Autor: configuroweb

Durante años, hablar con una inteligencia artificial tuvo algo de falso diálogo. El sistema escuchaba, esperaba a que termináramos, procesaba la frase y respondía. Funcionaba, pero no se parecía del todo a una conversación humana. Si hacíamos una pausa, podía interrumpir. Si lo cortábamos, a veces el intercambio se sentía brusco. Si necesitaba pensar, el flujo se rompía.

OpenAI acaba de intentar corregir justamente eso con GPT-Live, una nueva generación de modelos de voz que empieza a impulsar ChatGPT Voice. La compañía lo presenta como un salto hacia una interacción más natural, donde hablar con la IA se parezca menos a dictar comandos y más a conversar con alguien que escucha de verdad.

La clave técnica está en la arquitectura full-duplex. A diferencia de los sistemas anteriores, GPT-Live puede escuchar y hablar al mismo tiempo. Eso le permite seguir el ritmo de la conversación, detectar interrupciones, decidir cuándo responder, cuándo pausar y cuándo quedarse en silencio mientras el usuario piensa.

Pronto podrás hablar con ChatGPT como si fuera una persona. @OpenAI actualizó su modelo de voz con GPT Live-1. La empresa dice que interpreta mejor el ritmo de conversación, es más natural, y hasta puede interrumpirte, como un humano. Actualmente 150 millones de usuarios… pic.twitter.com/45rP0DICNB

— Javier Matuk (@jmatuk) July 8, 2026

La voz de ChatGPT ya no funciona solo por turnos

OpenAI explica que el primer modo de voz de ChatGPT funcionaba como una cadena: un modelo transcribía la voz, otro generaba la respuesta y un tercero la convertía en audio. El modo avanzado de voz redujo parte de esa fricción, pero seguía dependiendo de turnos separados. GPT-Live cambia esa lógica porque procesa la entrada de forma continua mientras genera salida.

En la práctica, esto significa que el usuario puede interrumpir con una pregunta, hacer una pausa para ordenar una idea o pedirle a ChatGPT que hable más despacio. La IA también puede responder con señales breves como “mmm” o “sí” para indicar que sigue escuchando, y OpenAI asegura que mejoró su capacidad para centrarse en la voz del usuario cuando hay ruido de fondo.

El cambio parece menor, pero apunta a una fricción muy real. Una conversación natural no está hecha de turnos perfectos. Las personas se interrumpen, dudan, corrigen, aceleran, frenan y a veces necesitan silencio. Si la IA quiere funcionar como asistente de voz cotidiano, no basta con sonar bien: tiene que saber administrar esos momentos.

Pensar en segundo plano sin cortar la conversación

La otra novedad importante es que GPT-Live separa la conversación inmediata del trabajo más complejo. Según OpenAI, cuando una pregunta requiere búsqueda web, razonamiento profundo o tareas más avanzadas, GPT-Live puede delegar ese trabajo a un modelo frontera como GPT-5.5 y mantener viva la conversación mientras espera el resultado.

También habrá niveles de razonamiento. OpenAI explica que ChatGPT Voice podrá usar Instant para respuestas rápidas, o Medium y High cuando el usuario quiera que el sistema dedique más tiempo a pensar. Además, GPT-Live podrá mostrar tarjetas visuales para temas como clima, bolsa o deportes, y seguirá soportando búsqueda, memoria, imágenes y subida de archivos.

El despliegue empieza de forma global en ChatGPT para iOS, Android y ChatGPT.com. GPT-Live-1 será el modelo por defecto para usuarios de Go, Plus y Pro, mientras que GPT-Live-1 mini lo será para usuarios gratuitos. La disponibilidad puede variar por plan, región y versión de la app, y en el lanzamiento no estará disponible para espacios Business, Enterprise o Edu.

También hay límites claros: GPT-Live no admite de momento voz con vídeo ni pantalla compartida en ChatGPT. Esas funciones siguen disponibles para usuarios elegibles dentro del modo avanzado anterior, y OpenAI dice que trabaja para llevarlas más adelante a la nueva experiencia.

El salto de GPT-Live no consiste solo en que ChatGPT hable mejor. Consiste en algo más difícil: que converse mejor. Que no corte cuando estamos pensando, que entienda una interrupción, que pueda buscar o razonar sin romper el flujo y que la voz deje de sentirse como una interfaz rígida.

La IA de voz lleva años prometiendo naturalidad. GPT-Live apunta a una parte menos vistosa, pero mucho más importante: no solo hablar como una persona, sino aprender cuándo no hablar.

 

 

Fuente: Xataka.

La inteligencia artificial evoluciona a un ritmo sin precedentes, pero ese avance también está dejando al descubierto desafíos inesperados que podrían afectar su desarrollo en los próximos años. Un reciente estudio pone el foco en un problema silencioso que crece junto con Internet y presenta una estrategia capaz de retrasar sus efectos. Sus conclusiones podrían influir en la forma en que se entrenarán los modelos del futuro.

La nueva amenaza que surge con el crecimiento de la IA

Durante años, el desarrollo de la inteligencia artificial se basó en una idea sencilla: cuanto mayor sea la cantidad de información utilizada para entrenar un modelo, mejores serán sus respuestas. Esa lógica permitió la creación de sistemas capaces de redactar textos, generar imágenes, escribir código e incluso producir videos con un nivel de calidad sorprendente.

Sin embargo, el éxito de estas herramientas está transformando la propia fuente de información de la que dependen. Cada día aparecen millones de artículos, publicaciones, reseñas, comentarios y descripciones elaborados por inteligencia artificial. Todo ese contenido termina integrándose en Internet, mezclándose con el material producido por personas.

Este fenómeno plantea un interrogante cada vez más importante para la comunidad científica: ¿qué ocurrirá cuando las próximas generaciones de modelos aprendan principalmente de información creada por otras inteligencias artificiales?

Un trabajo publicado en npj Artificial Intelligence concluye que ese escenario puede provocar un deterioro gradual en el rendimiento de los modelos, aunque también demuestra que existen formas de retrasar significativamente ese proceso.

Cuando las máquinas comienzan a aprender de otras máquinas

Los grandes modelos de lenguaje no comprenden el mundo como lo hace un ser humano. Su funcionamiento consiste en identificar patrones estadísticos dentro de enormes cantidades de información para predecir qué palabra, frase o respuesta resulta más probable en cada situación.

Hasta hace pocos años, la inmensa mayoría de esos datos procedía de libros, periódicos, investigaciones científicas, sitios web y conversaciones escritas por personas. Esa diversidad proporcionaba una representación muy amplia del lenguaje, con diferentes estilos, excepciones y formas de expresión.

La situación está cambiando rápidamente. Internet incorpora cada vez más contenido generado automáticamente por asistentes conversacionales y otros sistemas de IA. Ese material también pasa a formar parte de las bases de datos utilizadas para entrenar nuevos modelos, creando un ciclo en el que las máquinas empiezan a alimentarse de producciones creadas por otras máquinas.

Los investigadores comparan este fenómeno con una pérdida progresiva de diversidad. No se trata de una equivalencia biológica, sino de una analogía que ayuda a comprender cómo un intercambio limitado dentro del mismo grupo puede hacer que determinadas características se repitan mientras otras desaparecen con el paso del tiempo.

Un deterioro que aparece lentamente y puede afectar el conocimiento

Este proceso recibe el nombre de colapso del modelo (model collapse). Lejos de representar una falla inmediata, describe un desgaste gradual que se produce generación tras generación.

Cuando un modelo se entrena con una proporción creciente de datos sintéticos, comienza a reforzar los patrones más comunes mientras pierde información relacionada con casos poco frecuentes. Como consecuencia, conserva peor los ejemplos excepcionales y reduce la riqueza de sus representaciones.

Una forma sencilla de entenderlo consiste en imaginar una fotografía que es copiada una y otra vez. Cada reproducción parece correcta por separado, pero los pequeños defectos terminan acumulándose hasta que la imagen final pierde detalles presentes en el original.

Los autores destacan que el problema no radica en utilizar contenido generado por inteligencia artificial. Ese tipo de información resulta muy útil para numerosas aplicaciones. El verdadero riesgo aparece cuando desplaza una parte demasiado importante del material creado por personas y acaba dominando el entrenamiento de nuevas generaciones de modelos.

En ese contexto, las respuestas más repetitivas reciben cada vez mayor protagonismo, mientras que la información menos habitual pierde presencia. El resultado es un conocimiento más uniforme, menos diverso y con menor capacidad para responder correctamente ante situaciones poco comunes.

El método que consigue retrasar el colapso

Con el objetivo de reducir ese problema, el equipo desarrolló una nueva estrategia de entrenamiento denominada Confidence-Aware Loss, diseñada para modificar la importancia que el modelo concede a determinados ejemplos durante el aprendizaje.

La propuesta parte de una observación simple. Cuando el sistema encuentra patrones extremadamente predecibles, suele asignarles un nivel muy alto de confianza. Sin embargo, esos ejemplos aportan poca información nueva porque el modelo ya los domina.

Para evitar que el aprendizaje se concentre únicamente en esos casos repetitivos, los investigadores diseñaron una variante conocida como Truncated Cross-Entropy, que disminuye el peso de las predicciones excesivamente seguras y dirige una mayor atención hacia ejemplos capaces de aportar mayor diversidad al entrenamiento.

De esta manera, el algoritmo mantiene un equilibrio más saludable entre los datos habituales y aquellos menos frecuentes, preservando mejor la riqueza estadística del conjunto de información utilizado.

Un avance que podría marcar el futuro del entrenamiento de IA

Las pruebas realizadas mostraron resultados especialmente alentadores. Según los investigadores, el nuevo método permitió que los modelos soportaran más de 2,3 veces una mayor proporción de contenido sintético antes de comenzar a experimentar los efectos característicos del colapso.

Aunque la técnica no elimina completamente el problema, sí consigue retrasar considerablemente su aparición, ampliando el margen para combinar información humana y contenido generado automáticamente sin deteriorar el rendimiento con la misma rapidez.

Además del algoritmo, el equipo publicó un banco de pruebas abierto que permitirá evaluar futuras estrategias destinadas a enfrentar este desafío, facilitando la comparación entre distintos métodos y acelerando nuevas investigaciones.

Las conclusiones del estudio van mucho más allá de una mejora técnica. Reflejan un cambio profundo en la evolución de Internet, donde la cantidad de contenido creado por inteligencia artificial aumenta sin descanso. En ese escenario, conservar fuentes originales de información y garantizar la diversidad de los datos podría convertirse en un aspecto tan importante como desarrollar modelos cada vez más potentes.

La inteligencia artificial ha demostrado que puede aprender con enorme eficacia, pero esta investigación recuerda que la calidad de ese aprendizaje dependerá tanto de la cantidad de información disponible como de quién o qué haya producido ese conocimiento. En un mundo donde las máquinas generan cada vez más contenido, evitar que terminen aprendiendo únicamente de sí mismas podría convertirse en uno de los mayores desafíos tecnológicos de la próxima década.

 

[Fuente: Muy Interesante]

Durante décadas, hablar de armas antisatélite significaba imaginar un misil, una explosión y una nube de fragmentos orbitando la Tierra durante años. Esa sigue siendo una amenaza real, pero la guerra espacial está cambiando. No siempre hace falta destruir un satélite para dejarlo fuera de juego. A veces basta con impedir que se comunique.

Eso es lo que hace especialmente importante a Meadowlands, el nuevo sistema de guerra electromagnética aceptado operacionalmente por el U.S. Space Force Combat Forces Command el 8 de junio de 2026. La Fuerza Espacial lo define como una incorporación a su familia de sistemas de guerra electromagnética y como una capacidad pensada para detectar, negar, interrumpir y degradar capacidades adversarias en apoyo de mandos combatientes.

La clave está en que Meadowlands no es un misil ni un láser pensado para destruir físicamente un objeto en órbita. Es una actualización del Counter Communications System 10.2 y opera dentro de Mission Delta 3, la unidad dedicada a la guerra electromagnética espacial. Su campo de batalla no es la chapa del satélite, sino las señales que lo conectan con la Tierra.

El objetivo no es romper el satélite, sino romper su comunicación

Un satélite militar no vale solo por estar en órbita. Vale porque puede enviar datos, recibir órdenes, coordinar fuerzas, transmitir imágenes, sostener comunicaciones o apoyar una operación en tiempo real. Si se degrada o se niega ese enlace, el satélite puede seguir físicamente intacto y, aun así, volverse inútil durante una ventana crítica.

L3Harris, contratista del programa, describe el Counter Communications System como una plataforma terrestre transportable que permite a operadores en tierra negar el acceso a transmisiones de satélites en órbita. La compañía subraya además que sus efectos son reversibles: pueden mantenerse mientras sea necesario y luego permitir que el satélite vuelva a su estado anterior.

Esa diferencia es importante. Las armas antisatélite cinéticas generan un problema que no se puede apagar cuando termina la operación: basura espacial. Cuando Rusia destruyó el satélite Cosmos 1408 en 2021 con una prueba de ascenso directo, el U.S. Space Command informó de más de 1.500 fragmentos rastreables y cientos de miles de piezas más pequeñas.

China ya había dejado otro precedente en 2007, cuando destruyó el satélite Fengyun-1C. Un informe de la NASA identificó más de 2.000 fragmentos de unos 10 centímetros o más generados por aquella prueba, muchos de ellos en órbitas de larga duración.

The US Space Force just got a new electromagnetic weapon to jam adversary satellites pic.twitter.com/pqcQ6IIx11

— 🌏PEACE✌️☮️🕊♻️☘️ (@PeaceOutPeaceIn) July 8, 2026

La guerra espacial se está moviendo hacia lo invisible

Meadowlands encaja en una tendencia más amplia. La Secure World Foundation clasifica las capacidades contraespaciales en varias familias: sistemas coorbitales, misiles de ascenso directo, guerra electrónica, energía dirigida y capacidades ciber. No todas buscan destruir satélites. Algunas se enfocan en interferir, degradar o negar servicios espaciales durante una operación concreta.

Eso explica por qué un sistema que “no dispara” puede ser tan relevante. En una guerra moderna, las comunicaciones satelitales sostienen navegación, inteligencia, vigilancia, coordinación de tropas, drones, misiles, mando y control. Atacar la señal puede ser menos espectacular que hacer explotar un satélite, pero puede tener un efecto operativo enorme.

También puede ser más manejable políticamente. Una interferencia reversible no deja un cinturón de escombros, no amenaza durante años a satélites civiles y comerciales, y permite graduar la respuesta. Pero eso no significa que sea inocua. Si una fuerza militar depende de un enlace satelital en un momento crítico, perderlo durante minutos u horas puede cambiar una operación completa.

La paradoja de Meadowlands es justamente esa. Parece menos agresivo porque no destruye nada visible. Pero su valor militar está en actuar sobre la parte más sensible del sistema espacial: la comunicación. El satélite puede seguir ahí arriba, intacto, orbitando como siempre. El problema es que, durante el tiempo que dure la interferencia, puede dejar de hablar con quienes lo necesitan.

La guerra en el espacio ya no se juega solo con objetos que chocan en órbita. También se juega en las frecuencias, en los enlaces, en las antenas y en la capacidad de mantener una señal cuando más importa. Meadowlands no dispara nada. Pero en el espacio militar moderno, silenciar puede ser casi tan importante como destruir.

 

Fuente: Xataka.

La inteligencia artificial no solo está cambiando cómo estudian los alumnos. También está obligando a las universidades a replantearse algo mucho más profundo: cómo evaluar si alguien realmente aprendió. El caso de Roberto Serrano, profesor de Economía en la Universidad de Brown, resume esa tensión con una claridad incómoda.

Serrano imparte ECON 1170, una asignatura avanzada de economía matemática y teoría del bienestar. Normalmente evaluaba con exámenes presenciales, pero tras un tiroteo ocurrido en diciembre en el campus de Brown, en el que murieron dos estudiantes y nueve personas resultaron heridas, decidió flexibilizar el semestre y permitir un examen parcial para hacer en casa. Según explicó, muchos alumnos estaban ansiosos por volver a un aula tras aquel episodio.

La decisión tuvo un efecto inmediato: la matrícula se disparó. Una asignatura que solía atraer hasta 30 estudiantes pasó a tener 86. El examen, además, no era más fácil. Serrano dijo que lo había diseñado más exigente precisamente porque los alumnos tendrían tiempo ilimitado para resolverlo desde casa.

Las notas fueron demasiado buenas para ser normales

El resultado del parcial encendió todas las alarmas. La media fue del 96% y 40 de los 86 estudiantes sacaron 100 sobre 100. En cursos anteriores, la media de ese examen se había movido entre el 65% y el 80%, según relató Serrano a Inside Higher Ed.

El problema no era solo la nota. También era el tipo de respuesta. Serrano y sus correctores detectaron soluciones correctas, pero extrañamente enrevesadas. Al probar las mismas preguntas en ChatGPT, encontraron razonamientos muy parecidos a los de muchos exámenes. En uno de los ejercicios, por ejemplo, la demostración podía resolverse de forma directa, pero tanto ChatGPT como varios estudiantes usaron un argumento por contradicción mucho más forzado.

Con esa sospecha, Serrano envió un mensaje a sus alumnos: el examen final sería presencial. Si la distribución de notas se parecía a la del parcial, mantendría las calificaciones anteriores. Si no, anularía el parcial y daría más peso al final. Después de ese aviso, 18 estudiantes abandonaron el curso y otros nueve siguieron inscritos, pero no se presentaron al examen final.

El resultado fue contundente. La media del final presencial cayó al 48,6%, un mínimo histórico para la asignatura. Tres estudiantes sacaron cero, 19 suspendieron el curso y Serrano terminó anulando el parcial, haciendo que el examen final valiera el 80% de la nota.

El problema ya no es detectar IA, sino diseñar evaluaciones que la resistan

El caso no prueba automáticamente que cada alumno que sacó buena nota haya hecho trampas. Pero sí muestra algo difícil de ignorar: los exámenes para casa han quedado en una posición muy frágil cuando un modelo de IA puede resolver, redactar y reformular respuestas con apariencia académica.

Brown no es un caso aislado. El periódico estudiantil The Brown Daily Herald ya había recogido en abril que otros profesores de Economía estaban viendo patrones similares: tareas perfectas, respuestas extrañas y peor rendimiento en pruebas presenciales. Algunos docentes concluyeron que no podían seguir confiando en exámenes para llevar a casa.

La discusión también llegó a Princeton. En mayo de 2026, la universidad decidió poner fin a una tradición de 133 años: los exámenes finales sin vigilancia docente bajo el famoso Honor Code. La norma seguirá existiendo, pero los profesores volverán a supervisar las pruebas. Según The Atlantic, la decisión llegó tras el aumento de trampas facilitadas por IA y una caída de la confianza en el sistema de autocontrol estudiantil.

Lo que está en juego no es solo si un estudiante usa ChatGPT para aprobar una materia. Es algo más amplio: si la universidad puede seguir midiendo aprendizaje real con herramientas pensadas para una época anterior a la IA generativa.

La respuesta fácil sería volver a todos los exámenes presenciales y cerrar la puerta. Pero el debate es más complejo. La IA ya forma parte del mundo profesional, y prohibirla por completo tampoco prepara a los estudiantes para usarla bien. La pregunta ahora es otra: cuándo su uso demuestra criterio y cuándo simplemente sustituye el aprendizaje.

El caso Brown deja una lección incómoda. Cuando las notas brillan demasiado y luego se desploman en persona, el problema no es solo que alguien haya copiado. Es que el sistema de evaluación dejó de medir lo que decía medir.

 

Fuente: Xataka.

Todo chip avanzado que usamos hoy tiene una dependencia incómoda. El móvil, el servidor que entrena modelos de inteligencia artificial, los aceleradores de NVIDIA o los sistemas de defensa más sofisticados pasan, directa o indirectamente, por una tecnología que solo una empresa sabe fabricar a escala industrial: la litografía EUV de ASML.

No hay un segundo proveedor equivalente. No hay un plan B rápido. Si ASML dejara de entregar sus máquinas, la frontera de los semiconductores no se detendría de golpe en todas partes, pero sí quedaría congelada en su punto más avanzado. Ese es el tamaño real de su poder.

Lo más llamativo es que ASML no nació como un gigante inevitable. Surgió en 1984 como una joint venture entre Philips y ASM International, con problemas técnicos, retrasos y necesidad de ayuda pública antes incluso de consolidarse como empresa. En 1988, ASM International se retiró y ASML sobrevivió gracias a un último apoyo de Philips. La compañía que hoy sostiene la fabricación de chips avanzados estuvo varias veces al borde de no existir.

La decisión que cambió la industria: no hacerlo todo sola

Nikon y Canon llegaron a la litografía desde una tradición óptica fuerte y una cultura mucho más integrada. ASML, en cambio, no podía permitirse ese modelo. Su debilidad inicial la obligó a construir una red: negociar, ensamblar, coordinar proveedores y concentrarse en la arquitectura del sistema.

 

Esa aparente fragilidad terminó siendo su mayor ventaja. Hoy ASML trabaja con una red de unos 5.100 proveedores, según recoge el texto que compartiste. Zeiss aporta la óptica extrema, Cymer —comprada por ASML en 2013— fue clave para la fuente de luz, y decenas de empresas especializadas fabrican piezas de altísima precisión. ASML se reserva lo decisivo: integrar todo, controlar las interfaces, desarrollar el software y mantener la relación directa con TSMC, Samsung e Intel.

El salto definitivo llegó con EUV, una tecnología casi absurda por su complejidad. Para generar luz de 13,5 nanómetros hay que disparar láseres sobre gotas microscópicas de estaño miles de veces por segundo y conducir esa luz mediante espejos de precisión extrema, porque no puede usarse óptica convencional. Ese sistema hizo posible fabricar los chips más avanzados, pero también creó una barrera industrial gigantesca.

En 2012, ASML dio otro paso decisivo: Intel, TSMC y Samsung invirtieron directamente para acelerar el desarrollo de EUV. No fue solo financiación. Fue una forma de atar la hoja de ruta de los tres grandes fabricantes de chips al éxito de ASML. Cuando EUV empezó a funcionar, sus clientes ya no podían bajarse del barco.

El monopolio también es una fragilidad global

Los números explican por qué ASML ya no compite como una empresa normal. En 2025 cerró con 32.700 millones de euros en ventas, un margen bruto del 52,8%, 9.600 millones de beneficio neto y una cartera de pedidos de 38.800 millones de euros. La propia compañía confirmó esas cifras en sus resultados anuales.

Además, una parte clave del negocio ya no está solo en vender máquinas, sino en mantenerlas. Una fábrica que instala equipos EUV y DUV avanzados queda atada durante años a soporte, actualizaciones, software y servicios. Es un monopolio de venta, pero también de dependencia operativa.

Por eso ASML es un activo geopolítico. En 2024, el Gobierno neerlandés lanzó la llamada Operación Beethoven: 2.500 millones de euros para reforzar vivienda, transporte, educación y red eléctrica en la región de Eindhoven, con el objetivo de mantener a ASML arraigada en Países Bajos.

Estados Unidos también convirtió a ASML en una pieza central de su pulso tecnológico con China. La venta de máquinas EUV a China está restringida desde 2019, y ASML afirmó recientemente que nunca ha enviado a China una máquina EUV ni componentes diseñados específicamente para ese tipo de equipos.

La presión no elimina el riesgo. China representó el 36% de las ventas de ASML en 2024, según Reuters, y al mismo tiempo es el país que más incentivos tiene para reducir esa dependencia.

El siguiente desafío se llama High-NA EUV. Estas máquinas amplían la apertura numérica de 0,33 a 0,55 y prometen patrones todavía más pequeños, pero cuestan hasta unos 400 millones de dólares por unidad. Reuters informó que ASML espera los primeros chips fabricados con High-NA en cuestión de meses, aunque clientes como TSMC han mostrado cautela por el coste.

La historia de ASML tiene una moraleja incómoda. La industria del chip se volvió extraordinariamente eficiente eliminando redundancias: menos proveedores, más especialización, más integración global. ASML es el mejor resultado de ese proceso, pero también su advertencia.

El mundo entero fabrica sus chips más avanzados apostando a que una sola empresa, una red de proveedores y un régimen de licencias internacionales no fallen. Es eficiencia llevada al extremo. Y cuando la eficiencia llega tan lejos, empieza a parecerse mucho a una fragilidad.

 

Fuente: Xataka.

Durante años, parecía que la música física estaba condenada a convertirse en nostalgia. Primero llegaron los CD, después los MP3 y finalmente el streaming, que puso millones de canciones en el bolsillo a cambio de una pantalla, una suscripción y un algoritmo decidiendo qué escuchar después.

Pero el formato físico se resiste a morir. El vinilo volvió con fuerza, los CD han recuperado cierto atractivo entre quienes quieren poseer sus discos y hasta las cámaras digitales antiguas viven una segunda vida como reacción a la fotografía ultraprocesada del móvil. En ese contexto, el cassette también encontró su hueco.

Y con él volvió una idea que parecía enterrada: el Walkman. No necesariamente el Walkman original de Sony, sino toda una nueva generación de reproductores portátiles de cinta que mezclan diseño retro con detalles modernos como baterías de litio, carga USB-C y, en algunos casos, conectividad Bluetooth.

El regreso de una forma más lenta de escuchar música

Sony lanzó el primer Walkman estéreo de cassette, el TPS-L2, en 1979. La propia compañía lo recuerda como un producto que cambió la forma de escuchar música, porque convirtió la experiencia portátil e individual en algo masivo. El Walkman no solo era un aparato: era una nueva relación con la música y con la calle.

Casi cinco décadas después, lo curioso es que el cassette no vuelve por ser práctico. No lo es. Hay que dar vuelta la cinta, rebobinar, convivir con ruido de fondo, aceptar desgaste y cargar con un soporte limitado. Frente a Spotify, Apple Music o Tidal, parece una pelea perdida antes de empezar.

Pero justo ahí está su atractivo. El cassette obliga a elegir. No hay reproducción infinita, no hay recomendaciones automáticas, no hay salto permanente entre canciones ni listas generadas para llenar cualquier silencio. Escuchar una cinta implica aceptar una secuencia y dedicarle atención.

Ese deseo de recuperar una escucha más física no es imaginario. En Estados Unidos, las ventas de cassettes crecieron un 23% en 2018, hasta 219.000 unidades, según datos de Nielsen Music recogidos por Billboard y Pitchfork. La cifra sigue siendo pequeña frente al streaming, pero muestra que el cassette dejó de ser solo una reliquia de mercadillo para convertirse en objeto de colección y experiencia musical.

El cassette también se modernizó

La nueva generación de reproductores no intenta copiar exactamente los años 80. Los usa como estética, pero incorpora comodidades actuales. We Are Rewind, por ejemplo, vende reproductores de cassette con Bluetooth 5.1, batería recargable y carga por USB-C. Es decir, una experiencia analógica con algunas concesiones al presente.

FiiO también entró en este terreno con el CP13, un reproductor portátil de cassette con batería de litio y conector USB-C. A diferencia de otros modelos, no apuesta por WiFi, streaming ni Bluetooth: funciona como un dispositivo analógico deliberadamente simple.

Esa diferencia resume muy bien el fenómeno. Algunos usuarios quieren comodidad retro con auriculares inalámbricos. Otros prefieren una experiencia más pura, con cable, botones físicos y cero conexión. En ambos casos, la motivación es parecida: recuperar control sobre la escucha.

La industria musical sigue dominada por el streaming. La RIAA informó que en 2024 los ingresos por formatos físicos en Estados Unidos crecieron un 5%, hasta 2.000 millones de dólares, aunque el vinilo concentró casi tres cuartas partes de ese mercado físico. El cassette no compite en volumen, sino en significado.

El regreso del Walkman moderno no significa que vayamos a abandonar Spotify ni que el cassette vaya a desplazar al vinilo. Significa otra cosa: que hay una parte del público cansada de que escuchar música sea una actividad pasiva, infinita y guiada por recomendaciones.

En plena era del algoritmo, una cinta limitada puede sentirse extrañamente liberadora. No porque suene mejor, ni porque sea más cómoda, sino porque exige una decisión. Elegís un álbum, lo ponés, lo escuchás y aceptás sus tiempos. Quizá por eso el Walkman vuelve justo ahora: porque cuanto más fácil se vuelve escuchar cualquier cosa, más valor empieza a tener escuchar algo de verdad.

 

 

Fuente: Xataka.