¿Se rompió el cuello de botella de los LLMs?
Una startup de Miami dice haber resuelto un problema matemático de una década. Más: controles de gasto para empresas y agentes en retail.
Lo más importante de hoy en IA
El viernes llegó con una de las afirmaciones técnicas más ambiciosas de los últimos meses: una startup asegura haber resuelto la limitación matemática central que ha frenado el escalado de los LLMs desde casi una década. Al mismo tiempo, OpenAI lanzó herramientas concretas para que las empresas administren mejor lo que gastan en IA, y la investigación académica sigue presionando sobre qué tan preparados están los agentes de IA para entornos reales de negocio. Hoy el foco está en la infraestructura: la capa que hace posible —o imposible— todo lo demás.
Subquadratic y el cuello de botella que nadie había podido romper
La startup Subquadratic, con sede en Miami, salió del modo stealth el mes pasado con una afirmación que generó tanto interés como escepticismo: que había resuelto un problema matemático que ha limitado la arquitectura de los modelos de lenguaje grandes durante casi diez años. Esta semana comenzaron a publicar evidencia concreta que respalda ese reclamo.
El problema en cuestión tiene que ver con la complejidad cuadrática del mecanismo de atención en los transformers. En términos simples: a medida que el contexto que un modelo necesita procesar crece, el costo computacional no crece de forma lineal sino cuadrática. Duplicar el contexto no duplica el costo, lo multiplica por cuatro. Eso es lo que ha encarecido tanto el entrenamiento de modelos con ventanas de contexto largas, y lo que ha puesto un techo práctico a cuánto pueden “recordar” o procesar en una sola pasada.
Que una startup afirme haber resuelto esto con una solución matemática —y no solo con más hardware— sería un salto genuino. La comunidad técnica estaba dividida hasta que Subquadratic empezó a compartir sus resultados. Todavía falta validación independiente a gran escala, pero si los números se sostienen, las implicaciones son directas: modelos más capaces con contextos mucho más largos, a un costo computacional significativamente menor. Para los equipos de engineering que hoy diseñan pipelines con limitaciones de contexto, esto cambia el cálculo de arquitectura.
OpenAI le da a las empresas control real sobre su gasto en IA
OpenAI anunció nuevas funciones de análisis de uso y controles de gasto actualizados para clientes de ChatGPT Enterprise. La actualización permite a las organizaciones establecer límites de gasto granulares, ver en detalle qué equipos o proyectos consumen más créditos, y escalar el uso con mayor previsibilidad presupuestaria.
Esto puede parecer una actualización administrativa menor, pero responde a un problema real que está frenando la adopción empresarial. Muchas organizaciones han comenzado pilotos de IA solo para descubrir que el costo escala de manera impredecible cuando varios equipos empiezan a usar la herramienta simultáneamente. Sin visibilidad de consumo ni topes por departamento, los CFOs ponen freno antes de que los proyectos maduren.
Para product managers y ejecutivos que están empujando la adopción de IA internamente, estas herramientas cambian el argumento frente a finanzas: ya no es “confiemos en que no se dispara el costo”, sino “podemos controlarlo como cualquier otra línea del presupuesto de software”. La capacidad de escalar con confianza financiera es, en muchos casos, el último obstáculo antes de un despliegue amplio.
Agentes de IA en el mundo real: ¿qué tan lejos estamos del trabajo autónomo?
Dos papers publicados esta semana en ArXiv apuntan al mismo problema desde ángulos distintos: los agentes de LLM funcionan bien en tareas cortas y bien definidas, pero se desestabilizan en entornos largos, dinámicos y con múltiples pasos. RetailBench introduce un benchmark de simulación de operaciones de supermercado donde los agentes deben tomar decisiones encadenadas a lo largo del tiempo. Los resultados muestran que la capacidad de mantener coherencia en horizontes largos sigue siendo una debilidad crítica.
ORAgentBench va en la misma dirección pero aplicado a investigación de operaciones: tareas de optimización complejas que van desde la formulación del problema hasta la validación de la solución, sin intervención humana en el medio. Los modelos evaluados pueden manejar partes del flujo, pero raramente completan el ciclo completo sin errores que se propagan.
El patrón que emerge es claro y relevante para cualquier equipo que esté diseñando flujos de trabajo automatizados: los agentes actuales son más confiables como asistentes en tareas acotadas que como operadores autónomos de procesos largos. Diseñar puntos de supervisión humana no es un parche temporal, es arquitectura correcta para el momento en que estamos.
En pocas palabras
Lo que une las noticias de hoy no es un lanzamiento vistoso sino una pregunta de fondo: ¿dónde están los límites reales de los LLMs, y quién los está moviendo? Subquadratic ataca el límite matemático de la arquitectura. OpenAI ataca el límite organizacional del gasto. Los benchmarks de agentes documentan el límite operacional de la autonomía. Los tres frentes avanzan en paralelo, pero a velocidades distintas. La arquitectura podría estar a punto de dar un salto; la madurez operacional de los agentes todavía no. Para quienes toman decisiones de adopción hoy, esa asimetría importa más que cualquier demo.
Fuentes utilizadas: MIT Technology Review — https://www.technologyreview.com/2026/06/19/1139313/a-startup-claims-it-broke-through-a-bottleneck-thats-holding-back-llms/, OpenAI Blog — https://openai.com/index/chatgpt-enterprise-spend-controls, ArXiv RetailBench — https://arxiv.org/abs/2606.15862, ArXiv ORAgentBench — https://arxiv.org/abs/2606.19787