GLM-5.2, OKF y el escándalo KPMG: la semana que reconfiguró la IA empresarial

Tres noticias publicadas en menos de 48 horas definen mejor el estado real de la IA empresarial que cualquier keynote de conferencia: un modelo chino con un millón de tokens funcionales y pesos abiertos MIT, un estándar de Google para que los agentes lean el conocimiento corporativo, y la mayor consultora del mundo pillada inventando casos de éxito con IA. Si trabajas en estrategia tecnológica, las tres tienen implicaciones directas para las decisiones que tomarás esta semana.

GLM-5.2: cuando «ventana de contexto» deja de ser marketing

Z.ai presentó el 13 de junio de 2026 su modelo GLM-5.2, y la distinción que hacen en el anuncio merece atención: no dicen «soporta 1 millón de tokens», dicen «ventana de contexto funcional de 1 millón de tokens». Es una diferencia crítica que la mayoría de los comunicados de prensa ignoran deliberadamente.

La arquitectura real de casi todos los modelos con ventanas largas degrada su rendimiento de recuperación pasadas las primeras decenas de miles de tokens —el fenómeno «lost in the middle» está documentado hasta la saciedad—. Z.ai está apostando explícitamente a que su modelo no sufre esa degradación. La afirmación necesita verificación independiente, pero si se sostiene en benchmarks de recuperación profunda, cambia el cálculo económico de cualquier pipeline RAG: menos chunking, menos embeddings, menos infraestructura de vectores.

El segundo elemento interesante es el sistema de dos niveles de razonamiento —Alto y Máximo—. No es una novedad conceptual; DeepSeek R1 y o3 llevan meses con esquemas similares. Lo que sí es relevante es la integración nativa con Claude Code y Cline a través de un endpoint compatible con Anthropic. Esto significa que cualquier equipo que ya tenga pipelines construidos sobre la API de Anthropic puede sustituir o complementar el modelo sin tocar código. El verdadero reto para las agencias españolas que trabajan con arquitecturas agénticas no será la integración técnica —es trivial— sino calibrar en qué tareas el nivel «Máximo» justifica el coste de inferencia adicional frente a Claude Sonnet o Gemini 2.5 Pro.

Los pesos abiertos bajo licencia MIT, prometidos para la semana siguiente al anuncio, son el dato más estratégico de todo el lanzamiento. Una licencia MIT en un modelo de esta capacidad implica despliegue on-premise sin royalties, fine-tuning sin restricciones y, crucialmente, auditoría completa del modelo para sectores regulados como banca o salud. Si los pesos llegan y el rendimiento aguanta, GLM-5.2 se convierte en el competidor más serio de Llama 4 para empresas europeas con requisitos de soberanía de datos.

Para los equipos de agentes autónomos que necesitan procesar contratos completos, historiales de clientes o bases de código enteras en una sola llamada, esto es el tipo de actualización que merece una prueba de concepto esta semana.

Open Knowledge Format: Google formaliza lo que Karpathy llamó «LLM Wiki»

Google Cloud lanzó el Open Knowledge Format (OKF), un estándar que organiza el conocimiento empresarial disperso en archivos Markdown con cabeceras YAML. La noticia en sí no es técnicamente revolucionaria —Andrej Karpathy había popularizado el concepto semanas antes bajo el nombre «LLM Wiki»—. Lo que cambia es que ahora hay una especificación formal detrás de una empresa con capacidad de adopción masiva.

El problema que OKF intenta resolver es real y costoso: el conocimiento corporativo vive en PDFs mal escaneados, wikis de Confluence desactualizadas, emails en cadenas de 47 respuestas y documentos de Google Drive sin estructura. Cuando construyes un agente de IA que necesita acceder a ese conocimiento, el 60-70% del trabajo de implementación típicamente es limpieza y normalización de datos, no la lógica del agente en sí.

OKF propone un formato portable: Markdown estructurado, metadatos en YAML, agnóstico del proveedor. La apuesta es que si las empresas empiezan a almacenar su conocimiento en este formato, el coste de conectar nuevos agentes se reduce drásticamente. La portabilidad es la clave estratégica aquí: un documento OKF puede alimentar a un agente de Anthropic hoy y a uno de Google mañana sin conversión.

El escepticismo legítimo es sobre la adopción. Los estándares abiertos de Google tienen un historial mixto —Protocol Buffers sobrevivió, Google Wave no—. OKF compite con formatos propietarios que cada plataforma de gestión del conocimiento está desarrollando en paralelo. Que Microsoft no esté en el consorcio de lanzamiento es un detalle que los CTOs deben anotar.

Para una empresa mediana en España con su conocimiento fragmentado entre múltiples sistemas, la pregunta práctica es: ¿vale la pena invertir ahora en migrar a OKF, o esperar a ver si el estándar gana masa crítica? La respuesta honesta es que si ya tienes un proyecto de gestión del conocimiento en marcha, adoptar la estructura Markdown + YAML cuesta poco y te da opcionalidad futura. Si no tienes ese proyecto, OKF no es el punto de partida. Las agencias de consultoría de IA que están diseñando arquitecturas de conocimiento empresarial deberían estar atentas a cómo los principales proveedores de RAG —Pinecone, Weaviate, LlamaIndex— adoptan este estándar en los próximos meses.

El escándalo KPMG: el problema no es la IA, es la jerarquía de credibilidad

Esta es la noticia de la semana que más debería preocupar a cualquier directivo evaluando inversiones en IA, y no por las razones superficiales que la mayoría de los análisis destacan.

KPMG publicó un informe sobre IA en los negocios con casos de estudio inventados que mencionaban a UBS y al NHS. El informe fue retirado tras ser descubierto. El CEO de GPTZero, Edward Tian, quien ayudó a destapar el caso, acuñó el término «alucinaciones secundarias»: afirmaciones erróneas que una IA genera, que una consultora de prestigio valida sin cuestionar, que un CTO lee y convierte en argumento para un comité de inversión.

El mecanismo es el verdadero problema. No es que KPMG usara IA —todos lo están haciendo—. Es que la firma eliminó el paso crítico de verificación humana precisamente en el tipo de contenido donde el riesgo de error es más alto: casos de estudio específicos con nombres de organizaciones reales. El problema técnico subyacente es conocido: los LLMs son estadísticamente muy buenos generando texto que parece un caso de estudio empresarial, porque han visto miles en el entrenamiento. Son pésimos asegurando que los hechos específicos correspondan a la realidad.

Para los CTOs que reciben informes de consultoras sobre IA —y eso incluye prácticamente todos los que están leyendo esto—, la implicación práctica es incómoda: ahora tienes que aplicar el mismo escepticismo que aplicarías a un resultado de búsqueda de Google a los informes de tus proveedores estratégicos de consultoría. Pide las fuentes primarias de cualquier caso de estudio. Si no hay URL o referencia verificable, el caso de estudio no existe como evidencia.

La ironía de segundo nivel es que KPMG cometió este error en un informe diseñado precisamente para convencer a clientes de adoptar IA. El daño reputacional va más allá de una retirada de documento: erosiona la confianza en toda la categoría de informes de adopción de IA generados por consultoras, que son exactamente los documentos que los comités directivos usan para tomar decisiones de inversión.

El ecosistema de agencias de IA en Madrid y agencias de IA en Barcelona que compiten con las grandes consultoras en proyectos de transformación digital tienen aquí un argumento de ventas inesperado: la proximidad y la accountability directa con el cliente reduce el riesgo de este tipo de fabricación. Un equipo de diez personas que construye tu agente no puede permitirse inventar un caso de éxito. KPMG aparentemente sí creyó poder hacerlo.

La convergencia que nadie está nombrando

Las tres noticias apuntan hacia el mismo vector: la infraestructura para agentes empresariales serios —contexto largo funcional, conocimiento estructurado portable, verificación de resultados— está madurando rápido, pero la capa de confianza institucional está fallando al mismo ritmo. GLM-5.2 y OKF reducen la fricción técnica de construir agentes que manejan conocimiento complejo. El caso KPMG demuestra que la fricción institucional —saber cuándo confiar en un output de IA— sigue siendo un problema sin solución técnica.

Los equipos que ganen los próximos 18 meses no serán los que tengan el modelo más potente. Serán los que hayan construido procesos de verificación que escalen al mismo ritmo que la capacidad generativa. Para las empresas que buscan apoyo en automatización con IA, eso significa evaluar a sus proveedores no solo por las demos que presentan, sino por los controles de calidad que han institucionalizado. El mercado está a punto de aprender esa lección de la manera más cara posible.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de agentes de voz
• Agencias de IA en Zaragoza y en Buenos Aires
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real