estados de EE. UU. contra OpenAI. Portada: Osgoode Hall, en Toronto, sede histórica de los tribunales de Ontario; foto de Rainer Halama, licencia CC BY-SA 4.0, Wikimedia Commons.
La moda del momento entre programadores aficionados es pedirle a un agente de IA que arregle la tele. Con Claude Code y otras herramientas parecidas, cada vez más usuarios están quitando de su smart TV los anuncios, las apps que venían de serie y el rastreo de lo que ven, y cambiando la pantalla de inicio por otra limpia. Lo cuenta TechCrunch, y en GitHub ya hay dos proyectos, cleanyourtv y dumbtv, que lo han convertido en una receta con miles de seguidores en tres días.
Las teles inteligentes se venden cada vez más baratas porque el negocio ya no está solo en el aparato: está en lo que muestran y en lo que saben de quien las usa. Muchas enseñan filas de contenido patrocinado antes de llegar a Netflix, y casi todas llevan ACR, el reconocimiento automático de contenido, que identifica lo que se está viendo a partir de capturas de pantalla o fragmentos de audio y sirve para vender publicidad dirigida. Desactivarlo a mano suele exigir recorrer menús escondidos, y lo que viene instalado de fábrica rara vez se puede borrar.
El cambio es que ahora basta con explicárselo a un agente. El 17 de octubre, Gathin T. contó en X que había «arreglado» con IA la tele de sus padres, que mostraba un anuncio patrocinado antes de poder abrir Netflix: le dio a Claude Code el modelo, el agente encontró la tele en la red wifi, desactivó 25 paquetes de Xiaomi y escribió un lanzador nuevo. «Ahora parece una Apple TV», resumió. Las respuestas a su mensaje se llenaron de gente que lo repetía con su propio modelo.
Claves de las smart TV «tontas»
Todo pasa por ADB. Las teles con Android TV o Google TV tienen la misma puerta de depuración que los móviles Android. Al activar las opciones de desarrollador, un ordenador de la misma red puede dar órdenes a la tele, y eso es lo que aprovecha el agente: buscar los paquetes de publicidad y telemetría, desactivarlos e instalar otra pantalla de inicio.
cleanyourtv, el más popular. El repositorio de Gathin T. nació el 17 de octubre con el nombre tv-vibehack y ya suma más de 9,300 estrellas y 1,000 bifurcaciones. Incluye listas probadas para 93 modelos de 31 marcas, entre ellas TCL, Sony, Xiaomi, Philips y Hisense, y un lanzador de 370 KB inspirado en el de Apple TV. Su método no desinstala nada: desactiva los paquetes y guarda una copia para poder deshacerlo todo con un script.
dumbtv, el más radical. Lo publicó Muzzammil Yasin Sabuwala el 18 de octubre, y según TechCrunch lo hizo con DeepSeek V4.1 Flash, Claude Opus 5.5 y Claude Sonnet 5.5. En un Fire TV desactiva unas 65 apps y servicios, entre ellos el ACR, el identificador publicitario, las filas patrocinadas y Alexa; instala un filtro DNS en la propia tele y un lanzador de 45 KB que ni siquiera tiene permiso para conectarse a internet.
Resultados visibles. Mihir Gupta, uno de los usuarios citados por TechCrunch, desactivó 25 apps y cambió un lanzador de 192 MB por uno de 83 MB, y otros aseguran que la interfaz va más rápida. Para quien no quiera usar IA, existen lanzadores alternativos como Projectivy, FLauncher o ATV Launcher.
No todas las teles se dejan. Funciona en Android TV y Google TV, y a medias en Fire TV, donde Amazon no deja cambiar la pantalla de inicio en todos los modelos. Samsung, con Tizen, LG, con webOS, Roku o Vizio usan otros sistemas sin esa puerta, y dumbtv recomienda en esos casos bloquear la publicidad desde el router.
Y algún susto. Según TechCrunch, una persona dejó inservible su Android TV con Claude, y otra se quedó a medias con un Fire TV. El propio Claude no siempre colabora con una orden tan escueta como «hackea mi tele»: hay que explicarle qué se quiere conseguir.
Antes de probarlo. Desactivar el paquete equivocado puede dejar la tele con la pantalla en negro o en un bucle de reinicios; cleanyourtv avisa, por ejemplo, de que en Google TV el asistente de configuración puede quedarse atascado si se quita el inicio original. Usa solo los repositorios oficiales, haz primero la copia de la lista de paquetes que preparan sus scripts, aplica los cambios por tandas y no abras nunca el puerto de ADB a internet desde el router. dumbtv, además, desinstala algunas apps de streaming que luego hay que volver a bajar de la tienda. Y recuerda que un restablecimiento de fábrica deshace casi todo, pero no recupera las apps desinstaladas.
Por qué importa
Durante años, quitar la publicidad de una tele ha sido cosa de foros especializados y de listas de paquetes que solo valían para un modelo concreto. Lo que cambia con los agentes de IA es que cada usuario puede adaptar la receta a su aparato: el agente inspecciona la tele, propone qué desactivar y pregunta antes de tocar lo que la persona usa. Y lo que aprende uno vuelve al repositorio en forma de lista nueva, que es como cleanyourtv ha llegado a 93 modelos en tres días.
También es un aviso para los fabricantes. Las filas patrocinadas, el rastreo y las apps que no se pueden borrar son parte del precio bajo de muchas teles, y si quitarlas se vuelve tan fácil como pedirlo por escrito, ese modelo de negocio pierde fuerza. Por ahora, eso sí, los propios autores dejan claro que todo está en desarrollo.
Para el resto, la historia es un buen ejemplo de lo que ya pueden hacer los agentes de programación fuera del código: manejar un aparato real por la red, con sus riesgos. Quien se anime debería tratarlo como cualquier otra herramienta de terceros: leer qué va a hacer, guardar la copia y aceptar que una tele de segunda mano es mejor campo de pruebas que la del salón. Sobre cómo trabaja Claude Code con herramientas y habilidades, contamos el caso de Anatomy, la skill que explica ideas con máquinas.
Más fuentes: los repositorios cleanyourtv y dumbtv en GitHub. Portada: una tele FFalcon apagada, foto de Leoyiphs, licencia CC BY-SA 4.0, Wikimedia Commons.
Meta ha abierto las puertas, por escrito, de Prometheus, el superclúster de IA de escala gigavatio que tiene en New Albany, Ohio, y en el que entrena sus modelos Muse. Según su blog de ingeniería, ya reúne cientos de miles de GPU de NVIDIA repartidas en varios edificios que trabajan como una sola máquina, y el objetivo es llegar a un millón. El artículo, firmado por cuatro de sus ingenieros, cuenta también lo difícil que ha sido que algo así no se detenga cada pocos minutos.
Mark Zuckerberg anunció Prometheus en julio de 2025 como el primero de sus grandes clústeres: un gigavatio de capacidad que debía entrar en servicio en 2026 y que, para ir más rápido, se levantaba en parte en estructuras de despliegue rápido parecidas a carpas. Junto a él presentó Hyperion, en Luisiana, que podría crecer hasta 5 gigavatios. Desde entonces, Meta ha usado Prometheus para entrenar la familia Muse, incluido Muse Wonder, su modelo más capaz.
Lo llamativo es de dónde viene. Hace dos años, el sitio de New Albany era un centro de datos convencional, de los que sirven las páginas de Facebook e Instagram. Meta lo ha convertido en una fábrica de entrenamiento y da por terminada la primera fase.
Claves de Prometheus
Varios edificios, una sola máquina. Cada edificio tiene su propia red, con hasta 20,736 GPU conectadas entre sí, y una red de agregación une los edificios aunque estén a entre 2 y más de 100 km de distancia. Hacen falta decenas de miles de switches y millones de transceptores, y cada GPU tiene una conexión de 800 gigabits por segundo hacia el resto.
Tres generaciones de armarios. Prometheus empezó con los armarios Catalina, con 72 GPU GB200 de NVIDIA repartidas en dos racks, y ha sumado Clemente, con 72 GB300 en un solo rack. La próxima generación, San Miguel, usará las Vera Rubin de NVIDIA y consumirá más de 170 kW por armario, lo que consumen de media más de cien hogares estadounidenses.
Repuestos dentro de cada armario. Con 72 GPU unidas, un solo fallo deja fuera de juego nueve veces más hardware que con los antiguos servidores de 8. Por eso cada armario trabaja con 64 GPU y guarda 8 de reserva, y Meta tiene además un 2 % de armarios extra. Un entrenamiento que usa 32,768 GPU ocupa en realidad 37,656.
De mil cortes al día a casi ninguno. A mediados de 2025 llegaron a sufrir casi 1,000 interrupciones al día por cada 8,000 GPU, por fallos en las conexiones entre GPU, en la memoria o en la red. Tras un año de trabajo las han reducido un 99 %, y hoy pasan más de 54,000 horas de GPU de media entre una interrupción y la siguiente. El objetivo es bajar a 2 al día, unas 100,000 horas.
Entrenar sin perder tiempo. Con Muse Wonder, más del 85 % del tiempo de las GPU se dedicó a avanzar en el entrenamiento, y más del 90 % en la fase de aprendizaje por refuerzo. Cuando una parte falla, un sistema la aísla mientras el resto sigue trabajando, en lugar de volver a empezar desde la última copia guardada.
Un problema para la red eléctrica. Cuando miles de GPU empiezan o dejan de calcular a la vez, el consumo del clúster puede variar un 30 o 40 % y mover decenas de megavatios en segundos. Meta lo suaviza con baterías en cada armario y en toda la instalación, y con un sistema, Dynamo Dimmer, que baja poco a poco la potencia de las GPU para no tener que detener el entrenamiento.
Refrigeración mixta. Parte de las GPU se enfrían con líquido directamente sobre los chips, en el edificio diseñado para IA, y otra parte con aire ayudado por líquido, en las estructuras de despliegue rápido. Los centros más nuevos usan circuitos cerrados de agua.
Armario
GPU de NVIDIA
Memoria por GPU
Consumo
Catalina
72 GB200, en dos racks
192 GB
~120 kW por pareja de racks
Clemente
72 GB300, en un rack
288 GB
~135 kW por rack
San Miguel (próximo)
72 Vera Rubin, en un rack
288 GB de HBM4
más de 170 kW por rack
Por qué importa
La carrera de la IA se libra cada vez más en hormigón, cables y megavatios. Los laboratorios ya no compiten solo por tener los mejores modelos, sino por poder entrenarlos en máquinas de cientos de miles de chips sin que se paren. El artículo de Meta muestra la parte menos vistosa de esa carrera: que a esta escala lo normal es que algo falle constantemente, y que gran parte del trabajo consiste en que esos fallos no tiren por la borda días de cálculo.
También explica por qué el dinero sigue fluyendo hacia el hardware. Cada generación de NVIDIA consume más por armario y exige más refrigeración y más red, y el consumo de un clúster así obliga a negociar directamente con las compañías eléctricas: para Hyperion, Meta pagará la conexión completa a la red de Entergy en Luisiana. Es el mismo mercado en el que empresas como Tenstorrent, que acaba de recaudar $1,500 millones de USD, intentan colar alternativas a NVIDIA.
Prometheus todavía no está completo, y Meta no ha dicho cuánta potencia usa hoy ni cuántas GPU exactas tiene. Pero el plan está claro: llegar al millón de GPU en Ohio y aplicar lo aprendido en Hyperion, que será aún mayor. La próxima generación de modelos Muse saldrá de ahí.
Más fuentes: el anuncio de Prometheus y de Hyperion, en TechCrunch (julio de 2025). Portada: el centro de datos de Meta en Luleå (Suecia), foto de Christopher Down, licencia CC BY 4.0, Wikimedia Commons.
En las últimas semanas han aparecido versiones para el navegador de algunos de los juegos clásicos más queridos de los años 2000: Halo: Combat Evolved, GTA: Vice City, Call of Duty: Black Ops, Skate 3, God of War o Super Mario 64. Se abren en una pestaña, sin instalar nada, y según Kotaku algunas funcionan casi a la perfección. Esta es la lista de lo que se ha clonado hasta ahora, de qué consola viene cada juego y en qué estado está.
Kotaku contó el 9 de octubre que en dos semanas habían surgido «cientos» de emuladores y juegos descompilados, y lo atribuyó en buena parte a Claude Opus 5.5, el modelo de Anthropic. Su periodista, Lewis Parker, probó varios y destacó que casi todos son de la época de PlayStation 2 y PlayStation 3. Cómo se hacen, por qué la comunidad de la descompilación está dividida y qué han hecho las editoras lo contamos en la IA desborda la descompilación de juegos; aquí nos centramos en los juegos.
Hemos revisado cada proyecto en su web, en su repositorio o en el registro público de retiradas de GitHub. Un aviso antes de empezar: la lista cambia a diario, varios de estos juegos ya existían en el navegador antes de esta ola y no enlazamos ninguna versión, porque muchas reparten los archivos de juegos que siguen a la venta.
Los juegos clonados, uno a uno
Halo: Combat Evolved (Xbox, 2001). Es el más sonado. Mitchell Hynes lo anunció el 29 de septiembre con partidas en línea, a partir de una descompilación que otros llevaban meses haciendo. No incluye nada del juego: pide la imagen de tu propio disco de Xbox. Kotaku probó cuatro versiones distintas de Halo. La de Hynes sigue en línea, aunque ahora se llama «Combat Lab» y ya no menciona Halo en ningún sitio; no ha explicado por qué.
GTA: Vice City (PlayStation 2, 2002). Corre en el navegador sobre reVC, el proyecto de aficionados que reconstruyó su código hace años, y pide los archivos de tu copia. Sigue en línea. El mismo sitio aloja también Command & Conquer: Generals Zero Hour, cuyo código publicó la propia EA.
Call of Duty: Black Ops (2010). Luckey Faraday llevó al navegador partes de Black Ops y Black Ops II, incluido el mapa de zombis Kino der Toten. Según XDA, usaba mapas, modelos y animaciones de los juegos originales. Activision le envió una retirada por derechos de autor el 10 de octubre, y él mismo anunció que todo quedaba fuera de línea, aunque circulan copias. Otro port, de Modern Warfare 2, también cayó por una reclamación.
Skate 3 (PlayStation 3 y Xbox 360, 2010). Se presenta como un juego hecho por aficionados, «no hecho por EA», que carga los datos de tu propia copia convertida. Sigue en línea.
The Simpsons: Hit & Run (2003). Es de los veteranos: se publicó hace unos seis meses a partir del código del juego que se filtró en 2021. No pide nada al jugador, porque sirve los archivos desde su propio servidor, y sigue en línea.
God of War (PSP y PlayStation 2). Un mismo autor ha llevado al navegador los dos God of War de PSP, Chains of Olympus y Ghost of Sparta, y en un proyecto hermano, creado el 8 de octubre y con más de 1,100 estrellas en GitHub, God of War II y Gran Turismo 4 de PS2. Todos piden tu copia.
Super Mario 64 (Nintendo 64, 1996). Oliver Sauter publicó una versión con partidas de hasta 12 jugadores y videochat, hecha con ayuda de IA según XDA. Desde el 10 de octubre pide la ROM propia, y los vídeos en los que la mostraba en X fueron desactivados por una reclamación del titular de los derechos. La web sigue funcionando.
GTA V (Xbox 360 y PS3, 2013). El caso más llamativo duró horas: una web lo ponía a jugar directamente en Chrome, con todos los archivos del juego incluidos, y dejó de funcionar el 6 de octubre. No se sabe si la cerró una reclamación de Take-Two, y ya circulan copias en otros dominios.
Celeste (2018). Su estudio, Maddy Makes Games, pidió a GitHub el 14 de octubre retirar los archivos de una versión para el navegador que incluía los gráficos y sonidos del juego. Es una de las pocas retiradas que constan en el registro público.
Y otros clásicos de PC. También funcionan hoy en el navegador GTA III, Command & Conquer: Red Alert 2, LEGO Island y Counter-Strike 1.6, entre otros. Las listas de aficionados que siguen el fenómeno ya reúnen entre 30 y 80 proyectos.
Juego
Consola original
¿Pide tu copia?
Estado el 19 de octubre
Halo: Combat Evolved
Xbox
Sí, la imagen del disco
En línea, renombrado «Combat Lab»
GTA: Vice City
PlayStation 2
Sí
En línea
Call of Duty: Black Ops
PC, PS3, Xbox 360
No
Retirado por Activision
Call of Duty: Modern Warfare 2
PC, PS3, Xbox 360
No
Retirado por una reclamación
Skate 3
PS3, Xbox 360
Sí
En línea
The Simpsons: Hit & Run
PS2, GameCube, Xbox, PC
No
En línea
God of War (PSP) y God of War II
PSP, PlayStation 2
Sí
En línea
Gran Turismo 4
PlayStation 2
Sí
En línea
Super Mario 64
Nintendo 64
Sí, desde el 10 de octubre
En línea; vídeos retirados
GTA V
PS3, Xbox 360
No
Caído desde el 6 de octubre; hay copias
Celeste
PC y consolas
No
Archivos retirados por su estudio
La ola tiene también juegos que se suelen meter en la misma lista pero no van en el navegador. Banjo-Tooie, de Nintendo 64, tiene un port hecho con IA, pero es un programa para Windows, y le valió la crítica de DarioSamo, autor de la versión para PC de Banjo-Kazooie, que lo calificó de falta de respeto al trabajo de otros. Lo mismo pasa con Super Smash Bros. Ultimate, Mario Kart 8 Deluxe, Super Mario Odyssey o Metroid Prime, que según Kotaku ya tienen versiones para PC. Y Fallout: New York, que su autor cerró tras una carta de ZeniMax, no era un clon sino un juego nuevo hecho con Claude.
Por qué importa
La lista dice mucho de quién está detrás: no son juegos raros ni olvidados, sino los superventas de una generación, los que se jugaban en el salón con amigos hace veinte años. Que se puedan abrir en una pestaña, en un ordenador cualquiera, convierte en algo inmediato lo que antes exigía emuladores, configuraciones y paciencia.
También marca la frontera que están vigilando las editoras. Las versiones que piden tu propia copia, como Halo, Vice City o Skate 3, siguen en línea; las que reparten el juego entero, como Black Ops o GTA V, han caído o se esconden en dominios nuevos. Llama la atención, eso sí, que en el registro público de GitHub no conste ninguna retirada de Activision, Take-Two, Microsoft ni Sony: sus reclamaciones, si las hay, van por otras vías.
Y es muy probable que la lista crezca. Kotaku ya da cuenta de proyectos con juegos de Nintendo, y cada semana aparecen títulos nuevos en las listas de aficionados. Para los jugadores es una forma nueva de volver a sus clásicos; para las editoras, la señal de que hay demanda de esos juegos que muchas veces ya no venden.
Más fuentes: heise; la retirada de Call of Duty, en XDA; el aviso de Celeste, en el registro de retiradas de GitHub; los juegos de Nintendo, en Kotaku. Portada: fotos de las consolas de Evan-Amos, dominio público, Wikimedia Commons.
