Vera CPU, benchmarks ciegos y open source: la semana que reconfigura la infraestructura IA

Tres movimientos en 48 horas que, vistos por separado, parecen noticias de producto. Vistos juntos, describen una reconfiguración profunda de cómo se construye, se mide y se compra infraestructura de IA en 2026. Si diriges tecnología o producto en una empresa española, esto no es ruido de Gamescom: es la hoja de ruta del próximo año.

Vera CPU: NVIDIA ya no solo vende GPUs

El envío masivo de los sistemas Vera CPU de NVIDIA marca un punto de inflexión que muchos analistas llevan meses anticipando. Por primera vez, NVIDIA tiene un procesador diseñado específicamente para la carga de trabajo de agentes de IA: no para entrenar modelos (eso sigue siendo dominio de la H100/H200/Blackwell), sino para la inferencia agéntica continua, ese patrón de ejecución donde un agente razona, llama herramientas, espera respuestas y vuelve a razonar en bucles que pueden durar horas.

Esa distinción importa mucho en términos de coste. La GPU generalista es cara, consume mucho y está sobredimensionada para workloads de inferencia ligera. Vera ataca exactamente ese gap. El vicepresidente Ian Buck no entregó los primeros sistemas a clientes enterprise al azar: fue una señal deliberada de que NVIDIA quiere estar presente en la capa de orquestación de agentes, no solo en la de entrenamiento.

Lo que el anuncio oficial no dice con suficiente claridad: el verdadero reto para las agencias de automatización con IA españolas será la disponibilidad real de estos sistemas fuera del ecosistema hyperscaler. Si Vera solo llega como instancia cloud vía AWS o Azure, el ahorro de costes prometido quedará absorbido por los márgenes del proveedor de nube. Las empresas que quieran capturar el diferencial de eficiencia necesitarán on-premise o acuerdos de colocation, algo que hoy muy pocas pymes o medianas empresas en España tienen capacidad de negociar directamente.

El problema de los benchmarks y la apuesta criptográfica de Google

Que Google DeepMind esté implementando evaluaciones doble ciego con protección criptográfica para su modelo Gemini Flash Lite junto al Instituto de Seguridad de IA de Singapur no es solo una curiosidad metodológica. Es una admisión pública de que el sistema actual de benchmarks está roto.

El mecanismo es técnicamente elegante: mediante Confidential Space, Google no puede ver las preguntas de prueba y los evaluadores no pueden acceder a los pesos del modelo. Ambas partes operan con información parcial, y solo el resultado final —la puntuación— emerge del proceso. Es el mismo principio que usa la criptografía de clave pública aplicado a la evaluación de modelos.

¿Por qué importa esto para un CTO que está eligiendo proveedor de modelo base hoy? Porque los benchmarks actuales tienen un sesgo de contaminación masivo. Los laboratorios que publican sus propios scores en MMLU, HumanEval o GPQA conocen de antemano la distribución de las preguntas. El rendimiento en producción diverge sistemáticamente de esos números, a veces en más de 20 puntos porcentuales en tareas especializadas.

Si este piloto de Google escala y se adopta como estándar —y hay incentivos fuertes para que lo haga, porque a los laboratorios más pequeños les conviene un campo de juego más transparente—, el mercado de selección de modelos cambiará radicalmente. Las empresas que hoy toman decisiones de arquitectura basándose en leaderboards públicos tendrán que revisar sus procesos de evaluación interna. El ecosistema de consultoría de IA especializada debería estar preparando metodologías de evaluación propias ahora, no cuando el estándar ya esté impuesto.

Open source como activo de M&A: el repositorio vale más que el producto

La noticia de TechCrunch sobre la avalancha de adquisiciones en empresas de IA de código abierto confirma algo que el mercado venía insinuando desde la compra de Mistral por parte de Microsoft y los movimientos de Meta sobre Hugging Face: los pesos abiertos son el nuevo activo estratégico de Silicon Valley.

La lógica es esta: una empresa que distribuye un modelo de forma gratuita construye dos cosas que no aparecen en su balance contable. Primero, una comunidad de contribuidores que mejora el modelo a coste casi cero. Segundo, un efecto de lock-in invertido: los desarrolladores que construyen sobre ese modelo se convierten en prescriptores y, eventualmente, en clientes del layer enterprise.

Para las empresas españolas que están eligiendo stack tecnológico ahora mismo, esto tiene una implicación directa: el modelo open source que adoptes hoy podría estar detrás de un moat corporativo dentro de 18 meses. Eso no es razón para no usarlo —los pesos seguirán siendo abiertos por definición— pero sí para diversificar dependencias y no construir toda la arquitectura sobre un único proveedor open source, por muy generosa que sea su licencia Apache 2.0 hoy.

El caso Cursor/OpenAI/SpaceX ilustra perfectamente el riesgo opuesto: depender de un único proveedor de modelo propietario. Que OpenAI haya cortado el acceso a Cursor tras su adquisición por SpaceX —alegando el historial contractual de Musk— es un recordatorio brutal de que los acuerdos de API no son infraestructura neutral. El hecho de que Michael Truell haya podido restar importancia al asunto porque los modelos de OpenAI representaban apenas el 5% del tráfico de la herramienta es la mejor defensa posible: diversificación preventiva. Cualquier producto construido hoy con un 80% de dependencia en un único proveedor de modelo está asumiendo un riesgo operacional que no aparece en ningún análisis de riesgos tradicional.

Microduck y el sim-to-real al precio de una suscripción anual

El Microduck de Hugging Face/Pollen Robotics merece un párrafo aparte porque rompe una barrera de entrada que parecía estructural. Por $399, cualquier equipo de ingeniería tiene acceso a un robot bípedo real con 15 motores, LiDAR, cámara y dos IMUs, cuya política de movimiento se entrena en MuJoCo (simulación) y se exporta a ONNX para despliegue real. El stack de entrenamiento es Apache 2.0.

El ángulo estratégico no es el robot en sí —25 cm de altura no automatiza ningún almacén—. Es que democratiza el ciclo completo de sim-to-real para equipos que antes necesitaban presupuestos de investigación universitaria. Las empresas del sector logístico, manufactura o retail que quieran empezar a construir competencia interna en robótica agéntica ahora tienen un punto de entrada accesible. Para las agencias de agentes autónomos que quieran añadir robótica física a su portfolio, Microduck es un laboratorio de prototipado que cabe literalmente en un escritorio.

El ecosistema de agencias de IA en Barcelona tiene aquí una oportunidad concreta: la ciudad concentra varios hubs de manufactura y automoción donde la transferencia del aprendizaje por refuerzo de simulación a hardware real tiene aplicación industrial directa a corto plazo. Y para equipos de agencias de IA en Madrid orientados a retail o logística urbana, el caso de uso de navegación bípeda en entornos no estructurados —que es exactamente lo que entrena Microduck— tiene más recorrido del que parece.

El patrón que nadie está nombrando

Vera CPU optimiza el coste de inferencia agéntica. Los benchmarks doble ciego fuerzan transparencia en la evaluación de modelos. Las adquisiciones de open source consolidan el control sobre los pesos. Microduck democratiza el hardware agéntico físico.

El patrón es coherente: 2026 es el año en que la IA agéntica pasa de experimento a infraestructura. Y como toda infraestructura que madura, lo que importa ya no es si funciona, sino quién la controla, cuánto cuesta operarla y quién puede auditar su rendimiento de forma independiente.

Las empresas que lleguen a 2027 sin haber resuelto esas tres preguntas para su propio stack van a encontrarse en una posición muy incómoda: dependientes de métricas que no pueden verificar, sobre hardware que no controlan, con proveedores cuya continuidad de servicio depende de factores que no tienen nada que ver con la tecnología. El caso Cursor es solo el primer aviso.

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 automatización con ia
• Agencias de IA en Barcelona y en Bilbao
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real