Agentes IA, ransomware autónomo y la factura energética que cambia las reglas del juego

Un salto energético que obliga a replantear costes y arquitectura

Un estudio del KAIST presentado en el 32nd IEEE International Symposium on High-Performance Computer Architecture revela que un agente de IA puede consumir hasta 136,5 veces más energía por consulta que un chatbot tradicional y multiplicar la latencia hasta 153,7 veces. Eso no solo encarece la operación: obliga a repensar cómo desplegar agentes, cuándo usar modelos locales frente a remotos y qué nivel de paralelismo y espera es aceptable en centros de datos.

Qué implica para negocio y operaciones

La lección es clara: la automatización agentiva trae ventajas funcionales, pero también una nueva categoría de coste energético y de arquitectura de infraestructura. Conviene auditar cargas agentivas, optimizar pipelines y considerar límites de espera y estrategias de caching para minimizar llamadas innecesarias a la GPU.

JadePuffer: el primer ransomware agentivo documentado

Investigadores de Sysdig detallan un ataque llamado JadePuffer, donde un modelo planificó y ejecutó el ciclo de un ransomware (reconocimiento, robo de credenciales, movimiento lateral, cifrado y nota de rescate). Lo cubre WWWhat's New IA y amplían la pieza The Next Web y TechCrunch. Importante matiz: hubo intervención humana previa (selección de víctima y credenciales iniciales), pero la ejecución técnica fue agentiva.

Riesgos y defensa

El vector explotado fue una vulnerabilidad ya conocida en Langflow (CVE-2025-3248). La moraleja para seguridad y equipos de producto: parches, auditoría de endpoints expuestos y segregar secretos de flujos agentivos son prioridades. El incidente confirma que la automatización no elimina el riesgo; lo transforma.

Herramientas de desarrollo: OpenCode frente a soluciones propietarias

Una crónica en Towards AI cuenta la experiencia de usar OpenCode en lugar de Claude Code: un 78% más lento, pero suficiente para mantenerlo por control, coste y soberanía. Esto subraya una tendencia real en ingeniería: preferir alternativas open-source o desplegables en sitio para reducir dependencia y exposición a costes y políticas de un único proveedor.

Qué valorar al elegir un agente de codificación

Más allá del rendimiento inmediato, hay que medir latencia, coste por token, control de datos y facilidad de integración con pipelines locales. La opción híbrida —modelos locales para trabajo cotidiano y cloud para picos— sigue ganando tracción.

Deuda cognitiva: proteger el juicio técnico

Un artículo en Towards AI introduce la idea de deuda cognitiva: perder agudeza porque la IA escribe la mayor parte del código. Se proponen hábitos deliberados para mantener juicio y habilidades de debugging, una advertencia relevante cuando la automatización acelera la entrega pero puede erosionar competencias críticas.

Optimizar costes: enviar solo el 1% de registros a un LLM

Un patrón arquitectónico publicado en Towards AI muestra cómo situar al LLM al final del canal de logs para procesar <1% de las líneas. La clave: un triaje previo (filtros, heurísticas, reglas y modelos ligeros) que reduce llamadas y costes sin perder cobertura efectiva.

Aplicabilidad

Ese patrón es útil para observabilidad, detección de fraude o cualquier pipeline donde el coste por llamada sea material. Las palancas son simples: reducir tokens por llamada, disminuir número de llamadas y seleccionar mejor las entradas que realmente requieren contexto profundo.

Claude Code: dos planificadores locales y cuándo usarlos

Otra entrega en Towards AI explica los dos planificadores de Claude Code: las Cloud Routines con límite mínimo de una hora, y las opciones locales (/loop y tareas programadas de Desktop) para trabajo recurrente ligado a archivos locales. Es un recordatorio práctico de que la orquestación agentiva necesita opciones híbridas para encajar con flujos reales de ingeniería.

Qué nos llevamos

Las noticias del día confluyen en tres prioridades para equipos de producto y operaciones: controlar costes (energía y tokens), reforzar seguridad frente a agentes maliciosos y preservar la competencia humana en desarrollo. La respuesta no es renunciar a la IA, sino diseñarla: arquitecturas de triage, políticas de despliegue híbrido y buenas prácticas de gobernanza técnica.