Noticias

Llegar a la Estación Espacial Internacional nunca ha sido cuestión de subir en línea recta. La estación da la vuelta a la Tierra cada hora y media a unos 28,000 kilómetros por hora, así que una nave no viaja «hacia» ella: entra en una órbita parecida y luego la alcanza con una serie de maniobras calculadas al segundo. Durante años esa persecución ha llevado entre medio día y un día entero.

Este 1 de octubre, la misión Crew-13 de SpaceX la completó en menos de ocho horas. Cuatro astronautas despegaron a las 11:10 de la mañana, hora del este, y a las 7 de la tarde ya estaban acoplados. Es el trayecto más rápido que ha hecho una nave estadounidense hasta la estación.

Claves de la misión

• Despegue: 11:10 a. m. EDT desde la plataforma 40 de la Estación de la Fuerza Espacial de Cabo Cañaveral, en Florida, con un cohete Falcon 9. La primera etapa regresó después en un aterrizaje controlado.
• Acoplamiento: a las 7:00 p. m. EDT en el puerto frontal del módulo Harmony, de forma autónoma. Unas 7 horas y 50 minutos de viaje.
• La nave: una cápsula Crew Dragon bautizada Grace.
• Tripulación: Jessica Watkins (NASA, comandante), Luke Delaney (NASA, piloto), Joshua Kutryk (Agencia Espacial Canadiense) y Sergey Teteryatnikov (Roscosmos). Para los tres últimos es su primer vuelo.
• Estancia: cerca de seis meses, integrados en la Expedición 75.

Por qué llegar rápido es difícil

El récord no se consigue encendiendo más los motores. Lo que determina cuánto tarda una nave en alcanzar la estación es la geometría: hay que despegar en el instante exacto en que la órbita de la ISS pasa por encima del punto de lanzamiento, insertarse en una órbita algo más baja —que por estar más cerca de la Tierra se recorre más deprisa— y usar esa diferencia de velocidad para ir recortando distancia antes de subir al encuentro.

Cuantas menos vueltas haga la nave en esa persecución, antes llega, pero también menos margen queda para comprobar sistemas o corregir desviaciones. Un trayecto corto significa, sobre todo, que todo salió según lo previsto desde el primer minuto.

Quién va a bordo

Watkins es la única con experiencia previa, y su perfil dice bastante sobre hacia dónde mira la NASA. Es geóloga: se licenció en Stanford, se doctoró en UCLA con una investigación sobre los mecanismos de los grandes deslizamientos de tierra en Marte y en la Tierra, y colaboró en el equipo científico del rover Curiosity antes de ser astronauta. Voló por primera vez en la misión Crew-4, entre abril y octubre de 2022, donde acumuló 170 días en el espacio. Ahora vuelve como comandante.Fuente: biografía oficial de la NASA

La composición de la tripulación tiene además una lectura política: estadounidenses, un canadiense y un ruso viajando juntos. Pese al contexto geopolítico, la estación sigue operando como lo que fue diseñada para ser, un proyecto compartido en el que las tres agencias colaboran en operaciones, ciencia y mantenimiento.

Lo que de verdad empieza ahora

El récord dura un titular; el trabajo dura seis meses. La microgravedad ofrece algo que no se puede reproducir en un laboratorio terrestre: sin el peso tirando hacia abajo, las células, los fluidos y los tejidos se organizan de otra manera, y eso permite observar procesos que en la Tierra quedan tapados por la gravedad.

Entre las investigaciones previstas hay cuatro líneas que destacan. La primera es la producción de tejidos derivados de células madre humanas en microgravedad, con la vista puesta en la medicina personalizada, el estudio de enfermedades y las pruebas de medicamentos; la NASA menciona aplicaciones en dolencias cardiovasculares y en el párkinson.

La segunda es un sistema de cultivo de plantas que funciona de forma mayoritariamente autónoma. No es jardinería: una misión a Marte no puede llevar desde la Tierra toda la comida de varios años, así que aprender a cultivar sin supervisión constante es un requisito, no un adorno.

La tercera sigue estudiando el propio cuerpo humano, en particular las alteraciones de la circulación sanguínea y otros efectos de pasar mucho tiempo en órbita. Y la cuarta es un dispositivo de diagnóstico pensado para vigilar la salud de la tripulación sin equipos grandes ni procedimientos complejos.

Esta última tiene más sentido del que parece a primera vista. En la estación, un astronauta con un problema médico puede hablar con un equipo en Houston casi al instante. Camino a Marte, cada mensaje tardaría varios minutos en llegar, y otros tantos la respuesta. Cuanto más lejos se viaja, más autónoma tiene que ser la medicina a bordo.

Por qué importa

Dos cosas, más allá del cronómetro. La primera es que Crew-13 confirma una rutina que hace una década era una apuesta: una empresa privada opera el transporte de astronautas dentro de un programa de la NASA, y lo hace con tal regularidad que la noticia ya no es que funcione, sino cuánto tardó. La agencia enmarca estas misiones en su programa de órbita baja, con el que mantiene acceso fiable a la estación mientras desarrolla las capacidades para ir más lejos.

La segunda es que la ISS se está comportando cada vez más como lo que será su legado: un banco de pruebas para aprender a vivir fuera de la Tierra antes de intentarlo donde no hay vuelta rápida. Cada cultivo que crece solo, cada tejido fabricado en ingravidez y cada aparato de diagnóstico que cabe en una mano son piezas de un problema mayor, el de mantener personas sanas y productivas a meses de distancia de casa.

Crew-13 empezó con un viaje de menos de ocho horas. Lo que valga la misión se sabrá dentro de seis meses, cuando se vea qué salió de los experimentos. Pero el récord deja una señal interesante: llegar a la órbita baja se está volviendo tan rutinario que ya se compite por hacerlo rápido.

Fuentes: NASA, blog de la Estación Espacial Internacional, Spaceflight Now y Space.com. Imagen: despegue de Crew-13, foto de NASA/John Kraus (dominio público).

Durante los primeros años de la programación asistida por inteligencia artificial la pregunta era si una máquina podía escribir código aprovechable. Esa discusión está zanjada. La que la sustituye es bastante más incómoda: ¿cómo sabemos que el código que escribe un agente funciona y es seguro?

No es una pregunta teórica. GitHub ya permite que agentes de programación ajenos a la casa —entre ellos Claude y Codex— trabajen directamente sobre repositorios, y desde junio aplica una capa de controles automáticos a lo que producen. El tema además ocupa buena parte de la agenda de GitHub Universe 2026, que se celebrará el 28 y 29 de octubre en el Fort Mason Center de San Francisco, con seguimiento en línea.

El problema ya no es generar código

Un asistente moderno hace mucho más que completar una función. Puede recorrer un repositorio, buscar archivos relacionados, modificar varios componentes a la vez, escribir pruebas, ejecutar comandos, instalar dependencias, investigar un error, abrir un pull request y responder a los comentarios de la revisión.

Eso cambia el problema de raíz. Cuando la IA sugería una línea, el programador la leía antes de aceptarla. Cuando un agente toca veinte archivos y deja un pull request listo, revisar cada decisión a mano deja de ser realista.

Que las pruebas pasen no significa que funcione

Aquí está el matiz que más cuesta interiorizar: una prueba puede pasar y la aplicación seguir rota. Ocurre cuando la prueba no cubre el comportamiento real, cuando la expectativa escrita en el test es incorrecta, cuando el agente cambió el código pero no el entorno que necesitaba, cuando el fallo solo aparece al integrar, o cuando el problema está en la infraestructura y no en el programa.

Por eso la verificación útil no es un sí o un no, sino una serie de preguntas encadenadas, cada una con un alcance distinto.

Ninguno de esos niveles basta por sí solo para confiar en el trabajo de un agente.

GitHub ya está aplicando controles

Esto dejó de ser una conversación sobre el futuro el 9 de junio de 2026, cuando GitHub puso en disponibilidad general la validación de seguridad para agentes de programación de terceros. Cuando uno de esos agentes escribe código en un repositorio, la plataforma lo analiza automáticamente antes de cerrar el pull request.

Son tres comprobaciones: CodeQL busca vulnerabilidades, las dependencias nuevas se contrastan contra la base de avisos de GitHub, y el escaneo de secretos detecta claves y tokens. Si algo salta, el propio agente intenta resolverlo antes de dar el cambio por terminado.

Hay tres detalles prácticos que conviene conocer. Las comprobaciones vienen activadas por defecto y siguen la configuración de Copilot que ya tenga el repositorio. No hacen falta licencias adicionales: no requieren GitHub Advanced Security. Y no son un estreno absoluto, sino la extensión de lo que GitHub lanzó para su propio agente en octubre de 2025, que según la compañía ya ha evitado cientos de filtraciones y vulnerabilidades potenciales.

Las dependencias son un problema aparte

Un agente puede decidir que la forma rápida de resolver algo es instalar una biblioteca. Parece una operación trivial, pero cada dependencia arrastra las suyas, y el árbol crece sin que nadie lo haya revisado.

El riesgo no es nuevo, pero sí su frecuencia: un agente produce cambios mucho más rápido que una persona, así que también incorpora dependencias mucho más a menudo. Universe dedica una de sus sesiones precisamente a lo que ocurre detrás de un npm install: procedencia de los paquetes, procesos de publicación y mecanismos como OpenID Connect.

El agente también necesita permisos

Un agente no solo escribe: usa herramientas. Y cada herramienta es un permiso que alguien le concedió.

Es justo el tipo de distinción que GitHub está abordando con la autorización sobre servidores MCP, con escenarios donde un agente puede abrir un pull request pero no cerrarlo.

La memoria también hay que administrarla

Parecería que cuanto más recuerde un agente, mejor. GitHub sostiene lo contrario: acumular demasiado contexto puede incluso empeorar su rendimiento en determinadas tareas. Un agente puede aprender las convenciones del equipo y las decisiones de arquitectura, pero también puede arrastrar información que dejó de ser cierta después de una migración.

La pregunta útil, entonces, no es qué debe recordar, sino qué debería olvidar.

El contexto como infraestructura

Esto conecta con una práctica cada vez más extendida: usar archivos como AGENTS.md para dejar por escrito las reglas del proyecto. Un archivo corto basta:

# AGENTS.md

## Proyecto
Aplicación web con React y Python.

## Reglas
- Ejecutar las pruebas después de modificar código.
- No almacenar secretos.
- No introducir dependencias sin justificarlas.

## Verificación
Antes de terminar: pruebas, lint, build y revisar el git diff.

Cuando varios agentes y varias personas comparten esas reglas, el contexto deja de ser una preferencia individual y empieza a comportarse como infraestructura del equipo: algo que se versiona, se revisa y se mantiene. Una de las sesiones anunciadas para Universe lleva precisamente ese título, «trata tu contexto de IA como infraestructura».

Evaluar al agente, no solo al código

Queda una pieza más: saber si el agente que usas es bueno para lo que tú haces. Una puntuación alta en un banco de pruebas no garantiza que sea útil en tu repositorio. Un agente puede resolver errores sencillos a gran velocidad y, al mismo tiempo, tocar más archivos de la cuenta, añadir dependencias innecesarias o no entender la arquitectura que ya existe. Universe dedica una sesión a esa brecha, con un título que no se anda con rodeos: «tu banco de pruebas te está mintiendo».

Qué puedes hacer hoy

Nada de esto exige esperar a las herramientas que vengan. Hay prácticas que ya funcionan: usar control de versiones y revisar el git diff de cada tanda; mantener las reglas del proyecto por escrito; exigir pruebas antes de dar un cambio por terminado; limitar permisos, porque quien modifica código no necesariamente debe poder desplegarlo; revisar con lupa las dependencias nuevas; apoyarse en análisis estático y escaneo de secretos; y reservar para el equipo las decisiones de arquitectura y las acciones de alto impacto.

Por qué importa

La objeción evidente es si todo esto significa que programar con IA sea inseguro. No exactamente: lo que cambia es la escala. Una persona produce un número acotado de cambios al día; un agente, muchos más. Aunque cada modificación tenga una probabilidad pequeña de introducir un problema, el volumen multiplica las ocasiones. La respuesta lógica no es frenar la generación, sino automatizar también la revisión.

Ahí está el desplazamiento de fondo. El oficio no desaparece, se mueve: menos tiempo escribiendo cada línea y más definiendo arquitectura, fijando restricciones, decidiendo qué puede hacer el agente, diseñando las pruebas y comprobando que el producto resuelve el problema. La habilidad valiosa deja de ser solo escribir código rápido y pasa a incluir saber dirigir y verificar sistemas que escriben código.

Durante años el reto fue conseguir que los modelos generaran código suficientemente bueno. Ese problema sigue ahí, pero encima apareció otro más interesante: construir la ingeniería que rodea a unos agentes capaces de producir mucho código por su cuenta. Que GitHub lo haya puesto en el centro de su conferencia anual, y que ya tenga una parte funcionando en producción, dice bastante sobre qué parte del problema considera resuelta y cuál no.

Fuentes: GitHub Changelog, validación de seguridad para agentes de terceros y GitHub Universe 2026.

El kernel de Linux es la capa que conecta el hardware con todo lo demás, y está debajo de una cantidad enorme de infraestructura: servidores, nubes públicas, teléfonos, routers y supercomputadoras. Por eso un fallo ahí no se parece a un fallo en una aplicación cualquiera, y por eso cada tanda de correcciones importa más de lo que su discreción sugiere.

Septiembre dejó tres frentes abiertos a la vez. Red Hat agrupó cuatro vulnerabilidades de la pila de red que, cumpliéndose ciertas condiciones, permiten que un usuario local llegue a root. Ubuntu publicó su propia tanda de parches para un conjunto distinto de fallos. Y mientras tanto, el desarrollo de Linux 7.3 avanzó hasta su quinta versión candidata, con un detalle nuevo en el historial de cambios: parches que llevan escrito que los encontró una inteligencia artificial.

Claves del mes en el kernel

• Cuatro fallos de escalada a root: Red Hat los agrupó el 19 de septiembre en el aviso RHSB-2026-011, actualizado el día 26. Afectan a la infraestructura de red del kernel y alcanzan a Red Hat Enterprise Linux 6 a 10 y a OpenShift.
• Tienen nombre: DirtyAH6 (CVE-2026-80844), TUNderflow (CVE-2026-81000), PPPoEject (CVE-2026-68121) y DiagSpill (CVE-2026-74469). Tocan, respectivamente, el subsistema IPv6 AH6/XFRM, el controlador TUN/TAP, la ruta de transmisión de PPPoE y los diagnósticos de SCTP.
• Ubuntu fue por su cuenta: el 30 de septiembre publicó USN-8851-1, con correcciones para el servidor NFS, IPv6 y Netfilter (CVE-2026-53221, CVE-2026-53131 y CVE-2025-38724), en Ubuntu 20.04 y 18.04 LTS. Incluye los kernels específicos para AWS, Azure, Google Cloud y Oracle Cloud, y exige reiniciar para que surtan efecto.
• Linux 7.3-rc5: publicado el 27 de septiembre. Es una candidata, todavía no la versión estable. La rama estable sigue en 7.2.8, del día 25.
• Parches con firma de IA: el subsistema IPE incorporó el 23 de septiembre dos correcciones de use-after-free marcadas con la etiqueta Assisted-by: LLM.

Cuatro vulnerabilidades con nombre propio

Las cuatro comparten el mismo patrón: un usuario sin privilegios que ya tiene acceso a la máquina puede, si se cumplen los requisitos de cada una, terminar con permisos de administrador. No son fallos que permitan entrar desde fuera, pero sí convertir un acceso menor en control total.

La distinción importa poco en un servidor compartido. Cuando varios usuarios, contenedores y servicios corren sobre el mismo kernel, la frontera entre ellos es el kernel: si esa frontera cede, se cae todo el esquema de aislamiento de una vez. Red Hat señala un caso aparte, DiagSpill, que no necesita espacios de nombres de usuario sin privilegios y que en ciertas configuraciones de SCTP podría provocar además una denegación de servicio remota.

La empresa dice haber publicado ya las correcciones para buena parte de sus líneas de producto y estar acelerando las restantes.Fuente: Red Hat, RHSB-2026-011

Actualizar el kernel no es lo mismo que cambiar de versión

Aquí hay una confusión frecuente. Corregir una vulnerabilidad del kernel casi nunca significa instalar a mano una versión nueva desde kernel.org: cada distribución mantiene su propia rama y aplica los parches sobre ella. El resultado es que el número de versión puede quedarse igual mientras el fallo ya está corregido.

El aviso de Ubuntu lo ilustra bien. Además de los kernels genéricos, publica paquetes distintos para cada nube —linux-aws, linux-azure, linux-gcp, linux-oracle—, porque esos entornos usan kernels adaptados. Y advierte algo que se pasa por alto con facilidad: instalar la actualización no basta, hay que reiniciar para que el kernel nuevo entre en servicio.Fuente: Ubuntu Security Notice USN-8851-1

Por eso la pregunta útil no es «qué distribución tengo», sino «qué versión del kernel estoy ejecutando ahora mismo y qué actualizaciones de seguridad publica mi distribución para esa rama».

Linux 7.3 se acerca

Mientras las distribuciones tapan agujeros, la siguiente versión sigue su curso. Linux 7.3-rc5 salió el 27 de septiembre con correcciones repartidas por controladores, red, arquitectura, virtualización, BPF, sistemas de archivos y gráficos. Al ser una candidata, todavía faltan algunas semanas de pruebas antes de la versión definitiva.Fuente: kernel.org

En paralelo hay trabajo de mantenimiento menos visible pero con efectos medibles. Una serie de parches propone resincronizar el código de compresión LZ4 del kernel con el del proyecto original, del que llevaba años separado. Las mediciones publicadas junto a la serie reportan mejoras de entre 11% y 14% en algunas pruebas con el sistema de archivos EROFS, y de hasta 21% en escenarios concretos. Conviene leer esas cifras con cuidado: corresponden a pruebas puntuales, no a una mejora general, y la serie todavía no está integrada en la rama principal.

La IA ya deja su firma en los parches

El cambio más interesante del mes no es una función de Linux 7.3, sino cómo se están encontrando algunos errores. El kernel tiene decenas de millones de líneas y una maraña de interacciones entre subsistemas; hay fallos que un humano tardaría muchísimo en ver.

El 23 de septiembre, el subsistema IPE (Integrity Policy Enforcement) incorporó dos correcciones de use-after-free: una protege el hash raíz de dm-verity con RCU, y la otra evita que una política recién cargada se libere mientras se está auditando. Ambas llevan la etiqueta Assisted-by: LLM en el mensaje del commit, y ambas están marcadas para retroportarse a las ramas estables.

Hay un detalle revelador en uno de esos mensajes: una nota del mantenedor indica que se quitó el nombre del modelo «según la directriz más reciente». Es decir, la comunidad del kernel no solo acepta ya estas contribuciones, sino que está escribiendo reglas sobre cómo deben declararse.

Conviene no exagerar lo que significa. La IA no está sustituyendo a los mantenedores: actúa como una herramienta más para rastrear patrones sospechosos, errores de manejo de memoria o condiciones de carrera en una base de código gigantesca. Cada hallazgo sigue pasando por revisión humana, pruebas y la firma de un desarrollador que se hace responsable de él.

En la misma línea, los desarrolladores discuten añadir al árbol de código un archivo AGENTS.md, el formato que se usa para darle instrucciones a los agentes de programación. La propuesta surgió al ver que algunos agentes interpretaban mal las convenciones del proyecto, incluidas las etiquetas de autoría y certificación de los parches. Todavía no está en el árbol oficial, pero la discusión marca un cambio de fondo: los proyectos empiezan a documentar no solo cómo debe trabajar una persona, sino también cómo debe comportarse una máquina que colabora.

Por qué importa

Para quien usa Linux en el escritorio, casi nada de esto se nota: la distribución integra las correcciones y llegan con las actualizaciones normales. En servidores la historia cambia, porque una máquina puede pasar meses encendida dando servicio y el parche instalado no sirve de nada hasta que se reinicia.

Detrás de los tres frentes de este mes hay una misma dinámica. Linux soporta cada vez más hardware, arquitecturas y tecnologías, así que es cada vez más complejo; cuanto más complejo, más herramientas automáticas hacen falta para mantenerlo seguro —fuzzers, analizadores estáticos y ahora modelos de lenguaje—; y cuanto mejores son esas herramientas, más errores salen a la luz. Los avisos de seguridad no son señal de que el kernel esté peor, sino de que se está mirando con más lupa.

Para los administradores, el mensaje práctico no ha cambiado en veinte años: mantener el kernel actualizado y reiniciar cuando toca sigue siendo de las tareas de seguridad más básicas y más pospuestas. Lo que sí cambió es quién encuentra los fallos. Que dos parches del kernel lleven escrito que los halló un modelo de lenguaje, y que exista una directriz sobre cómo declararlo, dice bastante sobre hacia dónde va el desarrollo de software: la IA ya no solo corre sobre Linux, también ayuda a construirlo.

Fuentes: Red Hat RHSB-2026-011, Ubuntu USN-8851-1, kernel.org y el árbol de código del kernel. Imagen: Tux, mascota de Linux (CC0, Wikimedia Commons, basado en el diseño de Larry Ewing).

ChatGPT nació como un sistema de conversación: se le preguntaba algo y respondía. Desde hace un par de años, OpenAI empuja en otra dirección, la de los agentes: programas que no solo contestan, sino que ejecutan tareas de varios pasos, usan herramientas y se conectan con otros servicios. Su conferencia anual para desarrolladores, el Dev Day, es donde suele enseñar hasta dónde ha llegado esa idea.

En la edición de este 29 de septiembre, la apuesta quedó clara. OpenAI presentó Dots, agentes pensados para funcionar de forma permanente y encargarse de tareas por su cuenta; ChatGPT Space, un espacio compartido para trabajar en proyectos junto a esos agentes; un paquete de mejoras para Codex, su herramienta de programación; y un nuevo plan Pro de $500 USD al mes. También anunció un modelo nuevo y reveló que ChatGPT ya tiene 1,200 millones de usuarios semanales.

Claves del Dev Day 2026

• Dots, agentes siempre activos: OpenAI los describe como agentes proactivos y permanentes, capaces de encargarse tanto de encargos menores como de trabajos largos. Reciben contexto de varias aplicaciones, se integran con Slack —se les puede reenviar un hilo— y, según la cobertura del evento, también con Microsoft Teams. Usan el modelo de voz de la empresa para conversar. Empiezan a estar disponibles hoy para usuarios seleccionados: quienes tengan Pro o Business Premium reciben un Dot gratis y pueden contratar más.
• ChatGPT Space: un espacio compartido donde los equipos reúnen sus proyectos y colaboran entre ellos y con los agentes que hayan puesto a trabajar.
• Codex se muda a la nube: ahora funciona por completo en servidores de OpenAI, así que ya no hace falta dejar la computadora encendida para que termine una tarea. Suma entornos de desarrollo reutilizables entre dispositivos, una interfaz renovada para la línea de comandos y nuevas herramientas de revisión de código. En la demostración creó un juego espacial en 3D y una aplicación de bitácora de vuelo.
• GPT-6.1 Sol: el nuevo modelo insignia estrena un modo Ultrafast que genera 300 tokens por segundo, unas ocho veces más rápido que el ritmo habitual.
• Plan Pro de $500 USD al mes: una suscripción con límites de uso más amplios y acceso a las opciones de mayor velocidad.
• 1,200 millones de usuarios semanales: la cifra que OpenAI presentó para ChatGPT en el evento.

Por qué importa

El salto que propone OpenAI no es de capacidad sino de formato. Un asistente al que hay que preguntar exige que la persona recuerde pedirle las cosas; un agente permanente, en cambio, vive dentro de las herramientas donde ya se trabaja y actúa sin que nadie abra una ventana de chat. Sam Altman lo resumió con dos extremos: encargos pequeños, como comprar un boleto de avión, y tareas largas y difíciles, como migrar el código que depende de una API que quedó obsoleta.

Para quienes programan, el cambio en Codex es igual de significativo. Que se ejecute en la nube y conserve entornos reutilizables lo acerca a un compañero de trabajo al que se le deja un encargo y se revisa el resultado más tarde, en lugar de una herramienta atada a la sesión abierta en la laptop. Es la misma dirección que siguen los demás asistentes de programación, y encaja con el cobro por suscripción de alta gama: un plan de $500 USD mensuales solo se sostiene si el agente hace un trabajo que de otro modo costaría bastante más.

Queda la parte que ningún anuncio resuelve: un agente que actúa solo también se equivoca solo. Delegarle compras, mensajes o cambios en el código exige confiar en su criterio y tener manera de revisar lo que hizo, algo que OpenAI deberá demostrar en el uso diario. Por ahora, Dots llega de forma limitada y con un costo que lo coloca lejos del usuario promedio. La conferencia dejó claro hacia dónde va la empresa; si esos agentes son útiles de verdad se sabrá cuando salgan del escenario y entren a trabajar.

Fuente: Engadget, cobertura en directo del Dev Day 2026. Imagen: sede de OpenAI en San Francisco, foto de Coolcaesar (CC BY 4.0).

Al 29 de septiembre de 2026, Olinia ya mostró dos prototipos y superó una primera prueba técnica de autonomía. El plan oficial prevé iniciar la producción del modelo de pasajeros en el verano de 2027 y vender la versión de carga hacia finales de ese año. Todavía faltan pasos industriales y regulatorios: el Gobierno busca socios para fabricar los vehículos, y el IPN señala que aún se trabaja en una norma para permitir la circulación de esta nueva categoría de minivehículos. Olinia ha dejado atrás la etapa de anuncio, pero todavía no es un automóvil de producción disponible para comprar.Fuentes: IPN · Presidencia de México

Una larga historia de autos hechos en México

La historia automotriz del país suele contarse a través de las grandes fábricas instaladas por empresas extranjeras. Ford abrió una línea de ensamblaje en México en 1925; General Motors llegó en 1935, y Fábricas Automex —de capital mexicano en sus orígenes y ligada después a Chrysler— comenzó operaciones en 1938. Esa trayectoria creó una industria manufacturera de gran escala, aunque fabricar automóviles en México no siempre significó diseñar aquí sus marcas, plataformas y modelos.Fuente: Banco de México

También hubo intentos de construir empresas nacionales. Willys Mexicana comenzó en 1946 y después dio paso a Vehículos Automotores Mexicanos (VAM), fabricante y ensamblador de modelos Jeep y Rambler. Diesel Nacional (DINA), constituida en 1951, produjo camiones, autobuses y otros vehículos. El Estado buscaba desarrollar capacidades industriales locales, empleos y producción nacional; en ciertos periodos, las reglas exigían una mayor integración de componentes fabricados en México. VAM dejó de operar como empresa automotriz mexicana en los años ochenta; DINA continúa, enfocada en autobuses y camiones.Fuentes: Revista de Historia de América, SciELO · DINA

A esa historia de fabricantes industriales se suman proyectos de menor escala. La familia Solana construyó autos deportivos y de competición; los hermanos Mastretta desarrollaron vehículos desde su empresa de diseño, y el Mastretta MXT llegó a producción en serie en 2011. Fue un deportivo de nicho: un logro de diseño y manufactura, pero no una marca de autos de volumen. Mastretta describe su trayectoria como fabricante de vehículos desde 1987, incluidos autobuses, utilitarios y el MXT.Fuentes: Mastretta · El Informador

Olinia se ubica en una categoría distinta. No busca competir como deportivo exclusivo ni convertirse desde el inicio en una armadora de sedanes para todo uso. Propone minivehículos eléctricos pequeños y de baja velocidad para recorridos urbanos, transporte de barrio y reparto. Su desafío histórico también es distinto: convertir diseño e ingeniería locales en una operación industrial que pueda producir, vender y dar servicio a escala.

Qué es Olinia y quién lo desarrolla

Olinia es un proyecto coordinado por la Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI), con participación del Instituto Politécnico Nacional (IPN), el Tecnológico Nacional de México (TecNM), centros públicos de investigación y apoyo de la UNAM y la UPAEP. El sitio oficial indica que los vehículos se producirán en Puebla. La convocatoria para encontrar empresas que participen en la fabricación industrial debe conducir a una empresa con mayoría de capital mexicano, de acuerdo con la presentación gubernamental.Fuentes: Olinia · Presidencia de México

El proyecto partió de tres necesidades de movilidad: transportar personas en trayectos cortos, ofrecer una alternativa cerrada a algunos mototaxis y mover mercancías en la última milla. De los tres vehículos planteados al inicio, ya se presentaron Olinia Uno, para pasajeros, y Olinia Carga, una unidad utilitaria. En agosto de 2026, el coordinador del proyecto también describió Olinia Van, una futura variante con carrocería cerrada para proteger la mercancía. La fecha anunciada para esa tercera propuesta es 2029.Fuentes: El País, entrevista con el coordinador · Presidencia de México

Olinia Uno: el modelo para pasajeros

El prototipo de pasajeros se presentó el 7 de junio de 2026 en Zumpango, Estado de México. El Gobierno lo describe como un vehículo completamente eléctrico, de baja velocidad, con una máxima anunciada de 50 km/h y capacidad para seis personas con cinturón de seguridad. El sitio oficial promete más de 100 kilómetros de autonomía y señala que la producción está prevista para el verano de 2027.Fuentes: Olinia Uno · IPN

En la presentación se difundieron cifras más precisas: motor eléctrico de 13.5 kW —unos 18 caballos de fuerza—, batería de 14.7 kWh, autonomía declarada de hasta 125 kilómetros y costo de operación cercano a 49 centavos por kilómetro. Esas cifras describen lo informado sobre el prototipo; el rango real de un vehículo de producción puede variar según carga, velocidad, pendientes, temperatura y condiciones de uso.Fuente: WIRED en Español

La velocidad máxima de 50 km/h sitúa a Uno en la movilidad urbana de trayectos cortos. El coordinador del proyecto ha dicho que no está pensado para carreteras ni vías de acceso controlado, aunque sí para calles y avenidas urbanas. Por su límite de velocidad, conviene entenderlo como un microvehículo urbano; no sustituye a un automóvil convencional para viajes largos o de alta velocidad.Fuente: El País

La batería se recarga en un enchufe doméstico convencional, según las presentaciones del proyecto. La promesa es reducir la barrera de entrada: el usuario no necesitaría instalar necesariamente un cargador rápido dedicado para la carga cotidiana. El equipo también ha hablado de diseñar las baterías pensando en una segunda vida para almacenamiento estacionario, aunque los detalles públicos disponibles no especifican todavía química, proveedor, tiempo de carga, garantías, capacidad útil ni sistema comercial de reciclaje.Fuentes: WIRED en Español · El Universal Puebla

Olinia Carga: una pequeña herramienta de trabajo

Olinia Carga se presentó el 20 de agosto de 2026. Está diseñado para transportar hasta 650 kg, recorrer más de 120 km por carga y llevar a dos personas. Su velocidad máxima anunciada es de 50 km/h; como Uno, se conecta a un enchufe tradicional. El Gobierno calcula que costará alrededor de $150,000 pesos y estima que podría salir a la venta a finales de 2027.Fuentes: Presidencia de México · Olinia Carga

El diseño publicado incluye una batea abatible, una superficie de carga de 2.1 m², acceso lateral y trasero, cajuela baja para guardar herramientas o repuesto, toma eléctrica para herramientas y barras en el techo. El sitio oficial anuncia más de 120 km de autonomía; el boletín gubernamental dice también que la unidad carga hasta 650 kg. Como en el modelo de pasajeros, habrá que esperar especificaciones finales y pruebas con condiciones de carga reales para conocer el alcance efectivo en trabajo diario.Fuentes: Olinia Carga · Presidencia de México

Cómo está construido: qué se sabe y qué falta por publicar

Por ahora, la información pública describe mejor la arquitectura funcional que los componentes de ingeniería. Sabemos que son vehículos eléctricos de baja velocidad, diseñados para uso urbano, con recarga doméstica; conocemos la capacidad anunciada de pasajeros o carga y, para el prototipo Uno, cifras de potencia y batería reportadas en su presentación. También sabemos que el IPN ya sometió el vehículo de pasajeros a pruebas en un dinamómetro de chasís: rodamiento a distintas velocidades, con y sin peso, y con diferentes niveles de pendiente. El equipo midió potencia de salida, torque y comportamiento del tren motriz.Fuentes: IPN · WIRED en Español

El sitio oficial muestra carrocerías cerradas y, para Carga, una plataforma utilitaria con cabina para dos y batea. Pero todavía no ha publicado un desglose técnico completo del chasis, suspensión, frenos, dirección, materiales de carrocería, electrónica de potencia, protecciones de la batería ni resultados de pruebas de choque. El IPN precisa que la evaluación de autonomía es una entre varias pruebas previstas; también informa que se desarrolla una norma oficial mexicana para esta nueva clase de minivehículos. Por eso, no hay que confundir un prototipo presentado y probado en laboratorio con un modelo cuya homologación, seguridad y configuración de producción ya estén concluidas.Fuente: IPN

La producción también está por definirse con socios industriales. En abril, el coordinador calculaba una capacidad futura de planta de hasta 50 mil vehículos al año, con un primer año parcial de entre 7 mil y 10 mil unidades y una meta de elevar el contenido nacional de 50% inicial a 70% para 2030. En agosto, el Gobierno informó que ya había compromisos por 8 mil unidades de una producción proyectada de 10 mil para el primer año. Son metas y previsiones del proyecto, sujetas a la selección de socios, financiamiento y puesta en marcha de la manufactura.Fuentes: El País · Presidencia de México

Precio y fechas: un calendario que sigue evolucionando

El anuncio inicial de enero de 2025 habló de tres modelos y de precios de entre $90,000 y $150,000 pesos, con la expectativa de tener un vehículo para el Mundial de 2026. El calendario cambió: el primer prototipo se presentó en junio de 2026 y la producción quedó prevista para 2027. Para septiembre de 2026, el sitio oficial anuncia la llegada de Olinia Uno en el verano de 2027 y la versión Carga se proyecta para venta a finales de ese año.Fuentes: El País, anuncio de 2025 · Olinia · Presidencia de México

El IPN informa que el vehículo de pasajeros costará $150,000 pesos y estará disponible en el verano de 2027. La Carga también se anuncia alrededor de ese precio, pero con venta proyectada hacia finales de 2027. El sitio oficial permite anotarse en una lista para recibir información cuando inicien los pedidos; el Gobierno advierte que Olinia no solicita anticipos ni transferencias por correo, WhatsApp o teléfono.Fuentes: IPN · Presidencia de México · Olinia

La siguiente fase depende de seleccionar socios para producir y vender, completar la industrialización y validar el vehículo bajo la regulación aplicable. Para Olinia Carga, el calendario anunciado fija publicación de bases a finales de septiembre de 2026, registro en octubre, ofertas formales en noviembre y cierre de ronda en diciembre. Las fechas de venta son compromisos públicos y objetivos de trabajo, no prueba de que la producción en serie ya esté asegurada.Fuente: Presidencia de México

Lo que Olinia puede significar para la industria mexicana

La importancia potencial del proyecto rebasa la posibilidad de comprar un vehículo eléctrico barato. Olinia intenta conectar universidades y centros públicos con diseño, pruebas, formación técnica y manufactura. Si consigue una producción sostenida, puede ayudar a desarrollar capacidades mexicanas en integración de sistemas, baterías, tren motriz y fabricación de vehículos eléctricos. La meta anunciada de 50% de contenido nacional al principio y 70% hacia 2030 es una señal concreta de esa ambición, aunque su cumplimiento dependerá de qué componentes se fabriquen localmente y de la escala que alcance la planta.Fuente: El País

Su oportunidad de mercado es específica: viajes cortos, barrios con calles estrechas, servicios locales y negocios que requieren mover carga ligera. Allí puede ofrecer ventajas frente a una moto o mototaxi —cabina cerrada, cinturones, protección climática y menor costo operativo anunciado—, siempre que el vehículo cumpla las normas de seguridad y que el costo de compra y mantenimiento resulte viable para sus usuarios. No es una solución para todas las necesidades de transporte, pero sí una apuesta por una categoría que hasta ahora tenía pocas opciones desarrolladas para las condiciones mexicanas.

El antecedente histórico invita a medir el éxito con paciencia. México ya ha ensamblado millones de vehículos y ha tenido empresas nacionales de autos, camiones y autobuses, pero sostener una marca propia requiere mucho más que un prototipo atractivo: producto confiable, precio competitivo, producción constante, refacciones, servicio posventa y cumplimiento regulatorio. Olinia todavía tiene que demostrarlo. Su avance más importante hasta ahora es haber pasado del anuncio a prototipos funcionales y pruebas técnicas; su prueba decisiva será llegar a 2027 con una línea industrial, vehículos homologados y entregas reales.

Fuentes principales: Olinia, Presidencia de México e IPN. Imagen: render oficial del proyecto Olinia.

Starship, el cohete de SpaceX, es el vehículo de lanzamiento más grande y potente jamás construido: mide 124 metros de altura y está diseñado para ser completamente reutilizable, tanto su propulsor Super Heavy como la nave que va encima. Desde 2023 había volado trece veces, y aunque los últimos vuelos salieron cada vez mejor, ninguno había completado el paso decisivo: entrar en órbita. Incluso en julio, cuando por primera vez soltó satélites Starlink, lo hizo en una trayectoria suborbital y aquellos satélites volvieron a caer a la Tierra.

Eso cambió este 28 de septiembre. Starship despegó a las 7:48 de la mañana, hora de Texas, desde la base de SpaceX en Starbase, al sur de ese estado, y alcanzó la órbita terrestre por primera vez. Ahí desplegó 26 satélites Starlink de tercera generación y, poco más de tres horas después del despegue, amerizó intacto en el Pacífico norte. El vuelo no estuvo exento de drama: uno de los motores de la nave se apagó durante el ascenso y SpaceX llegó a anunciar que cancelaba el intento de llegar a órbita, para luego retractarse.

Claves del vuelo 14 de Starship

• Un motor menos y una decisión de último minuto: durante el despegue se apagó uno de los seis motores de la nave. El vocero de SpaceX, Dan Huot, llegó a anunciar que el intento orbital quedaba cancelado, pero los controladores decidieron seguir adelante. «Todavía no nos damos por vencidos», dijo Huot antes de que llegara la autorización.
• Órbita alcanzada: unos 25 minutos después del despegue, la nave encendió brevemente un motor Raptor para entrar en órbita. «Starship está en órbita», confirmó el control de la misión entre aplausos. Elon Musk lo celebró después con un escueto «¡Primer vuelo orbital de Starship exitoso!».
• 26 satélites desplegados: a partir del minuto 34 y durante media hora, la nave liberó 26 satélites Starlink V3, los primeros de una constelación que según Musk llegará a unos 100,000 satélites. Tres de ellos llevaban cámaras para filmar el escudo térmico de la nave y ayudar a mejorarlo.
• El propulsor cumplió: el Super Heavy se separó y amerizó de forma controlada en el Golfo de México unos siete minutos después del despegue. Se le apagaron varios motores durante el vuelo, pero nada que comprometiera la maniobra.
• Regreso adelantado: el plan original contemplaba unas seis vueltas a la Tierra y un amerizaje frente a Chile casi diez horas después del lanzamiento, pero los controladores recortaron el vuelo en casi siete horas. La nave reentró a la atmósfera a las 2 horas y 40 minutos, y cayó al Pacífico norte 3 horas y 8 minutos después de despegar. Tocó el agua entera, aunque enseguida se volcó y explotó.
• Tercer vuelo de la versión 3: este fue el tercer lanzamiento con la Versión 3 de Starship, la primera capaz de desplegar satélites y, en teoría, de llegar a la Luna y a Marte. El cohete puede poner más de 100 toneladas en órbita terrestre.

Por qué importa

Llegar a órbita es la frontera que separa un cohete de pruebas de uno operativo. Todo lo que SpaceX promete con Starship (abaratar el acceso al espacio, construir una base lunar, eventualmente llegar a Marte) dependía de cruzar ese umbral, y hasta hoy no lo había hecho. Que además haya soltado una tanda real de satélites operativos, y no una maqueta de prueba, convierte al vuelo en algo más parecido a una misión comercial que a un ensayo.

La NASA tiene un interés directo en el resultado. Eligió a Starship como el primer módulo de alunizaje tripulado de su programa Artemis, con el que quiere instalar una base cerca del polo sur de la Luna. Según los planes de SpaceX, la nave llevaría astronautas a la órbita baja en la misión Artemis III a mediados de 2027 y los dejaría en la superficie lunar un año después con Artemis IV, aunque la NASA también contrató a Blue Origin para fabricar módulos de alunizaje y todavía no está claro cuál volará esa misión.

El vuelo 14 resuelve la pregunta más importante, pero deja otras tres abiertas. SpaceX aún no ha intentado atrapar la nave con los brazos de la torre de lanzamiento, algo que ya logró tres veces con el propulsor y que es clave para reutilizarla rápido. Tampoco ha demostrado que pueda recargar combustible en órbita, un paso indispensable para cualquier viaje a la Luna o a Marte. Y falta instalar los sistemas de soporte vital antes de subir a alguien a bordo. Starship ya sabe llegar a la órbita; ahora tiene que aprender a volver y a repetirlo muchas veces.

Fuentes: Reuters, Space.com

Los robotaxis de Waymo, la empresa de conducción autónoma de Alphabet, llevan años operando sin conductor en Estados Unidos, y cada expansión reaviva la misma pregunta: ¿son realmente más seguros que una persona al volante? Para responderla, la compañía mantiene un centro público de datos de seguridad, donde compara sus choques con los de conductores humanos en las mismas zonas, y lo actualiza cada pocos meses con las millas acumuladas.

El 24 de septiembre Waymo publicó la actualización más grande hasta ahora: con datos hasta junio de 2026, sus vehículos ya suman 271.3 millones de millas (unos 437 millones de kilómetros) totalmente autónomas, el equivalente a recorrer la Ruta 66 unas 110,000 veces. La conclusión del análisis es contundente: comparados con conductores humanos en las mismas calles, los Waymo tuvieron 82% menos choques con lesiones, es decir, 841 choques con heridos que no ocurrieron.

Claves del informe de seguridad de Waymo

• 271.3 millones de millas sin conductor acumuladas hasta junio de 2026 en cinco áreas metropolitanas: Phoenix (92.1 millones), San Francisco (82.4 millones), Los Ángeles (67.1 millones), Austin (21.1 millones) y Atlanta (8.6 millones). Es una experiencia equivalente a la de unas 300 vidas completas de conducción humana.
• 82% menos choques con lesiones: 841 incidentes menos de los que habrían tenido conductores humanos recorriendo las mismas millas. La cifra crece rápido con la flota: era de 69 en julio de 2024, 303 en junio de 2025 y 544 en diciembre de 2025.
• 95% menos choques con lesiones graves o peores (55 menos), una reducción de 20 veces frente al conductor humano promedio, y 82% menos choques con despliegue de bolsas de aire en cualquiera de los vehículos involucrados (358 menos).
• Los usuarios vulnerables de la vía son los más beneficiados: 93% menos choques con lesiones a peatones (86 menos), 86% menos a ciclistas (56 menos) y 82% menos a motociclistas (36 menos).
• Metodología pública y revisada por pares: Waymo compara incidentes por millón de millas contra referencias humanas ajustadas por zona geográfica, y corrige el subregistro de los datos humanos, ya que cerca del 32% de los choques con lesiones de conductores humanos nunca se reportan. La propia empresa advierte que no existe una comparación perfecta entre humanos y vehículos autónomos, y que los resultados son una validación retrospectiva, no una garantía para futuras expansiones.

Por qué importa

El debate sobre los robotaxis suele moverse entre anécdotas: un video viral de un vehículo confundido o un accidente aislado que llega a los titulares. Este informe apunta en la dirección contraria, con la base de datos más grande que existe sobre conducción autónoma real y una tendencia que se sostiene a medida que las millas se multiplican. Que las mayores reducciones se concentren en peatones, ciclistas y motociclistas, las víctimas con menos protección en un choque, es el dato más significativo para las ciudades.

El momento tampoco es casual: Waymo está en plena expansión hacia Denver, Las Vegas, San Diego, Tampa y Nashville, prepara su llegada a Londres, Múnich y Singapur, y acaba de abrir cuentas para adolescentes. Cada nuevo permiso depende de convencer a reguladores y vecinos de que la tecnología es más segura que un conductor humano, y estos números son su principal argumento.

En Estados Unidos mueren más de 39,000 personas al año en accidentes de tránsito, la gran mayoría por errores humanos. Los datos de Waymo no cierran el debate, y la empresa admite las limitaciones de la comparación, pero después de 270 millones de millas la evidencia apunta con fuerza en un sentido: quitar al humano del volante, al menos en las calles donde Waymo ya opera, está evitando cientos de lesiones. La pregunta deja de ser si los robotaxis son seguros, y empieza a ser qué tan rápido pueden llegar a más ciudades.

Fuentes: Waymo, Waymo Safety Impact

Cada septiembre Apple renueva su línea Pro, y en los últimos años las mejoras se han vuelto cada vez más pequeñas: un poco más de cámara, un poco más de batería, un chip algo más rápido. Al mismo tiempo, la compañía llegó tarde a la carrera de la inteligencia artificial generativa, y su asistente Siri quedó rezagado frente a ChatGPT, Gemini o Claude.

El iPhone 18 Pro y el iPhone 18 Pro Max, presentados el 9 de septiembre y a la venta desde el 18 de septiembre, intentan cambiar las dos cosas. Traen la primera cámara de iPhone con apertura variable, un chip fabricado en 2 nanómetros, el mayor salto de batería en la historia del iPhone y Siri AI, una versión completamente nueva del asistente basada en Apple Intelligence.

Lo más importante del iPhone 18 Pro

• Cámara con apertura variable: la cámara principal Fusion de 48 MP usa seis láminas cortadas con láser para cambiar de apertura, de ƒ/1.48 para poca luz a ƒ/4 para fotos de grupo con todo enfocado. Los nuevos controles Pro permiten ajustar manualmente apertura, velocidad de obturación y balance de blancos, y consultar un histograma.
• Imagen de Referencia de Apple: el sensor puede firmar cada pixel que capta, y así crear una copia inalterable de la foto, como un negativo digital, para comprobar si fue editada. Apple también anunció compatibilidad futura con SynthID, el estándar para identificar imágenes generadas o editadas con IA.
• Chip A20 Pro de 2 nm: CPU de 6 núcleos, GPU de 7 núcleos hasta 40% más rápida que la del A19 Pro, 50% más ancho de banda de memoria y dos Neural Engine de 16 núcleos que duplican la potencia para IA. Una nueva cámara de vapor, tres veces más grande, mejora hasta 40% el rendimiento sostenido.
• Batería: en las versiones solo con eSIM, que son las que se venden en México, el 18 Pro llega a 36 horas de reproducción de video y el 18 Pro Max a 45 horas. El 18 Pro carga hasta 50% en unos 15 minutos con cable.
• Dynamic Island más pequeña que ahora puede mostrar tres Actividades en Vivo a la vez, y los nuevos chips de Apple N1 (Wi-Fi 7, Bluetooth 6) y módem C2, que según Apple consume 15% menos energía que el C1X.
• Siri AI: entiende el contexto personal de mensajes, correos y fotos, puede actuar sobre lo que aparece en pantalla y tiene un modo en la app Cámara para preguntar por lo que tienes enfrente. Salió en beta y solo en inglés el 14 de septiembre, y llegará en español en octubre.
• Precio en México: el iPhone 18 Pro cuesta desde $29,999 MXN y el 18 Pro Max desde $31,999 MXN, con capacidades de 256 GB a 2 TB. En Estados Unidos parten de $1,199 y $1,299 USD. Vienen en negro, plata, glaciar y el nuevo borgoña.

Por qué importa

La apertura variable es una función propia de las cámaras profesionales que pocos teléfonos ofrecen, y ahora llega al iPhone con control manual y una API para que otras apps la aprovechen. Imagen de Referencia es quizá la novedad más relevante a largo plazo: en plena era de las imágenes generadas por IA, que el propio sensor pueda certificar una foto le da a periodistas y usuarios una herramienta concreta para distinguir lo real de lo manipulado.

Para Apple, el iPhone 18 Pro también es la prueba de que puede competir en IA. Siri AI es su respuesta a los asistentes de OpenAI, Google y Anthropic. Para el público hispanohablante, la prueba real llegará en octubre, cuando el asistente esté disponible en español.

El iPhone 18 Pro no cambia la forma del teléfono, pero sí mejora casi todo lo que hay dentro: la cámara, el chip, la batería y el asistente. Si Siri AI cumple lo que promete en español, este podría ser el primer iPhone en años con motivos de peso para cambiar de modelo.

Fuente: Apple Newsroom

Desde hace varios años Meta intenta que los lentes, y no el teléfono, sean el próximo gran dispositivo personal. Su apuesta ha avanzado por dos caminos: los visores de realidad virtual Quest, potentes pero voluminosos, y los lentes inteligentes Ray-Ban Meta, ligeros y con cámara, micrófonos y asistente de IA, que se convirtieron en un éxito inesperado. El año pasado sumó las Meta Ray-Ban Display, con una pequeña pantalla integrada en el cristal.

En Meta Connect 2026, celebrado el 23 y 24 de septiembre, la compañía intentó unir ambos caminos. Presentó las Meta VR Glasses, un equipo de realidad virtual con forma de lentes; renovó su línea de lentes con IA con la tercera generación de Ray-Ban Meta y unas nuevas gafas solo de audio; y anunció que su agente de IA Muse llegará a todos estos dispositivos.

Lo más importante de Meta Connect 2026

• Meta VR Glasses: pesan alrededor de 100 gramos, cinco veces menos que un Quest 3, y usan una pantalla micro-OLED que Meta llama «5K Infinite Display». El procesamiento y la batería van en un módulo aparte que se sujeta al cinturón. Se controlan con la mirada y los gestos de las manos, sin mandos. Su campo de visión es de unos 70 × 66 grados, frente a los 110 × 96 del Quest 3, pero con más resolución por ojo. Costarán $1,299.99 USD y llegarán en la primavera de 2027.
• Compatibilidad con Quest: las VR Glasses usan el mismo sistema operativo, la misma tienda y los mismos SDK que Quest. Según Meta, la mayoría de las apps actuales funcionarán igual o mejor que en un Quest 3. El SDK v207 para desarrolladores ya está disponible, y hay 75 juegos en camino, entre ellos Tetris Effect: Mixed Realities, Phoenix Wright: Ace Attorney – Dual Destinies y una gran actualización de Beat Saber, llamada «Flux», que se juega solo con las manos.
• Ray-Ban Meta Gen 3: monturas más delgadas, hasta nueve horas de batería (una más que la generación anterior), seis micrófonos que según Meta eliminan más del 90% del ruido de fondo, cámara de 12 MP con video 3K y un botón de acción personalizable. Salieron a la venta el 23 de septiembre desde $449 USD, en los estilos Aviator, Zena y Wayfarer.
• Ray-Ban Meta Audio: son las primeras gafas de Meta sin cámara, con audio abierto e IA, y las más delgadas y ligeras que ha hecho. Prometen 12 horas de batería y cuestan $349 USD.
• Muse llega a los lentes: el agente de IA de Meta se podrá activar llamándolo por su nombre. Suma un modo de voz en tiempo real, un correo electrónico propio para hacer tareas, control de apps en Mac y conectores con servicios como PayPal, Instacart, Notion y GitHub.
• Nuevas funciones para los lentes con IA: en los próximos meses llegarán una función de asistencia auditiva con aprobación de la FDA para pérdida leve a moderada, navegación con referencias visuales («gira a la izquierda en el supermercado»), entrenamientos guiados y grabación de video con audio espacial Dolby Atmos.
• Llegada a México: desde el anuncio, los lentes con IA de Meta se venden en México, Singapur y Corea del Sur. Brasil y Emiratos Árabes Unidos serán los siguientes.

Por qué importa

El gran problema de la realidad virtual nunca fue la tecnología, sino la comodidad: pocas personas quieren llevar medio kilo sobre la cara durante horas. Al bajar el peso a unos 100 gramos y mover la batería y el procesador fuera de la cabeza, Meta ataca justo esa barrera. Además, mantener la compatibilidad con el catálogo de Quest le permite lanzar el dispositivo con miles de apps disponibles.

Al mismo tiempo, la estrategia de Meta es cada vez más clara: tener un tipo de lentes para cada situación. Hay unos solo de audio, otros con cámara, otros con pantalla y otros de realidad virtual, y Muse funciona en todos como asistente común. Para quienes viven en América Latina hay otra novedad: con la llegada a México, estos lentes dejan de ser un producto que había que importar desde Estados Unidos.

Las VR Glasses todavía tienen que demostrar que valen $1,299.99 y que su campo de visión, más estrecho que el de un Quest, no arruina la inmersión. Aun así, Meta Connect 2026 muestra hacia dónde se dirige la industria. La computadora personal del futuro se parece cada vez más a unos lentes comunes, y Meta quiere llegar antes que Apple y Google.

Fuentes: Meta, Meta for Developers

LeRobot es la apuesta de Hugging Face por hacer con la robótica lo que ya hizo con los modelos de lenguaje: convertirla en un ecosistema abierto donde código, modelos y datos se comparten libremente. Hasta ahora la plataforma se centraba en brazos robóticos de bajo costo; el salto a robots humanoides completos era la asignatura pendiente.

Ese salto acaba de darse. Un artículo publicado el 25 de septiembre de 2026 en la plataforma de Hugging Face documenta la integración del Unitree G1, un humanoide bípedo comercial, al stack de LeRobot: teleoperación, aprendizaje por demostraciones y control de cuerpo completo, todo con código y datasets abiertos.

Claves de la integración

• Teleoperación con visor VR: el operador marca las referencias con la pose de cabeza, muñecas y tobillos, y el sistema las convierte en movimiento del robot mediante el autocodificador SONIC (42 millones de parámetros entrenados con más de 100 millones de fotogramas).
• Aprendizaje eficiente: la política π0.5 aprende tareas a partir de lenguaje, estado del robot y visión; el rendimiento se satura con apenas ~40 demostraciones por tarea, y un entrenamiento de ejemplo toma 12,000 pasos en 4 GPUs H100.
• Datasets abiertos masivos: destacan HIW-500 (500+ horas y 23,000 episodios grabados en 12 hogares reales) y OMG-Data (798,000 episodios de movimiento del G1).
• Hardware DIY de bajo costo: el guante Homunculus para capturar movimiento de manos cuesta menos de $20 en materiales, hay un humanoide imprimible en 3D de ~$2,500 y un brazo con mano diestra por ~€500, todos con planos publicados.
• Compatibilidad amplia: el stack soporta también los controladores NVIDIA GR00T y Amazon FAR Holosoma, y anuncia soporte futuro para ASIMOV, el humanoide abierto de Menlo Research.

La robótica humanoide ha estado dominada por empresas con laboratorios cerrados y presupuestos enormes. Que un robot comercial como el G1 pueda programarse con herramientas abiertas, datasets públicos y hardware de captura que cuesta lo que una pizza cambia quién puede participar: universidades, startups pequeñas y desarrolladores independientes pueden ahora entrenar comportamientos de cuerpo completo sin construir toda la infraestructura desde cero. Es el mismo patrón que democratizó los modelos de lenguaje, aplicado a los robots.

La integración del G1 en LeRobot no hará que los humanoides lleguen mañana a casa, pero sí baja de forma drástica el precio de entrada para investigar con ellos. Si la comunidad responde como lo hizo con los modelos abiertos de IA, el catálogo de robots y habilidades compartidas crecerá rápido.

Fuente: Hugging Face