Codex en producción, LLMs que mienten y Claude Opus 4.8
Hoy: cómo los equipos usan Codex en código real, por qué los LLMs creen mentiras y qué trae Claude Opus 4.8.
Lo más importante de hoy en IA
El sábado arrancó con tres señales distintas pero complementarias sobre el estado real de la IA en 2026: equipos de ingeniería usando agentes de código en flujos de trabajo de producción, un estudio que expone una falla estructural preocupante en los LLMs, y el lanzamiento silencioso pero significativo de Claude Opus 4.8 de Anthropic. No fue un día de anuncios grandiosos, sino de evidencia concreta: la IA avanza, pero sus límites también se vuelven más visibles.
Codex y GPT-5.5 ya están acelerando equipos de ingeniería reales
Braintrust, una plataforma de evaluación de LLMs, publicó hoy un caso de uso detallado sobre cómo sus ingenieros integran Codex con GPT-5.5 para correr experimentos y escribir código más rápido. No se trata de un demo ni de un piloto interno: es un equipo técnico usando estas herramientas en su ciclo de desarrollo cotidiano, con resultados medibles en velocidad de iteración.
Lo relevante aquí no es solo que Codex funcione, sino el patrón que describe Braintrust: los ingenieros no reemplazaron su flujo de trabajo, lo aumentaron. Usan el agente para tareas específicas de alto volumen y baja ambigüedad, como generar variantes de experimentos o traducir especificaciones a código boilerplate, mientras mantienen control humano sobre la lógica central. Es el modelo de adopción que más se repite entre equipos técnicos maduros.
Para developers y product managers latinoamericanos, la lección práctica es clara: el valor de Codex no está en pedirle que construya features completas, sino en eliminarte el trabajo repetitivo que consume tiempo sin aportar pensamiento. Si tu equipo todavía no tiene un protocolo definido de cuándo y cómo usar agentes de código, este caso es un buen punto de partida para armarlo.
Los LLMs creen lo falso aunque se los adviertas explícitamente
Un estudio publicado hoy y cubierto por Ars Technica revela algo que debería preocupar a cualquier equipo que use LLMs para tareas que requieren precisión: los modelos tienden a representar afirmaciones falsas como verdaderas, incluso cuando se les advierte explícitamente antes de procesar la información que esa afirmación es incorrecta. Los investigadores describen “un sesgo hacia representar con confianza las afirmaciones como verdaderas”, y lo documentaron a través de pruebas de fine-tuning.
Esto no es un bug puntual de un modelo específico: los tests indican que es un patrón general en la forma en que los LLMs procesan y generan texto. El problema se vuelve más grave en contextos donde el modelo recibe documentos con información errónea, algo muy común en flujos de trabajo de retrieval-augmented generation (RAG) o en pipelines que procesan datos de usuarios sin validación previa.
La implicación práctica es inmediata: no basta con decirle al modelo “ignora esto si es falso” o “verifica antes de afirmar”. Ese tipo de instrucción en el prompt no resuelve el problema a nivel arquitectónico. Los equipos que construyen productos sobre LLMs necesitan validación externa, capas de verificación fuera del modelo mismo, especialmente en dominios donde un error tiene consecuencias reales: legal, médico, financiero, o cualquier flujo donde el output llega directo al usuario final sin revisión humana.
Claude Opus 4.8 llega con más de mil comentarios en Hacker News
Anthropic lanzó Claude Opus 4.8 esta semana y la recepción en la comunidad técnica fue notable: más de 1,700 puntos y 1,352 comentarios en Hacker News, números que ubican este lanzamiento entre los más discutidos del año en esa comunidad. Aunque Anthropic no publicó benchmarks exhaustivos de forma inmediata, los primeros reportes de usuarios apuntan a mejoras en razonamiento extendido y en la capacidad del modelo para mantener coherencia en conversaciones largas y tareas complejas de múltiples pasos.
Lo que hace interesante a Opus 4.8 no es solo el salto de capacidad, sino el contexto competitivo. OpenAI tiene GPT-5.5 corriendo en producción con Codex, y Google sigue empujando con Gemini. Anthropic responde con una versión que apuesta por profundidad sobre velocidad: Opus es el modelo más capaz de su familia, no el más rápido ni el más barato, lo que lo posiciona para casos de uso donde la calidad del razonamiento justifica el costo adicional.
Para equipos que ya usan Claude en producción, la pregunta relevante es cuándo vale la pena migrar a Opus 4.8 versus seguir con versiones anteriores más económicas. La respuesta depende del caso de uso: si trabajas con tareas de análisis complejo, redacción especializada o agentes que toman decisiones encadenadas, la actualización probablemente se justifica. Si tu caso es clasificación, extracción de datos o tareas estructuradas simples, el salto puede no ser necesario todavía.
En pocas palabras
Lo que emerge hoy es una industria que empieza a bifurcarse en dos conversaciones paralelas: la de los que ya usan estos modelos en producción y optimizan cómo sacarles más valor, y la de los que investigan sus fallas estructurales. Ambas conversaciones son legítimas y necesarias, pero pocas organizaciones las tienen al mismo tiempo. El riesgo real no es que la IA no funcione, sino que se adopte con entusiasmo sin entender sus límites, o que se rechace por sus límites sin aprovechar lo que sí funciona. El caso de Braintrust y el estudio sobre creencias falsas deberían leerse juntos, no por separado.
Fuentes utilizadas: https://openai.com/index/braintrust, https://arstechnica.com/ai/2026/05/llms-believe-false-statements-even-after-explicit-warnings-that-theyre-false/, https://www.anthropic.com/news/claude-opus-4-8