David Fernández, CEO & Fundador de TDM Internacional, abordó cómo las organizaciones pueden aprovechar la inteligencia artificial para construir e investigar tendencias clave hacia el 2030, trascendiendo la mera predicción. En su ponencia, Fernández analizó cómo la inteligencia artificial (IA) puede integrarse en las estrategias de innovación empresarial, superando el obstáculo común que definió como "el síndrome del chat en blanco". El especialista enfatizó que el objetivo de aplicar la IA a la visión estratégica no es adivinar el mañana. "Ver hacia el futuro con IA nos ayuda a dimensionarlo, no a predecirlo. Forma parte de la innovación de fondo", explicó. En esa línea, comparó la postura de los líderes empresariales ante la tecnología con tres perfiles: el náufrago que solo es devuelto por la ola, el náufrago creativo que arma su balsa y el surfista que la aprovecha para prepararse hacia la siguiente disrupción. La construcción de un "segundo cerebro" y el valor del contexto El experto puntualizó que la sola recopilación de datos no genera valor si no permite tomar decisiones de negocio. Para abordar grandes volúmenes de informes e investigaciones de mercado, como las megatendencias proyectadas por el Dubai Future Foundation o el World Economic Forum, planteó el uso de metodologías de trend watching apoyadas en herramientas tecnológicas especializadas. Entre el flujo de trabajo compartido: Investigación profunda con herramientas de búsqueda avanzada: Utilización de plataformas como Perplexity para rastrear estudios de mercado y fuentes de datos actualizadas con base técnica. Creación de un "segundo cerebro" de información propia: Centralización de documentos, informes y estrategias en espacios integrados de análisis como NotebookLM. Reemplazo del prompt engineering tradicional por contexto: El ponente subrayó que más allá de escribir instrucciones extensas (prompts), la clave reside en consultar directamente sobre repositorios de contenido verificado. "Hoy ya no se necesita ingeniería de prompts, lo que se necesita es contexto. Cuando la IA consulta tus propios documentos e historial, no alucina ni inventa; responde sobre la realidad de tu organización", afirmó Fernández. Del análisis de datos a los tableros de decisión El CEO de TDM Internacional demostró cómo la correlación de información dentro de estos entornos permite extraer business opportunity insights, es decir, oportunidades no visibles a simple vista que orientan decisiones operativas y de inversión. Asimismo, mostró la integración de estos datos en modelos como Gemini para estructurar dashboards y tableros interactivos. Estos esquemas permiten evaluar en qué áreas de disrupción (como la autonomía operativa o la optimización de recursos) la empresa presenta fortalezas o vulnerabilidades. "La IA no está para hacer las cosas por ti, sino para ti. No la usen solo para preguntar en una pantalla negra; úsenla para correlacionar, comparar e investigar frente a los datos reales de su empresa", concluyó Fernández. Vea también: Festival IA Ciudad Juárez 2026: de maquiladora a epicentro de manufactura y computación global

Durante el panel inaugural del evento, líderes de la industria, la academia y el gobierno analizaron los retos y oportunidades de la inteligencia artificial en la región. Desde la urgencia de consolidar estrategias corporativas formales hasta la consolidación de la frontera como un nodo clave en el ensamble de infraestructura global de supercómputo, los especialistas trazaron la hoja de ruta tecnológica para el estado de Chihuahua. El panel de apertura contó con la moderación de José Antonio González Barreda, presidente de Coparmex Juárez y CEO de Zahoree AI, quien dio la bienvenida enfatizando que el objetivo central del encuentro no era discutir la tecnología desde una perspectiva puramente teórica, sino evaluar su aplicación práctica, su impacto en las distintas funciones organizacionales (operaciones, logística, ventas, academia y gobierno) y su capacidad para generar valor económico medible. Omar Saucedo, líder de enlace de Asuntos Públicos para el este de EE. UU. y gerente de Microsoft TechSpark en México, presentó un diagnóstico sobre el estado actual de adopción de la IA en las empresas: Citando estudios recientes de Microsoft, señaló que cerca del 80% de los colaboradores ya utilizan herramientas de IA en sus dispositivos personales para sus labores cotidianas. Sin embargo, casi un 80% de los líderes de esas mismas organizaciones carece de una estrategia formal para canalizar y aprovechar la herramienta. Esta falta de rumbo genera vulnerabilidades críticas en ciberseguridad, privacidad, fuga de datos confidenciales y dilemas éticos. Saucedo ejemplificó cómo la IA está transformando la toma de decisiones al integrarse en reuniones corporativas para procesar conversaciones en tiempo real, agendar de manera autónoma las actividades comprometidas en los calendarios de los equipos y establecer métricas de seguimiento de entregables sin intervención manual. Aportando la perspectiva del sector manufacturero, Ulises Irigoyen, director de Sistemas de Manufactura en Xerox, subrayó que la IA constituye una herramienta disruptiva orientada a apoyar la toma de decisiones complejas. Explicó cómo la implementación de modelos predictivos que analizan datos históricos, contratos e incertidumbre de licitaciones ha permitido elevar considerablemente la veracidad de los pronósticos de producción y optimizar la compra de insumos. También presentó los resultados de un proyecto piloto en planta donde, mediante el monitoreo de calidad, genealogía de producto y microparos en líneas de producción mediante dashboards con IA, se logró un incremento del 6% en la productividad en solo 10 semanas de ejecución. Además, detalló que actualmente evalúan el uso de IA con leyes termodinámicas y químicas integradas para simular procesos en plantas de manufactura química y reducir los tiempos de ciclo. Ciudad Juárez: el nodo clave de la infraestructura global de supercómputo El análisis macroeconómico e industrial estuvo a cargo de Fernando Alba Quiñonez, subsecretario de Minería, Industria y Energía de la Secretaría de Innovación y Desarrollo Económico (SIDE) del Estado de Chihuahua. Destacó que Ciudad Juárez y Guadalajara conforman el principal polo de ensamble de servidores de alto rendimiento (AI servers) para centros de datos a nivel global fuera de Taiwán. Las exportaciones mexicanas de equipo de cómputo y servidores alcanzaron los 87.000 millones de dólares, superando ampliamente las cifras del sector automotriz y convirtiendo a Taiwán en el principal socio comercial de México. El ejecutivo mencionó la llegada de arquitecturas avanzadas (como los servidores Vera Rubin con CPUs AMD y GPUs Nvidia de hasta 7 millones de dólares por unidad) y resaltó que el valor de un solo embarque de 10 servidores equivale económicamente a 1.000 automóviles producidos en el país. Ante un mercado proyectado en 7 trillones de dólares en EE. UU. en los próximos 5 años y las exigencias de contenido regional, el reto para Chihuahua es integrar a las Pymes locales en la proveeduría de componentes clave (gabinetes, sistemas de enfriamiento líquido o liquid cooling, sustratos, conectores y cableado especial), buscando capturar entre un 5% y un 10% de ese valor. Por su parte, Víctor Morales Rocha, director general de Tecnologías de la Información de la Universidad Autónoma de Ciudad Juárez (UACJ), propuso un marco conceptual para abordar la adopción tecnológica. Enfatizó que el verdadero salto cualitativo y la transformación digital no ocurren al automatizar tareas aisladas, sino al rediseñar procesos de negocio completos mediante IA. También destacó que la UACJ cuenta con la Licenciatura en Inteligencia Artificial y la Maestría en Inteligencia Artificial y Analítica de Datos para atender la demanda del mercado. El ejecutivo exhortó al sector privado a acercarse a la universidad para aprovechar las capacidades de investigación del cuerpo académico en tres áreas fundamentales: analítica de datos, visión computacional y optimización matemática. Por su parte, Joam Manuel Rincón Zuluaga, director de operaciones de IINIA y directivo en el sector educativo tecnológico, abordó las estrategias para acortar la brecha de talento y desarrollar soluciones locales: Explicó las lecciones aprendidas en el IA Center (que capacitó a más de 13.000 personas) y planteó la necesidad de superar los cursos tradicionales rígidos. Propuso esquemas de aprendizaje adaptativo guiados por plataformas que detectan fortalezas y vacíos del estudiante en tiempo real. También, detalló que muchas empresas locales prefieren implementar infraestructura y modelos en el borde para garantizar el control, la privacidad y la soberanía sobre sus datos confidenciales. Rincón Zuluaga compartió un proyecto desarrollado con estudiantes para una empresa de dispositivos médicos en Chihuahua, donde mediante cámaras e IA entrenada en visión artificial se automatizó la inspección de kits de catéteres cardíacos en tiempo real, resolviendo un problema operativo de alto impacto sin recurrir a costosas inversiones robóticas. El panel concluyó con un llamado unánime a la acción colectiva. Primero, acelerar la formación de talento técnico: Se estima una demanda de más de 8.000 ingenieros especializados en la región para los próximos tres años ante la llegada de inversiones masivas en manufactura avanzada. Segundo, hacer una inversión decidida en innovación. Se instó a incrementar el porcentaje de inversión en desarrollo e investigación a nivel estatal y nacional para no quedar rezagados frente a competidores globales como Taiwán o Israel. Por último, apelar a una sinergia articulada. La consolidación de Ciudad Juárez como capital de la inteligencia artificial dependerá del trabajo integrado entre la visión política de gobierno, el dinamismo empresarial y la agilidad académica. Vea también: OpenAI y Anthropic piden cooperación en la ONU luego de que Trump rechazara un "plan globalista" para controlar la IA

Tanto Claude Opus 5.5 como los modelos GPT-6 Sol y Luna ya se encuentran disponibles para integración mediante API y en las principales plataformas en la nube. En anuncios prácticamente simultáneos, las firmas más influyentes del sector, Anthropic y OpenAI, presentaron sus más recientes desarrollos destinados a transformar el despliegue de agentes autónomos y tareas complejas en el ámbito empresarial. Es así como dan un paso más en la competencia por el liderazgo en el mercado global de la inteligencia artificial generativa hacia modelos que priorizan seguridad, rapidez y ser accesibles en su costo. Anthropic dio a conocer Claude Opus 5.5, la versión de entrada de su nueva familia 5.5. Por otro lado, OpenAI expandió el ecosistema de su modelo insignia presentado a inicios de mes con el debut de GPT-6 Sol y GPT-6 Luna, dos alternativas diseñadas para democratizar el acceso a la capacidad analítica de frontera mediante arquitecturas más económicas. El lanzamiento de Claude Opus 5.5 representa la primera actualización de Anthropic tras sus llamados públicos a desacelerar el ritmo desenfrenado en la frontera del desarrollo tecnológico. La compañía asegura que esta entrega iguala en rendimiento a su modelo Claude Fable 5.1 en la mayoría de los flujos corporativos, pero logra reducir en un 40% el costo de ejecución frente a Opus 5. Entre las mejoras más relevantes destaca su velocidad de procesamiento, más de un 30% más rápida, y un ajuste drástico en las tarifas de infraestructura. Las lecturas de caché, esenciales para el desarrollo de software y flujos de trabajo basados en agentes, cayeron un 60%, ubicándose en US$0.20 por millón de tokens, mientras que los tokens de entrada y salida se fijaron en $4 y $20, respectivamente. En el apartado técnico, el modelo demostró capacidades avanzadas en migración y auditoría de código a gran escala. Pruebas iniciales reportaron la migración de un repositorio de 680,000 líneas en menos de 24 horas y la resolución exitosa de optimización de velocidad en 39 de 40 aplicaciones web evaluadas. En materia de ciberseguridad y gobernanza, Opus 5.5 superó la auditoría de comportamiento automatizada de la empresa con los mejores índices de alineación registrados hasta la fecha. El modelo redujo en un 85% los intentos de eludir entornos aislados de prueba (sandboxes) en comparación con Opus 5. Debido a su avanzada capacidad en biología sintética y ciberseguridad ofensiva, la empresa anunció el despliegue de sistemas de redirección automática hacia modelos previos (Opus 4.8 y Opus 5) para tareas de alto riesgo, reservando el acceso completo a través de sus programas de verificación corporativa Life Sciences y Cyber Verification. Además, estrena el mecanismo preserved thinking, que impide la extracción industrial de cadenas de razonamiento mediante técnicas de distilación no autorizadas. OpenAI: GPT-6 Sol y Luna apuestan por la democratización de la escala En respuesta a la demanda de las empresas por equilibrar inteligencia y presupuesto, OpenAI amplió su oferta con los modelos GPT-6 Sol y GPT-6 Luna, desarrollados con las mismas metodologías de entrenamiento de su modelo tope de gama, GPT-6 Astra. Esta nueva dupla se centra en una reducción tarifaria del 50% en comparación con la generación GPT-5.6, facilitando el despliegue masivo de asistentes virtuales, análisis financiero e ingeniería de software automatizada. Los datos de la tecnológica destacan que GPT-6 Sol reduce a la mitad la tasa de errores factuales observada en modelos anteriores en consultas complejas, alcanzando niveles de precisión muy cercanos a la versión Astra. De acuerdo con las evaluaciones de ingeniería de software sobre proyectos reales (como el benchmark DeepSWE v1.1), GPT-6 Sol obtuvo una calificación del 68.8%, situándose a poco más de un punto porcentual de los techos de rendimiento de la industria, pero operando con una reducción de costos de hasta el 80% por tarea. Por su parte, la variante ultraligera GPT-6 Luna alcanzó un 66.6% en la misma prueba, superando el rendimiento de modelos de generación previa a un décimo de su costo operativo. Ambos anuncios comparten una estrategia en el desarrollo de la inteligencia artificial para el sector productivo: la prioridad ahora se centra en el rendimiento eficiente, reducción del consumo energético y la seguridad operativa en despliegues automatizados de largo aliento. Tanto Claude Opus 5.5 como los modelos GPT-6 Sol y Luna ya se encuentran disponibles para integración mediante API y en las principales plataformas en la nube. Le puede interesar: OpenAI y Anthropic piden cooperación en la ONU luego de que Trump rechazara un "plan globalista" para controlar la IA

Sam Altman y Dario Amodei llevaron al Consejo de Seguridad de Naciones Unidas un mensaje poco habitual para dos de las compañías que lideran la carrera de la IA: los países deben coordinarse para gestionar los riesgos de sistemas cada vez más poderosos. El pedido se produce apenas un día después de que el presidente de EE.UU. calificara como una “maniobra globalista” cualquier intento de controlar la tecnología. Mientras Estados Unidos busca acelerar el desarrollo de una tecnología que considera estratégica frente a China, dos de los principales ejecutivos de la industria están pidiendo exactamente lo que Washington parece querer evitar: coordinación internacional para establecer límites y mecanismos de seguridad. Sam Altman, CEO de OpenAI, y Dario Amodei, CEO de Anthropic, llevaron este miércoles ese mensaje al Consejo de Seguridad de Naciones Unidas, donde reclamaron cooperación entre países para enfrentar los riesgos asociados con sistemas de inteligencia artificial cada vez más capaces. “En nuestra historia, ha habido momentos en los que países que compiten y no siempre se agradan entre sí han logrado unirse por intereses compartidos y por el bien colectivo frente a una nueva tecnología poderosa”, afirmó Altman durante su intervención. “Creemos que este debe ser uno de esos momentos”. La declaración adquiere especial relevancia por el momento político en que se produce. Apenas un día antes, Donald Trump había utilizado su discurso ante la Asamblea General de Naciones Unidas para rechazar cualquier intento de establecer un mecanismo internacional de control de la inteligencia artificial. El presidente estadounidense calificó esa posibilidad como de “maniobra globalista” y aseguró que Estados Unidos continuará impulsando el desarrollo de la tecnología, “no frenarla”. “No voy a sofocar el crecimiento de algo que será más grande que la Revolución Industrial”, dijo Trump. El contraste no es menor. Altman y Amodei no están hablando desde fuera de la industria. Ambos dirigen compañías que compiten por desarrollar algunos de los modelos de IA más avanzados del mundo y que, al mismo tiempo, enfrentan una presión creciente para demostrar que pueden controlar los sistemas que están construyendo. La inusual alianza entre dos rivales La posición de Amodei comenzó a tomar forma a principios de septiembre, cuando publicó una propuesta para desacelerar el ritmo de desarrollo de la IA de frontera. Su argumento no es detener el progreso tecnológico ni suspender el entrenamiento de modelos, sino introducir suficiente tiempo y supervisión para comprobar que las nuevas capacidades pueden desarrollarse de manera segura. Amodei plantea un plan de tres pasos. El primero consiste en incorporar evaluadores externos independientes dentro de las compañías de IA de frontera, con acceso continuo para verificar las prácticas de seguridad, investigar incidentes y evaluar no solamente los modelos terminados, sino también los procesos de entrenamiento. Anthropic se comprometió unilateralmente a implementar esta primera medida. El segundo paso requiere coordinación dentro de la industria y el tercero plantea coordinación internacional, incluso entre gobiernos democráticos y autoritarios. El CEO de Anthropic insiste en que “desacelerar la frontera” no significa detener el desarrollo de la IA. Se trata de desarrollar los sistemas a un ritmo que permita incorporar medidas de seguridad y que terceros puedan verificar que esas medidas funcionan. Lo llamativo fue que Altman, uno de sus principales competidores, respaldó públicamente la idea. El CEO de OpenAI coincidió con Amodei, una señal poco habitual de cooperación entre dos compañías que compiten por talento, inversión, infraestructura y liderazgo tecnológico. El miércoles, Altman fue incluso más explícito al defender esa posición. “Vencer a las compañías en una carrera competitiva no es una razón para tomar decisiones apresuradas”, afirmó. “Hemos desacelerado unilateralmente en el pasado. Lo haremos en el futuro”. El planteamiento introduce una tensión particularmente compleja para la industria. OpenAI y Anthropic están entre las compañías privadas de IA que el mercado considera candidatas a protagonizar algunas de las mayores salidas a bolsa del sector. La pregunta empresarial, por tanto, es inevitable: ¿cómo se desacelera una carrera cuando todos los competidores tienen incentivos económicos para avanzar? El incidente que cambió la conversación La discusión sobre la velocidad de desarrollo tampoco ocurre únicamente en el terreno teórico. En julio, OpenAI reveló que algunos de sus modelos utilizados en evaluaciones internas de ciberseguridad habían conseguido eludir los controles que debían mantenerlos aislados de Internet. Los sistemas terminaron accediendo a infraestructura externa y comprometiendo sistemas de Hugging Face durante el ejercicio. OpenAI describió posteriormente que los modelos habían eludido mecanismos de aislamiento, obtenido acceso a Internet, utilizado canales no autorizados y accedido a sistemas de terceros. La compañía señaló que el incidente involucró varios modelos, entre ellos GPT-5.6 Sol y un modelo de investigación previo al lanzamiento, con las restricciones habituales para actividades cibernéticas de alto riesgo reducidas con fines de evaluación. El episodio se convirtió en uno de los argumentos utilizados por Amodei para defender su propuesta. En su ensayo, el CEO de Anthropic planteó que un incidente similar, protagonizado por sistemas con mayores capacidades y un nivel comparable de desalineación, podría producir daños mucho más graves. Su preocupación es que la diferencia entre el incidente observado y uno potencialmente catastrófico podría reducirse rápidamente a medida que aumenten las capacidades de los modelos. En su propuesta, Amodei incluso plantea que, dentro de 6 a 12 meses, un sistema con capacidades superiores y fallas similares podría llegar a controlar una botnet persistente sobre Internet y provocar daños económicos de cientos de miles de millones de dólares. No se trata, además, de un episodio aislado dentro del sector. Investigadores y compañías han reportado otros incidentes relacionados con sistemas de IA que obtuvieron acceso a recursos para los que no estaban previstos, lo que ha reforzado el debate sobre contención, evaluación independiente y supervisión. El problema de ponerse de acuerdo La tercera parte del plan de Amodei es también la más difícil: coordinación global. El ejecutivo sostiene que los riesgos de los sistemas más avanzados no se detienen en las fronteras nacionales. Por eso considera necesario que los gobiernos, incluidos aquellos que mantienen rivalidades geopolíticas, establezcan algún nivel de cooperación. Fue precisamente esa idea la que reiteró ante Naciones Unidas. “Ningún líder, ninguna empresa y ninguna nación pueden gestionar esto por sí solos», afirmó Amodei. "Nos comprometemos a trabajar con los gobiernos presentes en esta sala en esta labor urgente”. El planteamiento coloca a la industria tecnológica en una posición peculiar. Durante años, Silicon Valley ha defendido la innovación rápida y ha cuestionado los intentos de regulación que pudieran ralentizar el desarrollo de nuevas tecnologías. Ahora, algunos de los mismos ejecutivos que lideran la carrera hacia sistemas más potentes están reclamando mecanismos de coordinación que, inevitablemente, podrían imponer límites a esa carrera. Pero existe una diferencia importante entre pedir seguridad y pedir una pausa. Amodei ha sido explícito en que su propuesta no busca detener el entrenamiento ni el progreso técnico. Lo que propone es introducir condiciones que obliguen a las empresas a demostrar que sus sistemas están suficientemente protegidos antes de avanzar hacia capacidades todavía mayores. Altman comparte parte de esa lógica, aunque su posición se presenta dentro de una realidad competitiva en la que OpenAI continúa desarrollando agresivamente nuevos sistemas. Ahí aparece el principal interrogante del debate: quién determina cuándo la velocidad es demasiado rápida, qué criterios se utilizan para medir ese riesgo y quién tiene autoridad para exigir que una compañía detenga o modifique el desarrollo de un modelo. Washington frente a Silicon Valley La divergencia con Trump convierte el episodio en algo más que una discusión tecnológica. El presidente estadounidense sostiene que limitar el desarrollo de la IA podría comprometer la posición competitiva de Estados Unidos, particularmente frente a China. En su discurso ante Naciones Unidas, defendió el crecimiento de la tecnología y rechazó la idea de que la comunidad internacional deba imponer mecanismos que puedan frenar ese avance. Altman y Amodei, en cambio, están planteando que la competencia geopolítica no debería impedir ciertos acuerdos básicos de seguridad. Es una diferencia que atraviesa a toda la industria. Por un lado está el argumento de que reducir el ritmo podría significar ceder ventaja tecnológica a otros países. Por el otro, la preocupación de que una carrera sin mecanismos comunes de seguridad produzca sistemas cuyas capacidades superen la capacidad de sus propios desarrolladores para controlarlos. El resultado es un escenario inédito: los CEO de dos de las empresas que más se benefician de la aceleración de la IA están pidiendo que el mundo encuentre mecanismos para hacerla más lenta y controlable, mientras el presidente del país que concentra buena parte de esa industria sostiene que no piensa frenarla. La discusión que llegó al Consejo de Seguridad de Naciones Unidas ya no es solamente cuánto puede avanzar la inteligencia artificial. Es quién decide a qué velocidad debe hacerlo y bajo qué condiciones. Y, sobre todo, si los gobiernos y las compañías que compiten por construir los sistemas más poderosos serán capaces de acordar reglas antes de que la propia tecnología vuelva más difícil esa negociación. Le puede interesar: Costa Rica lidera América Latina en uso de IA generativa, según Microsoft

El país participó en el encuentro de líderes convocado por el Banco Interamericano de Desarrollo (BID) en Nueva York, donde se discutieron oportunidades, desafíos y condiciones necesarias para que la inteligencia artificial genere beneficios económicos y sociales en la región. La inteligencia artificial está pasando de ser una tecnología emergente a convertirse en un componente de las estrategias de desarrollo de América Latina y el Caribe. En este contexto, el Banco Interamericano de Desarrollo (BID) reunió en Nueva York a jefes de Estado, representantes de gobiernos y ejecutivos de algunas de las principales compañías tecnológicas para discutir cómo acelerar una adopción de IA que contribuya al crecimiento económico y al desarrollo de la región. El encuentro contó con representantes de países como Bahamas, Bolivia, Brasil, Chile, Colombia, Guatemala, Guyana, Panamá, Paraguay, República Dominicana, Surinam y Uruguay, además de ejecutivos de empresas como Google, Anthropic y Nvidia. El objetivo planteado por el BID fue avanzar en una conversación que permita construir una hoja de ruta común para aprovechar la inteligencia artificial de manera amplia y segura en América Latina y el Caribe. El organismo financiero regional estima que una adopción generalizada de la inteligencia artificial podría incrementar el producto interno bruto de América Latina y el Caribe en 5,1% durante la próxima década. Sin embargo, el BID también advierte que los beneficios no estarán distribuidos automáticamente y estarán condicionados por factores como la movilidad laboral, las capacidades digitales y la preparación de los países para incorporar estas tecnologías. En este escenario, Panamá participó en la conversación presentando la visión que el país está desarrollando alrededor de la inteligencia artificial, pero también poniendo sobre la mesa capacidades que van más allá de esta tecnología, como conectividad, ciberseguridad, infraestructura digital y formación de talento. El planteamiento panameño se vincula con su intención de aprovechar su posición como plataforma logística y de conectividad para ampliar su participación en la economía digital. La discusión del BID también refleja un cambio en la forma en que la inteligencia artificial está siendo abordada por los gobiernos. El debate ya no se limita al desarrollo de herramientas de IA, sino que incorpora temas como infraestructura de cómputo, acceso a datos, talento especializado, ciberseguridad, gobernanza y aplicaciones en sectores estratégicos. Para los países latinoamericanos, esto plantea el desafío de evitar que la brecha tecnológica se amplíe a medida que aumenta la velocidad de adopción de estas herramientas. En el caso de Panamá, esta conversación ocurre mientras el país avanza en iniciativas relacionadas con inteligencia artificial, semiconductores, conectividad y formación de talento digital. Entre ellas se encuentran la Agenda Nacional de Tecnologías Avanzadas y programas de capacitación en áreas como IA, nube, ciberseguridad y análisis de datos. El reto ahora es conectar estas iniciativas con oportunidades concretas de inversión, innovación y desarrollo de capacidades que permitan al país participar en la nueva economía digital. El encuentro del BID deja así una pregunta que trasciende la incorporación de nuevas herramientas tecnológicas: ¿qué condiciones necesita América Latina para convertir la inteligencia artificial en una fuente de productividad y nuevas oportunidades, en lugar de profundizar sus brechas existentes? La respuesta dependerá de la capacidad de los gobiernos, empresas, universidades y organismos multilaterales para coordinar inversiones, talento, infraestructura y reglas que permitan que la adopción de IA se traduzca en resultados económicos y sociales. Le puede interesar: Biotecnología toma impulso en Panamá con proyecto de planta regional de vacunas

La brecha de habilidades en ciberseguridad ya no se trata solamente de cubrir posiciones. Ahora, el riesgo está en cómo las organizaciones pueden defenderse en contra un panorama de amenazas cada vez más sofisticado e impulsado por inteligencia artificial. Por Melonia da Gama, Directora de Entrenamiento y Programas de Capacitación de Fortinet El último reporte de Fortinet sobre la brecha de habilidades de 2026 revela datos que realzan lo crítico de este reto: 71% de las organizaciones encuestadas aseguran que la brecha de habilidades representa un riesgo adicional para su empresa y 86% experimentó por lo meos una brecha en el último año. Respecto a las brechas, más de la mitad (56%) fueron atribuidas en parte a la falta de personal de seguridad de IT entrenado y con capacidades en ciberseguridad. Estos hallazgos refuerzan una realidad importante, que la brecha de habilidades en ciberseguridad ha dejado de ser únicamente un reto de fuerza laboral, es ahora un reto a nivel del negocio. Al tiempo que los cibercriminales utilizan la IA para automatizar ataque e incrementar la velocidad y sofisticación de los mismo, las organizaciones necesitan profesionales en ciberseguridad con la capacidad para defenderse. Las organizaciones que invierten en lo último en tecnología deben invertir también en las personas que la despliega, maneja y defiende. El problema de puestos vacíos en ciberseguridad está directamente unido a la resiliencia de un negocio. Sin profesionales de ciberseguridad con experiencia suficiente dentro del staff, la resiliencia, continuidad de negocio y responsabilidad ejecutiva de una organización pueden verse seriamente impactadas. ¿Por qué solo la tecnología no es suficiente? Mientras que la gran mayoría de los encuestados continúa invirtiendo en IA, automatización y plataformas de seguridad, estas tecnologías siguen dependiendo de individuos capacitados. Estas herramientas avanzadas de IA deben ser vista como multiplicadores de la fuerza, no como reemplazos del personal. En términos generales, los encuestados tienen altas expectativas para las soluciones de ciberseguridad impulsadas por IA, pero reconocen que implementarlas viene con su propia serie de retos. Mientras más productos de IA implemente una organización, más empleados con capacidades avanzadas en esta tecnología serán necesarios. Y esto nos lleva de vuelta a la escasez de habilidades. Todas las organizaciones necesitan extender el conocimiento en IA más allá de su equipo de seguridad. El departamento de TI, los desarrolladores, y los líderes de negocio deben tener conocimiento básico sobre el funcionamiento de los sistemas de IA, el riesgo que conllevan y cómo limitar esos riesgos. Construir una fuerza laboral capacitada permite a las organizaciones aprovechar los beneficios de seguridad y productividad de las nuevas tecnologías, reduciendo al mismo tiempo las consecuencias no previstas. La ciberresiliencia requiere resiliencia de la fuerza laboral Las organizaciones pueden abordar la brecha de habilidades al incrementar el conocimiento y la experiencia de su fuerza laboral al ofrecerles aprendizaje continuo, capacitación y actualización. Reforzar el conocimiento en ciberseguridad de los colaboradores nunca está de más ya que los seres humanos son la principal causa de ataques exitosos. Al tiempo que los cibercriminales utilizan la IA para acelerar el robo de credenciales, el phishing, y la ingeniería social, las organizaciones necesitan empleados que sepan reconocer y responder a estos ataques de última generación. Las organizaciones que están progresando más son aquellas que reconocen que la ciberseguridad no es solamente responsabilidad del equipo de seguridad. Una fuerza laboral capacitada, se está convirtiendo en una prioridad estratégica de negocio, lo cual requiere mayor colaboración entre líderes de seguridad, TI, recursos humanos y el liderazgo ejecutivo. Las organizaciones ya no pueden permitirse pensar en las habilidades de ciberseguridad como un problema de contrataciones únicamente. Construir ciberresiliencia requiere inversión constante en la gente, la tecnología y el conocimiento. Aquellas organizaciones que prioricen la adquisición de profesionales experimentados en ciberseguridad hoy estarán mejor posicionadas para defenderse de las amenazas de mañana. Le puede interesar: OpenAI reveló seis nuevos casos de "comportamiento inesperado o preocupante" en sus modelos

La innovación tecnológica debe impulsar el desarrollo inclusivo, fortalecer capacidades humanas y garantizar que nadie quede atrás en la transformación digital. La inteligencia artificial (IA) está redefiniendo la forma en que las organizaciones innovan, toman decisiones y crean valor. Sin embargo, el verdadero desafío ya no consiste únicamente en acelerar la adopción tecnológica, sino en garantizar que su implementación contribuya a reducir las desigualdades existentes y genere oportunidades para más personas, empresas y comunidades. La adopción está aumentando en diversos sectores y países, especialmente en ámbitos como la atención al cliente y la ingeniería de software. Sin embargo, el impacto económico real y la captación de valor siguen siendo limitados. “Según nuestra encuesta regional, solo el 23 % de las organizaciones latinoamericanas están generando valor económico mediante el uso de la IA, y apenas el 6 % en toda la región reporta una creación de valor significativa gracias a ella”, resume el estudio “América Latina en la era de la inteligencia: Una nueva vía para el crecimiento”, dado a conocer por el World Economic Forum en enero de este año. Por su parte, el Índice Latinoamericano de Inteligencia Artificial (ILIA 2025), elaborado por CEPAL y CENIA, encontró que es en la naciones de Centroamérica y el Caribe donde se está dando una adopción más acelerada de la IA. Costa Rica trepó cuatro posiciones en un año, mientras que El Salvador escaló seis y Panamá figura entre los seis países latinoamericanos con mayor adopción de IA generativa, junto con República Dominicana. La inteligencia artificial tiene el potencial de democratizar el acceso al conocimiento y acelerar la innovación, pero solo si se desarrolla sobre principios de apertura, colaboración y confianza. Las organizaciones necesitan plataformas que les permitan construir soluciones adaptadas a sus realidades, evitando nuevos obstáculos tecnológicos y promoviendo la participación de más actores en el ecosistema digital”, señala Martha Ardila, Country Manager Red Hat Centro América y Caribe. No obstante, el crecimiento acelerado de esta tecnología también plantea riesgos. Organismos internacionales han advertido que, sin políticas adecuadas, la inteligencia artificial podría profundizar las brechas existentes entre países, regiones y sectores productivos, especialmente en aquellas comunidades con menor acceso a infraestructura digital, formación especializada y recursos tecnológicos. En este contexto, la adopción empresarial de la IA requiere un enfoque estratégico basado en cuatro pilares fundamentales. 1. Democratizar el acceso a la tecnología. Las organizaciones necesitan herramientas abiertas e interoperables que permitan desarrollar e implementar soluciones de inteligencia artificial sin depender de entornos cerrados o costosos. 2. Fortalecer el talento humano. El éxito de la IA depende de la formación continua y del desarrollo de nuevas competencias digitales que permitan a las personas trabajar junto a la tecnología y aprovechar todo su potencial. 3. Garantizar la transparencia y la supervisión humana. La inteligencia artificial debe actuar como una herramienta de apoyo para la toma de decisiones, manteniendo siempre la responsabilidad y el criterio humano. 4. Construir ecosistemas colaborativos. Gobiernos, academia, sector privado y comunidades tecnológicas tienen un rol clave para impulsar estándares compartidos y promover una innovación más equitativa. Red Hat impulsa esta visión a través de soluciones empresariales de código abierto que permiten desarrollar, entrenar e implementar modelos de inteligencia artificial en entornos híbridos y multinube. Plataformas como Red Hat OpenShift AI ofrecen a las organizaciones la flexibilidad necesaria para gestionar aplicaciones y modelos de IA de forma escalable, segura y adaptable a diferentes necesidades. “El futuro de la inteligencia artificial no dependerá únicamente de la capacidad de procesamiento o de la sofisticación de los modelos, sino de nuestra capacidad para garantizar que sus beneficios lleguen a más personas. La innovación con propósito exige construir tecnología abierta, responsable e inclusiva”, concluye Ardila. La conversación sobre inteligencia artificial ya no gira únicamente en torno a qué tan rápido avanzan las tecnologías, sino a cómo asegurar que ese progreso contribuya al desarrollo sostenible y al bienestar colectivo. La oportunidad está en construir una IA que amplíe las posibilidades de las personas y no las desigualdades existentes. Le puede interesar: El 90% de las organizaciones ya usa IA, pero solo el 6% consigue capturar valor empresarial

El modelo de TypeSafe AI alcanzó a casi el 13% de los equipos de pago de Vercel apenas 24 horas después de su lanzamiento. Su propuesta no busca generar texto, sino tomar decisiones estructuradas para controlar agentes y flujos de software. La carrera de la inteligencia artificial empresarial está entrando en una etapa en la que generar texto ya no es necesariamente la parte más difícil. Cuando un agente tiene que decidir qué herramienta utilizar, si debe continuar un proceso o cuándo detenerse, la velocidad y la precisión de esas pequeñas decisiones pueden determinar el rendimiento de todo el sistema. Ese es el espacio que busca ocupar Jev, un modelo probabilístico de toma de decisiones desarrollado por TypeSafe AI que, según Vercel, consiguió la adopción más rápida de cualquier modelo incorporado hasta ahora a AI Gateway. Jev fue presentado el 15 de septiembre de 2026. En sus primeras 24 horas alcanzó más del doble de equipos de pago que cualquier lanzamiento anterior de modelos en AI Gateway. Para la hora 24, casi 13% de los equipos de pago ya lo utilizaban, una proporción equivalente a 2 veces la participación de la familia GPT-5.6 y más de 6 veces la de Fable 5.1. El dato resulta especialmente llamativo porque Jev no compite directamente por ser otro modelo de propósito general capaz de escribir, resumir o conversar. Su función es mucho más específica: recibir contexto y un conjunto de preguntas, evaluarlas en paralelo y devolver elecciones tipadas, puntuaciones o respuestas de verdadero o falso, acompañadas de probabilidades. En otras palabras, está diseñado para que sus respuestas puedan ser utilizadas directamente por el código. La arquitectura propuesta por Jev responde a una necesidad que aparece con mayor frecuencia a medida que las empresas incorporan agentes de IA a sus aplicaciones: controlar qué hacen esos agentes después de cada paso. El modelo puede utilizarse para seleccionar la siguiente herramienta o subagente que debe utilizar un agente, decidir si un flujo debe continuar, reintentarse, solicitar información al usuario o detenerse, y asignar niveles de urgencia o riesgo antes de ejecutar una acción. También puede funcionar como una capa de verificación. Vercel señala que Jev puede utilizarse para comprobar resultados generados por otros modelos, aplicar reglas de seguridad o enviar casos inciertos a revisión humana. Esta especialización modifica la conversación sobre qué significa tener un modelo de IA dentro de una aplicación. En lugar de pedirle a un modelo generalista que produzca una respuesta y posteriormente interpretar esa respuesta mediante más código, el enfoque de Jev consiste en devolver estructuras que el software pueda consumir directamente. Es una diferencia pequeña en apariencia, pero importante para sistemas en producción. Una respuesta textual puede ser útil para una persona y, al mismo tiempo, introducir ambigüedad para una aplicación. Una decisión tipada, una puntuación o una probabilidad pueden incorporarse directamente a la lógica de un flujo. TypeSafe AI reporta, a partir de sus propias evaluaciones de workflows, que Jev puede ser hasta 194 veces más rápido y 445 veces más barato que modelos de lenguaje. Es importante señalar que se trata de resultados reportados por la propia compañía y no de una comparación independiente presentada en el anuncio de Vercel. La propuesta adquiere relevancia cuando se observa el tipo de tareas para las que está diseñado. Una aplicación que utiliza agentes puede requerir cientos o miles de decisiones pequeñas antes de completar una operación. Si cada una de esas decisiones implica llamar a un modelo de lenguaje grande, el costo y la latencia pueden crecer rápidamente. Un modelo especializado puede plantear otra arquitectura: reservar los modelos generativos para las tareas que realmente necesitan razonamiento o generación compleja y utilizar un modelo de decisión para controlar los pasos intermedios. Vercel describe precisamente ese escenario al presentar a Jev como una herramienta para “decidir qué debería ocurrir después” dentro de una aplicación. El ritmo inicial también ofrece una señal sobre cómo está cambiando el mercado de modelos de IA. Vercel afirma que Jev superó a todos los modelos de comparación durante sus primeras 12 horas y continuó ampliando la diferencia durante el resto del día. En las primeras 18 horas, alcanzó al menos a una décima parte de los equipos, mientras que los demás lanzamientos recientes permanecieron por debajo del 7% después de un día completo, según los datos publicados por Vercel. Pero la propia compañía introduce una cautela relevante: el verdadero desafío será determinar si esa adopción inicial se mantiene. Ese punto importa porque una cosa es probar un modelo nuevo y otra convertirlo en una pieza permanente de una arquitectura empresarial. La adopción temprana puede reflejar curiosidad, facilidad de acceso o una necesidad puntual. Su permanencia dependerá de que los desarrolladores encuentren suficientes casos de uso en producción. Jev estuvo disponible gratuitamente en AI Gateway hasta el 25 de septiembre, una ventana que también facilita que más equipos experimenten con el modelo. La señal de fondo, sin embargo, va más allá de un lanzamiento concreto. A medida que los agentes de IA empiezan a ejecutar acciones en lugar de limitarse a responder preguntas, la infraestructura necesita más mecanismos para decidir cuándo actuar, qué hacer y cuándo detenerse. En ese escenario, la próxima generación de sistemas empresariales podría depender tanto de modelos que generan respuestas como de modelos especializados en tomar las pequeñas decisiones que mantienen a esos sistemas funcionando. Otras informaciones: OpenAI reveló seis nuevos casos de "comportamiento inesperado o preocupante" en sus modelos

La inteligencia artificial ya dejó atrás la etapa experimental en buena parte del mundo corporativo. Sin embargo, un informe muestra una brecha entre adopción y resultados: casi 9 de cada 10 organizaciones utilizan IA en alguna función, pero apenas alrededor del 6% figura entre las empresas que consiguen un impacto significativo sobre sus resultados. La inteligencia artificial ya no necesita demostrar que puede entrar en las empresas. El problema para 2026 es otro: demostrar que puede quedarse y generar dinero. Según el compendio de estadísticas de IA publicado por Unico Connect y actualizado en junio de 2026, casi 9 de cada 10 organizaciones utilizan inteligencia artificial en al menos una función empresarial. Sin embargo, solo alrededor del 6% son consideradas organizaciones de alto desempeño capaces de atribuir una parte significativa de sus resultados a la tecnología. La distancia entre ambas cifras resume uno de los principales problemas de la economía de la IA. La adopción crece rápidamente, pero el valor financiero no lo hace al mismo ritmo. Los datos recopilados por Unico Connect muestran además que el 44% de las organizaciones ya reporta haber escalado la IA a nivel empresarial, frente al 38% un año antes. El porcentaje de organizaciones que utiliza IA en tres o más funciones también aumentó, de 51% a 56%. Sin embargo, solo 37% afirma que la tecnología ya contribuyó al EBIT, una proporción que prácticamente no cambió respecto al año anterior. El contraste es significativo: más áreas utilizan IA, más compañías la integran y más dinero se destina a ella, pero el impacto financiero sigue siendo mucho más difícil de conseguir. La paradoja del retorno de inversión El problema aparece con mayor claridad cuando se observa el rendimiento de los proyectos. La recopilación de Unico Connect señala que entre 80% y 95% de los proyectos de IA no consiguen entregar el retorno esperado, dependiendo de la métrica utilizada. MIT Project NANDA encontró que 95% de las organizaciones que desplegaron IA generativa no observaron un impacto medible sobre sus resultados financieros. RAND, por su parte, estimó que más de 80% de los proyectos empresariales de IA no alcanzan el valor comercial prometido. Gartner ofrece otra perspectiva: solo 28% de los casos de uso de IA en infraestructura y operaciones cumplen completamente las expectativas de retorno, mientras 20% fracasan de manera directa, según una encuesta a 782 líderes de infraestructura y operaciones. Además, Gartner estima que 60% de los proyectos de IA que no cuentan con datos preparados para IA serán abandonados durante 2026. El patrón que aparece detrás de estas cifras es menos espectacular que el discurso sobre modelos cada vez más inteligentes, pero probablemente más importante para las empresas: datos deficientes, integración débil y falta de conexión entre la tecnología y los procesos reales del negocio. Unico Connect señala también una diferencia relevante entre los modelos de desarrollo. Los proyectos de IA construidos con proveedores externos alcanzan una implementación exitosa aproximadamente el doble de veces que aquellos desarrollados exclusivamente de manera interna, con tasas de aproximadamente 67% frente a 33%. El dinero sigue entrando La falta de retorno no ha frenado el gasto. La previsión de Gartner citada por Unico Connect sitúa el gasto mundial en inteligencia artificial en aproximadamente $2,59 billones durante 2026, un incremento cercano al 47% interanual. Una estimación anterior de enero calculaba $2,52 billones, distribuidos aproximadamente entre $1,37 billones en infraestructura, $589.000 millones en servicios y $452.000 millones en software. Las estimaciones sobre el tamaño del mercado dependen de qué actividades se incluyan. Statista calcula el mercado global de IA en aproximadamente $618.000 millones en 2026, con un crecimiento cercano al 15% anual, mientras que el segmento de IA generativa alcanzaría unos $395.000 millones. La inversión corporativa también sigue creciendo. Cerca del 60% de las empresas invirtieron en IA durante 2025 y más del 80% esperaba hacerlo en 2026. La brecha entre compañías grandes y pequeñas es considerable: aproximadamente 30% de las grandes empresas planea presupuestos de IA superiores a $1 millón, frente a cerca de 1% de las pequeñas. El resultado es una economía peculiar: nunca se había destinado tanto capital a una tecnología cuyo retorno todavía resulta tan desigual. Los agentes elevan la apuesta El siguiente capítulo de la inversión corporativa es la IA agéntica. En las grandes organizaciones, la proporción que escala agentes de IA en al menos una función aumentó de 27% a 40% en un año, mientras que entre organizaciones pequeñas se mantuvo en 22%. Sin embargo, solo 15% de los líderes de aplicaciones de TI estaban considerando, pilotando o implementando agentes completamente autónomos, una señal de que la autonomía total todavía se encuentra en una fase temprana. Gartner proyecta que 40% de las aplicaciones empresariales incorporarán agentes de IA especializados en tareas durante 2026, frente a menos de 5% en 2025. Al mismo tiempo, más de 40% de los proyectos de IA agéntica podrían cancelarse antes de terminar 2027 debido a costos crecientes, falta de claridad sobre el valor empresarial o controles de riesgo insuficientes. La paradoja vuelve a aparecer. Las compañías están avanzando desde asistentes que responden preguntas hacia sistemas capaces de ejecutar tareas, pero cuanto mayor es la autonomía, más importante se vuelve demostrar que existe un beneficio económico suficiente para justificar el costo y el riesgo. La IA ya escribe código, pero los desarrolladores no confían plenamente en ella El desarrollo de software ofrece otra fotografía de la transformación. El 90% de los profesionales de software utiliza IA en su trabajo diario, 14 puntos porcentuales más que un año antes. El 84% de los desarrolladores utiliza o planea utilizar herramientas de IA, frente al 76% en 2024, y 51% las utiliza todos los días. GitHub había medido que aproximadamente 46% del código se construía con asistencia de Copilot entre los lenguajes analizados, cifra que llegaba a 61% entre desarrolladores de Java. Sin embargo, solo 29% de los desarrolladores confía en la precisión de los resultados generados por IA, frente a 40% en 2024, mientras 46% declara desconfiar activamente de ellos. Copilot alcanzó 20 millones de usuarios acumulados en 2025, mientras el conocimiento de Claude Code aumentó de 31% a mediados de 2025 a 57% a comienzos de 2026. La lección para las empresas es clara: que una herramienta sea utilizada masivamente no significa que pueda operar sin supervisión. Del laboratorio al balance financiero La expansión también puede observarse fuera del área tecnológica. En salud, aproximadamente 75% de las principales compañías experimentaba o escalaba IA generativa. En servicios financieros, 65% utilizaba IA activamente, frente a 45% anteriormente, y 42% utilizaba o evaluaba IA agéntica. Cerca de 89% de las organizaciones financieras consultadas reportaba simultáneamente incrementos de ingresos y reducciones de costos. En retail, 91% de las empresas había interactuado con IA, alrededor de 89% afirmaba que había contribuido a elevar los ingresos y 95% señalaba reducciones de costos. En telecomunicaciones, 60% utilizaba o evaluaba IA generativa, frente a 49% en 2024. En logística, en cambio, apenas alrededor de 10% de los proveedores había escalado IA en sus operaciones centrales, con el ROI y las brechas de capacidades entre las principales barreras. El comportamiento sectorial refuerza una idea: la pregunta no es simplemente cuánto utiliza una compañía la IA, sino dónde la utiliza, con qué datos, con qué procesos y bajo qué estructura de gobierno. La otra métrica de la revolución Mientras las empresas intentan demostrar el retorno financiero, la IA también está transformando el mercado laboral. El World Economic Forum proyecta que para 2030 podrían crearse 170 millones de puestos de trabajo y desplazarse 92 millones, para un saldo neto de aproximadamente 78 millones de nuevos empleos. Al mismo tiempo, se estima que 39% de las competencias centrales de los trabajadores cambiará para 2030 y que 59% de la fuerza laboral mundial necesitará algún tipo de actualización o reconversión de habilidades. En Estados Unidos, las habilidades relacionadas con IA aparecen ya en aproximadamente 2,5% de las ofertas laborales, un crecimiento de alrededor de 55% interanual, mientras las menciones a habilidades de IA agéntica aumentaron aproximadamente 280% en un año. Los trabajadores con habilidades de IA reciben, según PwC, una prima salarial cercana al 56%. Pero también existen señales de presión sobre los perfiles iniciales. El empleo de desarrolladores de software de entre 22 y 25 años cayó casi 20% desde su máximo de finales de 2022 hasta mediados de 2025, según los datos citados por Unico Connect. Una tecnología masiva con una economía todavía inmadura La adopción de IA generativa llegó a aproximadamente 53% de la población en tres años, más rápido que la computadora personal o internet. En Estados Unidos, alrededor de 61% de los adultos utilizó IA durante los seis meses anteriores y casi uno de cada cinco lo hizo diariamente. Sin embargo, 50% de los estadounidenses afirma sentirse más preocupado que entusiasmado por la IA, frente a solo 10% que expresa lo contrario, y 71% de los consumidores manifiesta preocupación por el uso que la IA generativa hace de su información. La escala de uso también está cambiando la distribución de información. ChatGPT alcanzó aproximadamente 900 millones de usuarios activos semanales a comienzos de 2026, cerca del doble que un año antes. Los AI Overviews de Google aparecen en aproximadamente 48% de las búsquedas monitoreadas, un crecimiento cercano al 58% interanual, y alcanzan a más de 2.000 millones de usuarios mensuales. Incluso la forma en que las empresas producen contenido empieza a cambiar: añadir estadísticas, citas o fuentes puede aumentar hasta 30% o 40% la visibilidad de un contenido en respuestas generativas, mientras que las estadísticas por sí solas aportan alrededor de 26% según el estudio citado por Unico Connect. El dato que atraviesa toda esta transformación, sin embargo, permanece intacto: casi nueve de cada diez organizaciones ya utilizan IA, pero solo cerca de 6% consigue capturar un valor empresarial significativo. En otras palabras, la industria ya resolvió la pregunta de si las empresas adoptarán inteligencia artificial. La cuestión decisiva de 2026 es mucho más incómoda: cuántas conseguirán convertir esa adopción en resultados financieros sostenibles. Y por ahora, las cifras muestran que utilizar IA y crear valor con ella siguen siendo dos cosas muy diferentes. Podría interesarle: La carrera de la IA: la frontera es económica

El país registra un 29,7% de uso de inteligencia artificial generativa entre la población en edad laboral, la cifra más alta de la región en el segundo trimestre de 2026, de acuerdo al nuevo Global AI Diffusion Report de Microsoft. El dato coloca a Costa Rica por encima de Colombia (25,9%) y República Dominicana (25,8%), los siguientes países de la región en la medición. También aparecen Uruguay (25,7%), Jamaica (25,0%), Panamá (24,2%), Chile (24,0%), Argentina (23,4%), México (21,4%), Ecuador (20,3%) y Brasil (20,2%). En Centroamérica, El Salvador registra 20,1%, Guatemala 17,3%, Honduras 14,5%, Nicaragua 12,5% y Panamá 24,2%. En el caso costarricense, además, la cifra viene creciendo: pasó de 28,5% en el primer trimestre a 29,7% en el segundo trimestre, un incremento de 1,2 puntos porcentuales. Esto significa que el país no solo se encuentra a la cabeza de la región en esta medición, sino que también continúa aumentando su nivel de uso. El dato adquiere mayor relevancia al compararlo con el promedio global. Microsoft calcula que en junio de 2026 la IA generativa había sido utilizada por 18,8% de la población mundial de entre 15 y 64 años, frente a 17,8% en el primer trimestre. La medición se basa en telemetría agregada y anonimizada de Microsoft y se ajusta por factores como penetración de internet, participación de sistemas operativos y dispositivos, y población. El informe también ofrece una lectura interesante sobre cómo se está utilizando la IA en distintas partes del mundo. Microsoft encuentra una brecha creciente entre el Global North y el Global South: en el segundo trimestre, el uso llegó a 28,8% en el Global North frente a 16,2% en el Global South. La diferencia aumentó a 12,6 puntos porcentuales, desde 12,1 puntos en el primer trimestre. Pero el informe no se queda únicamente en cuánto se utiliza la IA, sino que analiza también para qué se está utilizando. En el Global South, las conversaciones relacionadas con aprendizaje autodirigido y desarrollo de habilidades representan una proporción 29,2% mayor que en el conjunto global, mientras que el trabajo escolar y el apoyo académico tienen una participación 32,3% mayor. Microsoft advierte, eso sí, que estos resultados corresponden a los usuarios que ya están utilizando IA y que las diferencias demográficas, incluida una población más joven en el Global South, pueden explicar al menos parte de este patrón. Le puede interesar: ¿Está Guatemala preparada para competir en la nueva economía digital?

El gigante y sus socios fabricantes abrirán la nueva categoría de computadoras portátiles el mes próximo en Estados Unidos. Habrá cinco modelos, con procesadores Snapdragon X Elite o Intel Core Ultra Series 3, pantallas OLED y una fuerte integración con Gemini y Android. Google quiere volver a cambiar las reglas de sus computadoras portátiles. Esta vez no lo hace con otra generación de Chromebooks, sino con una nueva categoría bautizada Googlebooks, equipos basados en Android que buscan combinar hardware premium, aplicaciones locales y herramientas de inteligencia artificial. Los primeros cinco modelos estarán disponibles en Estados Unidos el 4 de octubre de 2026, mientras que Canadá, Reino Unido, Irlanda, Francia, Alemania y Australia tendrán su lanzamiento un día más tarde. La entrada a la nueva categoría comienza en US$899, pero ese precio corresponde únicamente al Acer Googlebook 14. Los otros cuatro modelos parten de US$1.199 o US$1.299, lo que coloca a Googlebooks directamente en territorio de laptops premium. El movimiento también marca una ruptura con la imagen tradicional de los Chromebooks. Googlebooks tendrán construcciones metálicas, pantallas OLED, grandes trackpads hápticos y una nueva barra luminosa llamada Glowbar, ubicada en la tapa. Inicialmente, la barra muestra información como el estado de la batería y el arranque del equipo, aunque Google planea publicar una API para que los desarrolladores puedan añadirle funciones. Cinco computadoras para una nueva categoría La primera generación estará integrada por cinco equipos. El Acer Googlebook 14, desde $899, incorpora Intel Core Ultra 5 o 7, 16 GB de RAM, almacenamiento desde 256 GB y una pantalla OLED táctil de 14 pulgadas, resolución 2.8K y brillo de 500 nits. Tiene un grosor de 13,9 mm, pesa 2,7 libras (1,22 kg) y utiliza un chasis de aluminio y magnesio. El Dell XPS Googlebook, desde US$1.199, utiliza Snapdragon X Elite, ofrece entre 16 y 32 GB de RAM, almacenamiento desde 512 GB y una pantalla táctil de 13,4 pulgadas, resolución 2.5K y 500 nits. Mide 12,5 mm y pesa 2,5 libras (1,13 kg). El HP Googlebook 14, desde $1.299, también utiliza Snapdragon X Elite y ofrece 16 o 32 GB de RAM, almacenamiento desde 256 GB y una pantalla OLED táctil de 14 pulgadas, 2.8K y 500 nits. Tiene un grosor de 14 mm y pesa 2,7 libras (1,22 kg). El Lenovo Googlebook 15, también desde US$1.299, utiliza Intel Core Ultra 5, ofrece 16 GB de RAM y almacenamiento desde 256 GB. Su pantalla OLED táctil mide 15,3 pulgadas, tiene resolución 2.8K y el equipo pesa 2,68 libras (1,22 kg). Finalmente, el Asus Googlebook 14, desde US$1.299, ofrece Intel Core Ultra 5 o 7, entre 16 y 32 GB de RAM, almacenamiento desde 256 GB y una pantalla OLED táctil de 14 pulgadas, resolución 3K y 500 nits. Con 14 mm de grosor, es el más ligero de los cinco, con 2,2 libras (1 kg). El Acer es además el único convertible de la primera generación. La diferencia de precio entre este modelo y el Dell es de US$300, mientras que los otros tres equipos cuestan US$100 más que el Dell en sus configuraciones iniciales. Android se muda al escritorio El argumento tecnológico de Googlebooks no está solamente en el hardware. Google intenta resolver uno de los problemas históricos de sus plataformas para computadoras: la disponibilidad de software diseñado realmente para pantallas grandes. A diferencia de ChromeOS, los nuevos equipos comparten la base de software de Android. Eso significa que las aplicaciones Android pueden ejecutarse de manera nativa, mientras Google trabaja para aumentar el número de aplicaciones optimizadas para laptops. También habrá una versión de Chrome de categoría de escritorio instalada de fábrica. El Play Store identificará las aplicaciones y juegos optimizados para pantallas grandes. La integración con teléfonos Android constituye otro de los argumentos principales. Con Cast My Apps, las aplicaciones instaladas en un teléfono Android pueden aparecer directamente en el Googlebook. El sistema también permite acceder desde la computadora a los archivos almacenados en el teléfono. Otra función, Continue On, permite retomar en el Googlebook una actividad iniciada en el teléfono, aunque requiere soporte específico de los desarrolladores. Para usuarios que ya viven dentro del ecosistema Android, Google está intentando convertir esa continuidad entre dispositivos en una razón para elegir una computadora que no sea simplemente otra laptop. IA integrada en cada capa La inteligencia artificial ocupa un lugar central en la nueva estrategia. Los Googlebooks incorporarán modelos Gemini capaces de trabajar sobre el contexto que aparece en pantalla. Una de las funciones más llamativas es Magic Pointer, que permite activar Gemini moviendo el cursor y utilizarlo sobre elementos visibles. Por ejemplo, Google plantea que el usuario pueda señalar un correo electrónico o un PDF con fechas y pedir a Gemini que las incorpore al calendario. También puede utilizarse para analizar un correo sospechoso o editar y generar imágenes sin necesidad de descargar archivos previamente. Los equipos también incorporarán Rambler, una herramienta de entrada de voz que permite dictar texto en distintos campos y utilizar IA para realizar correcciones. Para desarrolladores, la apuesta es todavía más profunda. Los Googlebooks incluirán Antigravity, que permitirá encargar tareas de desarrollo a agentes capaces de construir, probar y desplegar aplicaciones. También habrá un entorno de terminal completo para herramientas como Claude CLI y Antigravity CLI. La combinación revela la ambición de Google: el Googlebook no quiere ser solamente un dispositivo para consumir aplicaciones Android, sino también una máquina desde la cual crear software utilizando agentes de inteligencia artificial. Podría interesarle: Anthropic incorpora a Accenture para evaluar sus modelos mientras pide desacelerar la carrera de la IA

El servicio genera trazabilidad total desde el sensor hasta la nube, eliminando el greenwashing y allanando el camino hacia certificaciones como ISO 50001 y LEED. En una sucursal bancaria, el monitoreo activo logró una reducción del 25% en consumo energético sin intervención física en la infraestructura. Las organizaciones invierten en paneles solares, certificaciones ambientales y compromisos de carbono neutral, pero la mayoría toma decisiones de eficiencia energética con datos incompletos, proyecciones y buenas intenciones. El resultado es un vacío entre lo que se reporta y lo que realmente se consume. GBM presenta Proton, un servicio gestionado que cierra esa brecha con tecnología IoT y inteligencia artificial. Proton opera en cuatro etapas: dispositivos con sensores inalámbricos que miden temperatura, humedad relativa y concentración de CO₂; conectividad de larga distancia (una sola antena cubre un radio de 2 kilómetros, escalando de un sensor a miles); procesamiento en nube nativa; e inteligencia artificial que genera dashboardspersonalizados, reportes en tiempo real y alertas automáticas ante anomalías de consumo. La instalación es no intrusiva: sin cableado, sin romper paredes y sin tocar la red corporativa. Un equipo completo está operativo en menos de 5 minutos. Las baterías de larga duración eliminan dependencia de fuentes de energía externas, y el escaneo de un código QR da acceso inmediato al dashboard en vivo. “El mayor desafío de las organizaciones no es voluntad para ser sostenibles, sino datos confiables para serlo de verdad. Proton transforma la incertidumbre en evidencia, y la evidencia en decisiones que generan un ahorro real”, explica Greivin Granados, Sustainability and Energy Management Specialist en GBM. El impacto ya está documentado. En una sucursal bancaria, GBM midió subsistemas de aire acondicionado, iluminación, cajeros y equipo de cómputo durante un período de monitoreo activo. El ajuste de termostatos de 22 °C a 24 °C redujo la carga pico de 15 kW a 9.3 kW. El apagado programado de iluminación nocturna la llevó a 2 kW. El resultado: 25% de reducción energética sostenible con eliminación de consumos fantasma y estabilización de la demanda. Los registros son inmutables y automatizados desde el sensor hasta la nube, lo que protege a las organizaciones frente a acusaciones de greenwashing y entrega evidencia sólida para auditores. Proton está diseñado para operaciones críticas y espacios donde el desperdicio energético suele ser invisible: banca, salud, retail, data centers, hospitales, edificios inteligentes, servicios públicos y agricultura. “Cuando una organización puede demostrar con datos exactos cuánto consume, cuánto ahorra y cuánto reduce su huella, la sostenibilidad deja de ser un discurso y pasa a ser un diferenciador competitivo”, finalizó Granados. GBM propone comenzar con una auditoría preliminar en planta, seguida de una Prueba de Concepto no intrusiva para mapear las fugas invisibles de energía y capital. El primer paso es saber cuánto se está dejando sobre la mesa. Le puede interesar: Cómo los agentes de IA, los robots y el costo de los tokens cambiarán las reglas en las empresas