PewDiePie Ajax AI desafía el control de OpenAI con un agente privado para el hogar
PewDiePie ha presentado Ajax, un modelo de IA de 9.000 millones de parámetros para ordenadores domésticos, después de que OpenAI supuestamente suspendiera su cuenta dos veces durante su desarrollo. El proyecto PewDiePie Ajax AI está diseñado para impulsar Odysseus, su espacio de trabajo autoalojado para un asistente autónomo y siempre disponible.
El anuncio plantea un conflicto más marcado que otro lanzamiento tecnológico de una celebridad. Ajax promete automatización local y privada con menos negativas, pero PewDiePie afirma que OpenAI restringió el propio proceso utilizado para entrenarlo.
El resultado enfrenta el desarrollo independiente de modelos locales con los controles impuestos por proveedores comerciales de IA. También sitúa a Ajax junto a asistentes autoalojados como OpenClaw y Hermes Agent de Nous Research.
Sin embargo, Ajax no es un producto terminado ni probado de forma independiente. Su página pública ahora indica que el modelo llegará cuando esté listo, sin una fecha de lanzamiento concreta. Por tanto, el rendimiento, la seguridad, los requisitos de hardware y el comportamiento en materia de privacidad siguen siendo cuestiones abiertas.
El modelo PewDiePie Ajax AI se presenta, pero aún no se ha lanzado
Ajax transforma Odysseus de un espacio de trabajo neutral respecto a modelos en un proyecto construido alrededor de su propio asistente local.
PewDiePie presentó Ajax en un vídeo publicado en torno al anuncio del proyecto del 2 de octubre. Según la página del modelo Ajax que lo acompaña, es una versión ajustada de Qwen3.5-9B.
Un modelo ajustado ha recibido entrenamiento adicional para comportamientos o tareas concretas. En el caso de Ajax, esas tareas se centran en utilizar herramientas dentro del espacio de trabajo Odysseus.
La página describe Ajax como un “agente siempre activo” que puede buscar, navegar, acceder al correo electrónico y trabajar con un calendario. También afirma que esas tareas diarias pueden realizarse de forma privada.
Ese lenguaje importa porque un agente hace más que responder preguntas. Puede planificar pasos, seleccionar herramientas y actuar en servicios conectados con una supervisión limitada.
Por tanto, la propuesta de PewDiePie va más allá del chat privado. Se espera que Ajax aporte la capa de razonamiento para un asistente que permanezca activo y complete tareas dentro de un entorno controlado por el usuario.
Odysseus proporciona el espacio de trabajo circundante. Su repositorio público describe el proyecto como autoalojado, lo que significa que los usuarios lo ejecutan en una infraestructura que controlan.
Esa combinación separa la interfaz del modelo. Odysseus gestiona el entorno de trabajo, mientras Ajax está siendo entrenado para navegar por las herramientas disponibles dentro de él.
El proyecto también representa un cambio en la actividad pública de PewDiePie. Felix Kjellberg sigue siendo conocido principalmente por YouTube, pero ha documentado cada vez más experimentos de programación, Linux y autoalojamiento.
Su audiencia ofrece a Ajax una distribución inusual para un proyecto pequeño de IA. La mayoría de los modelos entrenados de forma independiente primero deben captar la atención de los desarrolladores antes de llegar a los usuarios generales.
Ajax parte de la ventaja opuesta. Millones conocen a su creador, aunque pocos han evaluado el modelo o instalado su espacio de trabajo.
Sin embargo, el anuncio no equivale a un lanzamiento general. La página de Ajax mostraba originalmente una cuenta atrás, según los primeros informes. Ahora indica que PewDiePie lanzará el modelo cuando esté listo.
Ese cambio introduce la primera salvedad importante. Ajax existe como un proyecto de desarrollo demostrado, pero los posibles usuarios aún no pueden verificar el lanzamiento público completo descrito en el anuncio.
PewDiePie dijo que aún tenía previstos entrenamiento por refuerzo adicional, cuantización y pruebas comparativas. El aprendizaje por refuerzo ajusta el comportamiento mediante retroalimentación, mientras que la cuantización comprime un modelo para hardware menos exigente.
Cada paso puede cambiar el comportamiento del modelo terminado. Un modelo que funciona durante el desarrollo puede diferir del paquete que finalmente se ofrezca a los usuarios domésticos.
Por tanto, el retraso en el lanzamiento es más que un detalle de calendario. Deja las promesas centrales de Ajax sujetas a documentación, pesos descargables, pruebas reproducibles e instalaciones reales.
Por qué la prohibición de distilación de OpenAI se convirtió en la historia principal
Las dos suspensiones de cuenta reportadas exponen el límite entre la personalización permitida de modelos y el entrenamiento de un posible competidor a partir de resultados propietarios.
PewDiePie afirma que OpenAI lo suspendió dos veces mientras desarrollaba Ajax. En su vídeo, muestra un correo electrónico que supuestamente identifica la “destilación” como el motivo de una desactivación de cuenta.
La destilación de modelos entrena un modelo más pequeño utilizando respuestas de un modelo más capaz. El sistema más pequeño aprende patrones de esos resultados sin reproducir la arquitectura completa del modelo mayor.
La técnica en sí no está prohibida de forma inherente. OpenAI incluso ha publicado un flujo de trabajo integrado de destilación de modelos para utilizar determinados resultados de OpenAI con el fin de mejorar modelos más pequeños de OpenAI.
La disputa se refiere a dónde terminan esos resultados. Los términos publicados por OpenAI prohíben utilizar resultados para desarrollar modelos que compitan con OpenAI.
Según PewDiePie, su cuenta fue restaurada tras el primer incidente. Afirma que la segunda suspensión se produjo después de otra ejecución destinada a crear datos semilla para Ajax.
Los datos semilla proporcionan ejemplos que pueden servir de base para un proceso de entrenamiento más amplio. Pueden consistir en prompts, respuestas preferidas, rastros de uso de herramientas o demostraciones del comportamiento de razonamiento deseado.
OpenAI no ha proporcionado públicamente ejemplos de la cuenta de PewDiePie. El correo disponible, tal como se describe en el vídeo y en los primeros informes, no revela el método de detección ni el conjunto de datos en disputa.
La falta de esas pruebas limita cualquier conclusión definitiva. PewDiePie presenta las suspensiones como una respuesta a la destilación, pero terceros no pueden inspeccionar la actividad relevante de la cuenta ni la revisión de la medida.
Aun así, la acción reportada encaja en un conflicto más amplio del sector. Las empresas de modelos de frontera consideran la extracción a gran escala tanto una preocupación de propiedad intelectual como una amenaza para su ventaja técnica.
La destilación puede transferir comportamientos útiles a un modelo más pequeño y barato. Eso la hace valiosa para la eficiencia, pero comercialmente sensible cuando el modelo docente y el alumno pertenecen a proveedores distintos.
PewDiePie enmarca la cuestión desde un estándar diferente. Sostiene que las empresas de IA entrenaron sistemas utilizando enormes cantidades de material humano existente y luego restringieron cómo los clientes podían reutilizar los resultados generados.
Esa crítica resuena entre los defensores de modelos abiertos. Cuestionan si los principales proveedores pueden reclamar un acceso amplio a datos públicos mientras imponen controles estrechos sobre la experimentación posterior.
Sin embargo, la comparación no resuelve la cuestión contractual. Las disputas sobre datos de entrenamiento, derechos de autor, propiedad de los resultados y condiciones de servicio implican derechos y teorías jurídicas diferentes.
Los usuarios pueden ser propietarios de resultados individuales según los términos de un proveedor y, aun así, aceptar límites sobre cómo pueden utilizarse esos resultados. La propiedad y el uso permitido de un servicio no siempre son idénticos.
La incertidumbre crea un riesgo práctico para los desarrolladores independientes. Un proyecto que depende de la API de otro proveedor puede perder acceso antes de completar su trabajo de entrenamiento o evaluación.
También puede enfrentar dudas sobre la procedencia del conjunto de datos tras su lanzamiento. Desarrolladores, distribuidores y usuarios empresariales podrían querer pruebas que muestren qué sistemas generaron los ejemplos de entrenamiento.
En el caso de Ajax, la historia de las suspensiones ya moldea las expectativas antes que las pruebas comparativas. El proyecto se evalúa en parte como un desafío al control de los proveedores, no simplemente como otro ajuste de Qwen.
Esa atención ayuda a PewDiePie a explicar por qué importan los modelos locales. También eleva el estándar de divulgación esperado cuando Ajax se pueda descargar.
Un agente local sin censura intercambia los límites del proveedor por la responsabilidad del usuario
Eliminar las negativas del modelo da a los usuarios más control, pero un agente con herramientas puede convertir una respuesta insegura en una acción externa.
La página de Ajax afirma que el comportamiento de negativa del modelo ha sido “ablatado” para ofrecer una experiencia menos restringida. La ablación elimina o suprime características aprendidas asociadas a comportamientos no deseados.
PewDiePie afirma que utilizó un sistema de código abierto llamado Heretic para automatizar ese proceso. El objetivo declarado era reducir las negativas sin dañar las capacidades más amplias del modelo.
“Sin censura” sigue siendo una etiqueta imprecisa. Puede significar menos negativas en temas controvertidos, un entrenamiento de seguridad más débil o menos restricciones sobre el uso de herramientas.
Esas diferencias se vuelven críticas cuando un modelo controla el correo electrónico, un navegador o un calendario. Un chatbot puede producir una respuesta perjudicial, mientras que un agente también puede enviar, eliminar, programar o divulgar información.
PewDiePie afirma que Ajax no está diseñado para proporcionar instrucciones peligrosas y accionables. También describe un límite contra facilitar daños a otras personas o a uno mismo.
Esas declaraciones sugieren que Ajax conservará algunos límites de comportamiento. También muestran por qué “sin censura” no debe interpretarse como la ausencia total de restricciones.
El perfil real de seguridad dependerá de más factores que el modelo. Odysseus debe determinar a qué herramientas puede acceder Ajax, qué acciones requieren confirmación y cómo permanecen aisladas las credenciales.
Un modelo privado con permisos de cuenta sin restricciones puede crear un riesgo personal mayor que un modelo alojado con integraciones más limitadas. La ejecución local cambia quién opera las salvaguardas, no si las salvaguardas son necesarias.
El correo electrónico ofrece un ejemplo sencillo. Un asistente podría resumir una bandeja de entrada de forma privada y, aun así, interpretar mal un mensaje malicioso y seguir las instrucciones incorporadas en él.
Ese ataque se denomina inyección de prompts, en el que contenido no confiable intenta anular las instrucciones previstas de un agente. La navegación y el análisis de documentos exponen repetidamente a los agentes a este riesgo.
El acceso al calendario presenta peligros menores, pero aun significativos. Un agente podría divulgar un evento privado, invitar al destinatario equivocado o aceptar una instrucción oculta en una página web.
La misma disyuntiva aparece en el acceso a archivos. El procesamiento local puede evitar que los documentos se envíen a un modelo remoto, pero unos permisos amplios pueden exponer todas las carpetas accesibles.
Por tanto, los usuarios necesitan controles en el límite de las herramientas. El diseño más sólido concedería el acceso mínimo necesario y solicitaría aprobación antes de acciones importantes.
Los registros de auditoría también importan. Un usuario debería poder ver qué leyó el agente, qué herramienta seleccionó y qué información salió de la máquina.
La eliminación de negativas a nivel de modelo no responde a esas cuestiones operativas. Ajax podría comportarse de forma coherente en el chat y, aun así, seguir siendo poco fiable durante cadenas largas de uso de herramientas.
La elección de PewDiePie de Qwen3.5-9B hace más plausible la operación local que utilizar un modelo de tamaño frontera. Los archivos oficiales del modelo Qwen suman aproximadamente 19,3 GB antes de la compresión posterior.
Las versiones cuantizadas pueden reducir los requisitos de memoria al representar los pesos con menos bits. Esto puede hacer que el modelo sea accesible en más sistemas de consumo, con cierta posible pérdida de calidad.
Los requisitos reales siguen sin confirmarse hasta que Ajax se lance. La idoneidad del hardware depende del formato de cuantización, la longitud de contexto, el motor de inferencia, la carga de trabajo de las herramientas y la velocidad de respuesta aceptable.
Por tanto, “funciona en casa” puede describir varias experiencias. Podría significar un funcionamiento fluido en una estación de trabajo reciente, una inferencia más lenta en un portátil o una descarga parcial a otro hardware.
La afirmación sobre privacidad necesita una precisión similar. La inferencia local protege el contenido de los prompts frente a un proveedor remoto de modelos, pero las búsquedas web, los servidores de correo electrónico y los calendarios siguen implicando servicios externos.
La telemetría, las actualizaciones, las extensiones y los conectores de terceros también pueden transmitir datos. Una evaluación de privacidad creíble debe rastrear el flujo de trabajo completo, no solo el modelo de lenguaje.
Los lectores que evalúen Ajax deben distinguir tres afirmaciones: menos rechazos, inferencia local y ejecución privada de tareas. Cada una exige evidencia y protecciones diferentes.
Ajax Entra en una Competida Carrera de Agentes de IA Autoalojados
La distinción más clara de Ajax es un modelo entrenado para un espacio de trabajo, mientras que las alternativas establecidas priorizan una mayor variedad de modelos e infraestructura de agentes más madura.
OpenClaw ya se presenta como un asistente que se ejecuta en la máquina del usuario y se conecta al correo electrónico, calendarios, plataformas de mensajería y otras herramientas. Admite tanto modelos locales como alojados.
Ese enfoque neutral respecto al modelo reduce la dependencia de un único modelo de lenguaje. Los usuarios pueden cambiar de proveedor sin sustituir el entorno de agentes que lo rodea.
Hermes Agent sigue una vía relacionada. Nous Research describe Hermes Agent como un sistema autónomo con memoria persistente, herramientas, integraciones de mensajería y un ciclo de aprendizaje.
Hermes puede ejecutarse localmente o en infraestructura remota. Su documentación también admite varios endpoints de modelos, lo que ofrece a los usuarios opciones sobre rendimiento, privacidad y complejidad operativa.
Odysseus y Ajax parecen estar vinculados de forma más estrecha. Ajax se está entrenando específicamente para usar las herramientas de Odysseus, en lugar de actuar como un modelo general integrado en aplicaciones no relacionadas.
Esa especialización puede resultar útil. Los modelos más pequeños suelen rendir mejor cuando los ejemplos de entrenamiento coinciden con los esquemas, herramientas y patrones de interacción exactos que encuentran tras el despliegue.
Un agente de calendario no necesita dominar todos los benchmarks académicos. Debe identificar la herramienta correcta, proporcionar argumentos válidos, confirmar acciones arriesgadas y recuperarse de errores.
PewDiePie describió previamente ese objetivo en la comunidad de Odysseus. Destacó la ejecución directa de herramientas para solicitudes prácticas, en lugar de un razonamiento extenso orientado a benchmarks.
Este enfoque podría hacer que Ajax responda con agilidad en hardware limitado. También podría reducir la flexibilidad que los usuarios esperan de un asistente general.
OpenClaw y Hermes se benefician de comunidades más grandes, historiales operativos más extensos y catálogos de integraciones más amplios. Ajax se beneficia de la alineación entre su modelo y el espacio de trabajo al que está destinado.
La comparación dependerá en última instancia de la fiabilidad, no de la marca. Un agente doméstico debe completar acciones rutinarias repetidamente sin inventar datos ni alterar silenciosamente la intención del usuario.
La precisión en las llamadas a herramientas será especialmente importante. Ajax debe seleccionar la operación correcta y generar parámetros que coincidan con las interfaces de Odysseus.
La estabilidad a largo plazo plantea otro desafío. Un agente siempre activo debe gestionar memoria, tareas repetidas, credenciales caducadas, sitios web cambiantes y solicitudes de red fallidas.
La calidad de los modelos locales también puede variar notablemente según la tarea. Un modelo de 9.000 millones de parámetros puede gestionar flujos de trabajo conocidos mientras tiene dificultades con solicitudes ambiguas o fallos inusuales.
Los modelos alojados más grandes suelen ofrecer un razonamiento más sólido y conocimientos más amplios. También exigen enviar prompts a un proveedor externo y aceptar sus políticas de acceso.
Por tanto, el mercado emergente no es una simple competencia entre privacidad e inteligencia. Implica control, calidad del modelo, hardware, mantenimiento, seguridad y profundidad de integración.
Los desarrolladores a menudo pueden tolerar fricción durante la configuración a cambio de visibilidad y personalización. Los usuarios generales suelen esperar que las actualizaciones, la gestión de credenciales y la recuperación funcionen sin intervención técnica.
La audiencia de PewDiePie podría atraer nuevos usuarios al autoalojamiento. Esa oportunidad también aumenta las consecuencias de instrucciones de instalación poco claras o configuraciones predeterminadas demasiado amplias.
Ya han surgido preocupaciones de seguridad en la comunidad en torno a las prácticas de desarrollo de Odysseus. Las discusiones del repositorio han solicitado controles de lanzamiento más sólidos, pruebas y protección para la rama principal.
Esas discusiones no demuestran que el software sea inseguro. Muestran que los colaboradores reconocen lo que está en juego cuando usuarios poco familiarizados instalan software de agentes en rápida evolución.
Un proceso de lanzamiento estable debe diferenciar las versiones revisadas del desarrollo activo. Los artefactos firmados, los permisos documentados y las compilaciones reproducibles reforzarían aún más la confianza de los usuarios.
Ajax también necesita comparaciones independientes con su modelo base. Sin ellas, los lectores no pueden saber si el ajuste fino mejoró el uso de herramientas o si la eliminación de rechazos debilitó capacidades no relacionadas.
Las evaluaciones útiles deben incluir tareas habituales, prompts adversariales, herramientas fallidas y contenido web malicioso. Una única puntuación en un ranking no puede reflejar esas condiciones.
Por ello, la comparación más sólida de Ajax AI examinará todo el sistema. La inteligencia del modelo importa, pero un asistente autónomo triunfa mediante una ejecución fiable y acceso controlado.
Qué Observar Antes de Instalar Ajax
Ajax solo será un lanzamiento significativo de agente local cuando sus archivos, evaluaciones y controles de seguridad puedan inspeccionarse fuera de la demostración de PewDiePie.
La primera señal es el paquete público del modelo. Los usuarios deben buscar pesos descargables, condiciones de licencia, una ficha del modelo, opciones de cuantización y orientación clara sobre hardware.
Una ficha del modelo debe identificar la base Qwen, el enfoque de entrenamiento, los usos previstos, los límites conocidos y los resultados de evaluación. También debe explicar el significado de “sin censura”.
La documentación del conjunto de datos importa debido a la disputa con OpenAI. Ajax no necesita revelar cada detalle privado de desarrollo, pero debería describir el origen y el filtrado de los ejemplos de entrenamiento.
Esa información ayudaría a los usuarios a evaluar tanto la incertidumbre legal como la calidad del modelo. También distinguiría los detalles de desarrollo verificados de las afirmaciones realizadas durante un vídeo.
La segunda señal son las pruebas independientes dentro de Odysseus. Los revisores deben evaluar flujos de trabajo de búsqueda, navegador, correo electrónico, calendario, memoria y archivos en pruebas repetidas.
Las pruebas deben registrar tasas de finalización, acciones incorrectas, comportamiento de confirmación y recuperación tras fallos. Las comparaciones con el modelo original Qwen3.5-9B revelarían qué aportó el entrenamiento de Ajax.
OpenClaw y Hermes Agent ofrecen puntos de referencia útiles, aunque las comparaciones directas requieren modelos y hardware equivalentes. De lo contrario, la capacidad del modelo puede confundirse con la calidad del framework.
Las pruebas de seguridad deben incluir inyección de prompts desde correos electrónicos y páginas web. También deben examinar si la información privada puede pasar de una herramienta a otra sin aprobación explícita.
El entrenamiento de Ajax para reducir rechazos merece una evaluación independiente. Los revisores deben comprobar si responde con más libertad a solicitudes benignas sin volverse más fácil de manipular durante el uso de herramientas.
La tercera señal es la madurez de los lanzamientos de Odysseus. Un paquete fiable necesita compilaciones versionadas, documentación de instalación, controles de permisos, procedimientos de actualización y un proceso claro para reportar problemas de seguridad.
Los usuarios deben saber si las extensiones ejecutan código arbitrario. También deben saber dónde se almacenan las credenciales y qué solicitudes de red ocurren de forma predeterminada.
Un espacio de trabajo de IA local puede reforzar la privacidad si se configura cuidadosamente. También puede concentrar el acceso a información sensible en un único proceso de alto valor.
Esa tensión explica por qué Ajax importa más allá de su creador. La IA de consumo está pasando de la conversación pasiva a sistemas que supervisan el contexto y completan acciones.
Actualmente, los proveedores alojados controlan gran parte de esa transición. Operan los modelos más potentes, establecen reglas de uso y pueden suspender el acceso cuando los usuarios cruzan límites contractuales.
Los proyectos locales ofrecen una disposición diferente. Los usuarios obtienen control sobre los modelos y los datos, pero deben asumir más responsabilidad por la seguridad, las actualizaciones y el criterio operativo.
PewDiePie Ajax AI ofrece a esa alternativa un defensor muy visible. Las prohibiciones de OpenAI hacen que el argumento resulte emocionalmente convincente, pero no demuestran que Ajax esté preparado para trabajo sensible.
El lanzamiento retrasado puede beneficiar al proyecto si produce documentación más clara y pruebas más sólidas. Lanzarlo rápidamente generaría atención, pero la fiabilidad determinará si los usuarios lo mantienen en funcionamiento.
Los trabajadores del conocimiento deben aplicar la misma cautela que usarían con cualquier software que reciba acceso al correo electrónico, calendario o documentos. Comiencen con permisos limitados y datos no críticos.
Los desarrolladores deben inspeccionar los registros, el comportamiento de red, las dependencias y las políticas predeterminadas de las herramientas. También deben probar casos de fallo antes de permitir acciones sin supervisión.
Quienes estén interesados en asistentes privados pueden empezar por identificar qué información debe permanecer local. Una base de conocimiento de IA estructurada puede aclarar qué fuentes necesita un asistente y quién debe acceder a ellas.
La pregunta central ya no es si un creador puede ajustar finamente un modelo compacto. Es si Ajax puede combinar control local con acciones fiables y auditables.
Observe el paquete de lanzamiento, las pruebas independientes de agentes y los controles de seguridad de Odysseus, en ese orden. En conjunto, esas señales mostrarán si Ajax impulsa la IA doméstica o sigue siendo un experimento convincente.
Si planea probar el modelo PewDiePie Ajax AI, defina sus permisos antes de medir su personalidad. Primero, asígnele cuentas desechables y tareas reversibles. Revise cada acción externa hasta que su comportamiento sea predecible. Luego compare su privacidad, velocidad y tasa de finalización con un asistente alojado bajo el mismo flujo de trabajo. El control local tiene un valor real, pero solo cuando la persona que opera el sistema entiende a qué puede acceder el agente.
