Gartner proyecta una transformación empresarial que va mucho más allá de los asistentes de IA. Para 2030, más de 10.000 millones de agentes autónomos podrían interactuar con servicios públicos, 80% de los trabajadores de primera línea de compañías internacionales podrían trabajar con sistemas de IA física y 80% de las organizaciones con IA pública podrían sufrir ataques diseñados para disparar sus costos de inferencia. La próxima transformación de la inteligencia artificial no llegará solamente en forma de mejores chatbots. Gartner anticipa un escenario en el que los agentes autónomos, los robots, las aplicaciones creadas para durar meses y hasta la factura por cada token modificarán la manera en que las compañías operan. Las predicciones abarcan el período entre 2027 y 2030 y describen una economía empresarial en la que la IA deja de ser una herramienta aislada para convertirse en una capa transversal de operaciones, software, infraestructura, seguridad y gobierno corporativo. Daryl Plummer, distinguished vice president analyst y Gartner Fellow, resumió la magnitud del cambio al señalar que sistemas que hoy se consideran normales, desde servicios públicos hasta software, energía y modelos de fuerza laboral, serán transformados fundamentalmente por la IA durante la próxima década. La consecuencia para las empresas es clara: la pregunta ya no será solamente dónde implementar inteligencia artificial, sino cómo gobernar una organización en la que la IA se multiplica por todas partes. Uno de los pronósticos más llamativos de Gartner señala que para finales de 2030 habrá más de 10.000 millones de agentes autónomos creados por personas, empresas y gobiernos. Estos agentes podrán identificar oportunidades, determinar elegibilidad y presentar solicitudes en nombre de los usuarios con una intervención humana mínima. El problema será la escala. Millones de agentes que actúan simultáneamente pueden multiplicar solicitudes, transacciones, reclamaciones y consultas hasta ejercer una presión inédita sobre los sistemas públicos. Gartner recomienda modernizar la infraestructura digital, reforzar los mecanismos de verificación y preparar a las instituciones para un volumen mucho mayor de interacciones mediadas por IA. La cifra cambia la conversación sobre los agentes. Hasta ahora, buena parte del debate empresarial se ha concentrado en cuánto trabajo puede automatizar un agente. Gartner introduce otra pregunta: qué ocurre cuando todos los agentes automatizados empiezan a interactuar con las mismas infraestructuras. El problema deja de ser exclusivamente de productividad. Pasa a ser también de capacidad. La IA también está creando una categoría de ataque que tiene una característica peculiar: el objetivo no es necesariamente robar información o bloquear un sistema, sino hacer que la víctima gaste dinero. Gartner denomina a esta amenaza "cost exhaustion attack", un ataque diseñado para provocar un consumo excesivo de IA y elevar deliberadamente los costos operativos. En la práctica, un sistema público de IA podría ser sometido a grandes cantidades de consultas, procesos o solicitudes que disparen el consumo de tokens y, por tanto, la factura de inferencia. Gartner prevé que para 2030, 80% de las organizaciones que tengan IA expuesta al público habrán experimentado un ataque de este tipo. La recomendación supone un cambio conceptual para los equipos de seguridad: el consumo de tokens y los patrones de utilización de IA deberán tratarse también como indicadores de ciberseguridad. La factura del modelo dejará de ser solamente un asunto de finanzas o tecnología. Podría convertirse en una superficie de ataque. Otra predicción rompe con una de las premisas tradicionales del software empresarial: que una aplicación debe ser diseñada para permanecer durante años. Gartner anticipa que para 2029, 80% de las nuevas aplicaciones serán deliberadamente desechables, utilizadas durante menos de un año. La razón es la democratización del desarrollo mediante IA. Si un empleado puede describir una necesidad y utilizar inteligencia artificial para crear rápidamente una aplicación que la resuelva, el incentivo para mantener herramientas permanentes disminuye. Una empresa podría crear una aplicación para solucionar un proceso específico durante seis meses y descartarla cuando el problema desaparezca o cambie. El beneficio es velocidad. El desafío es gobierno. Cada aplicación temporal puede tocar datos corporativos, procesos financieros, información de clientes o decisiones relevantes. Por eso Gartner advierte de nuevos riesgos en seguridad, cumplimiento, gestión de registros y gobernanza. La paradoja es interesante: cuanto más fácil resulte crear software, más difícil puede resultar saber exactamente cuánto software existe dentro de una organización. Otras informaciones: Destilación de IA: Autoridades estadounidenses advierten a empresas chinas

La inteligencia artificial está entrando en una nueva etapa. Durante años, buena parte de sus aplicaciones se centró en responder preguntas, generar contenido, reconocer patrones o realizar predicciones a partir de grandes cantidades de datos. Ahora comienza a tomar fuerza un enfoque diferente: sistemas capaces de recibir un objetivo, organizar las tareas necesarias para alcanzarlo y ejecutar una secuencia de acciones con una intervención humana más limitada. Son los denominados agentes de inteligencia artificial. Por Fabiola Montero, Profesora de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá La diferencia puede parecer aparentemente menor, pero representa un cambio importante. Un asistente tradicional suele esperar una instrucción y responder a ella. Un agente, en cambio, puede interpretar un objetivo, dividirlo en tareas, seleccionar las herramientas que necesita, analizar los resultados obtenidos y continuar con el siguiente paso. La IA deja así de ser únicamente un sistema que responde para convertirse en una tecnología capaz de participar activamente en la ejecución de un proceso. Este cambio resulta especialmente relevante en el ámbito de la ciencia de datos. El trabajo con información implica numerosas etapas: obtener los datos, limpiarlos, explorarlos, identificar patrones, construir modelos, evaluar resultados y comunicar los hallazgos. Muchas de estas actividades requieren tiempo y pueden involucrar tareas repetitivas. Los agentes de IA pueden asumir parte de este flujo de trabajo y actuar como asistentes capaces de encadenar diferentes operaciones. Por ejemplo, ante una solicitud de análisis, un agente podría identificar las fuentes de información disponibles, consultar una base de datos, preparar los datos, realizar un análisis exploratorio, generar visualizaciones y elaborar un informe preliminar. La diferencia fundamental es que estas acciones no necesariamente se ejecutan como instrucciones independientes, sino como partes de un proceso orientado hacia un objetivo. Para funcionar de esta manera, los agentes combinan varias capacidades. Primero necesitan comprender el contexto y la información disponible. Después deben establecer una estrategia para resolver el problema y seleccionar las acciones apropiadas. Finalmente, necesitan interactuar con herramientas externas para ejecutar esas acciones. Estas herramientas pueden incluir bases de datos, aplicaciones empresariales, sistemas de búsqueda, lenguajes de programación o plataformas de análisis. Esta capacidad de interacción amplía considerablemente el campo de aplicación de la inteligencia artificial. En una organización, por ejemplo, un agente podría consultar información de diferentes sistemas y preparar un reporte; en investigación científica podría ayudar a localizar y organizar literatura especializada; en ciberseguridad podría analizar eventos y priorizar posibles amenazas; y en entornos industriales podría supervisar información procedente de sensores y activar determinados procesos cuando detecte condiciones específicas. Uno de los principales atractivos de este enfoque es la posibilidad de automatizar procesos completos y no solamente tareas individuales. Esto puede reducir el tiempo dedicado a actividades operativas y permitir que los profesionales concentren sus esfuerzos en aspectos que requieren interpretación, creatividad y conocimiento del contexto. Sin embargo, una mayor autonomía también implica nuevos riesgos. Cuando un sistema ejecuta varias acciones de manera consecutiva, un error en una de las primeras etapas puede afectar todo el proceso. Además, una decisión incorrecta puede no ser evidente hasta después de que el agente haya realizado varias operaciones. Por esta razón, la supervisión humana continúa siendo necesaria, especialmente cuando las acciones pueden tener consecuencias relevantes. La calidad de los datos también adquiere una importancia crítica. Los agentes pueden procesar información con gran rapidez, pero esa velocidad no garantiza que los resultados sean correctos. Datos incompletos, desactualizados o sesgados pueden conducir a conclusiones equivocadas. En consecuencia, los principios tradicionales de la ciencia de datos (calidad, validación, seguimiento de los procesos y adecuada gestión de la información) siguen siendo fundamentales en esta nueva etapa. Otro desafío es determinar hasta dónde debe llegar la autonomía. No todas las decisiones tienen el mismo nivel de riesgo. Automatizar la elaboración de un reporte interno no plantea las mismas consideraciones que permitir que un sistema tome decisiones relacionadas con créditos, tratamientos médicos, contratación de personal o servicios públicos. En estos contextos, establecer límites, mecanismos de aprobación y registros de las acciones realizadas resulta esencial. La aparición de agentes también está modificando el perfil de los profesionales de tecnología y ciencia de datos. El conocimiento técnico seguirá siendo importante, pero deberá complementarse con nuevas capacidades: diseñar flujos de trabajo para agentes, seleccionar las herramientas adecuadas, verificar resultados, controlar permisos y evaluar los riesgos asociados a la automatización. Esto significa que la evolución de la IA no necesariamente conduce a la desaparición del profesional, sino a una transformación de sus responsabilidades. A medida que las máquinas asuman más tareas operativas, aumentará el valor de las capacidades humanas relacionadas con el criterio, la interpretación, la creatividad y la comprensión del contexto. También comienza a surgir un escenario en el que varios agentes especializados pueden colaborar para resolver un mismo problema. Uno podría encargarse de obtener información, otro de analizarla y otro de generar los resultados para el usuario. Esta coordinación abre nuevas posibilidades, pero al mismo tiempo aumenta la necesidad de establecer mecanismos que permitan controlar qué hace cada agente, qué información puede utilizar y cómo se validan sus acciones. Los agentes de IA representan un cambio significativo en la forma en que interactuamos con estas tecnologías. El salto no consiste únicamente en generar respuestas más sofisticadas, sino en pasar de sistemas que esperan instrucciones a sistemas capaces de organizar y ejecutar acciones orientadas a objetivos. El verdadero potencial de esta nueva etapa estará en utilizar esa autonomía de manera responsable. Los agentes pueden convertirse en colaboradores digitales capaces de asumir procesos complejos y liberar tiempo para que las personas se concentren en actividades de mayor valor. Pero para que esa transformación genere confianza, la autonomía deberá avanzar acompañada de supervisión, transparencia y criterios claros sobre cuándo y cómo delegar una decisión a una máquina. Le puede interesar: Más allá de los grandes modelos: el desafío de la eficiencia en la IA

La empresa eligió a la consultora como su primer evaluador integrado independiente para someter sus modelos a pruebas de seguridad, evaluar su alineamiento y poner a prueba sus salvaguardas. Ambas compañías prevén invertir al menos US$1.000 millones cada una durante cinco años, mientras la industria debate si la velocidad de desarrollo de la inteligencia artificial está superando la capacidad de controlarla. La carrera por construir modelos de inteligencia artificial cada vez más capaces está abriendo una discusión incómoda dentro de la propia industria: qué ocurre cuando la tecnología avanza más rápido que los mecanismos creados para evaluarla. Anthropic acaba de convertir esa preocupación en una iniciativa concreta. La compañía seleccionó a Accenture como su primer evaluador integrado, una figura que tendrá acceso comparable al de un empleado para analizar sus modelos desde dentro de la organización. El acuerdo contempla que ambas compañías inviertan al menos US$1.000 millones cada una durante los próximos cinco años, lo que eleva a un mínimo de US$2.000 millones el compromiso conjunto para desarrollar capacidades relacionadas con la seguridad y evaluación de IA. La alianza llega pocos días después de que Dario Amodei, CEO de Anthropic, planteara un esquema de tres pasos para desacelerar el desarrollo de los sistemas más avanzados y crear mecanismos de seguridad antes de que su evolución vuelva más difícil su supervisión. Cointelegraph señala que la propuesta fue publicada el 12 de septiembre de 2026. El primer paso de esa propuesta consiste precisamente en incorporar evaluadores independientes con acceso similar al de los trabajadores internos. La lógica es distinta a una auditoría convencional: en lugar de recibir un producto terminado y analizarlo desde afuera, los evaluadores trabajarían dentro de la compañía, con acceso a los procesos y sistemas necesarios para identificar riesgos que podrían quedar ocultos en una revisión externa. Accenture realizará esta tarea a través de Faculty, su negocio especializado en inteligencia artificial. El equipo tendrá tres responsabilidades principales: evaluar y someter a pruebas adversariales los modelos de Anthropic, realizar evaluaciones de alineamiento y probar las salvaguardas diseñadas para evitar comportamientos no deseados. El concepto de red teaming resulta especialmente relevante. En seguridad informática, esta práctica consiste en intentar encontrar deliberadamente las debilidades de un sistema. Aplicada a modelos de IA, significa buscar comportamientos inesperados, vulnerabilidades o formas en que un modelo pueda eludir las restricciones que sus desarrolladores intentaron establecer. Anthropic reconoce que el modelo de evaluación integrada todavía es nuevo y que varios detalles operativos están en desarrollo. La compañía también admite que actualmente no existe un sistema establecido para financiar de manera permanente este tipo de evaluaciones independientes. Por eso, aunque considera que a largo plazo podrían intervenir fondos colectivos o gobiernos, decidió financiar directamente el trabajo de Accenture ante la urgencia que atribuye al problema. El acuerdo tampoco es exclusivo. Anthropic anticipa que anunciará otros evaluadores durante las próximas semanas, una señal de que la compañía no plantea la relación con Accenture como un mecanismo único de supervisión. La preocupación central de Amodei está vinculada con la posibilidad de que los propios sistemas de IA comiencen a acelerar el desarrollo de las generaciones posteriores de modelos. En su propuesta, el CEO de Anthropic describió este fenómeno como recursive self-improvement, o mejora recursiva: la capacidad creciente de la IA para contribuir a la construcción de la siguiente generación de inteligencia artificial. Su advertencia es que, si este proceso queda sin controles suficientes, la velocidad de avance podría superar la capacidad humana para comprender y controlar los sistemas. La discusión ya divide a algunos de los principales actores tecnológicos. Sam Altman, CEO de OpenAI, y Elon Musk respondieron favorablemente a la propuesta de Amodei, mientras que Jensen Huang, CEO de Nvidia, cuestionó la necesidad de una regulación orientada a desacelerar el desarrollo. Ese desacuerdo revela una tensión estructural del mercado. Por un lado, los laboratorios compiten por desarrollar modelos más capaces, con mayores niveles de autonomía y capacidad para ejecutar tareas complejas. Por otro, esos mismos avances están haciendo más relevante la pregunta de quién verifica que esos sistemas sean seguros. Reuters reportó que el acuerdo entre Anthropic y Accenture contempla una inversión conjunta de al menos US$2.000 millones durante cinco años y llega en un contexto de creciente preocupación por comportamientos inesperados de agentes de IA y por la necesidad de mecanismos de evaluación más independientes. Lea también: La IA abarató el código, pero encareció el software empresarial

El siguiente salto del país no estará solo en adoptar más tecnología, sino en lograr que conectividad, nube,datos, ciberseguridad y operación continua funcionen como un solo sistema, con la resiliencia necesaria para evitar que una falla detenga el negocio. Según datos presentados por Liberty Networks haciendo referencia al DataReportal de Kepios, 11,6 millones de guatemaltecos usaban internet al cierre de 2025, equivalente al 62% de la población, mientras que 7,14 millones permanecía fuera de línea. El país registra 20,6 millones de conexiones móviles y 92% de cobertura 4G, pero apenas 5,08 suscripciones de banda ancha fija por cada 100 habitantes. El avance ha sido rápido gracias al acceso móvil; la siguiente etapa exige fortalecer la infraestructura fija, la redundancia y la calidad de la infraestructura que sustenta las operaciones críticas. “Guatemala ya dio pasos importantes para ampliar el acceso y acelerar la adopción digital. La siguiente etapa consiste en lograr que esa base se traduzca en continuidad, productividad y mejores servicios. Hoy una interrupción tecnológica puede detener pagos, ventas, logística, atención al cliente y servicios esenciales al mismo tiempo. Por eso, la resiliencia debe diseñarse antes de que ocurre la falla”, resaltó Carlos Mejívar, Country Manager de El Salvador y Guatemala. El impacto económico también es tangible. El comercio electrónico guatemalteco se proyecta en US$2,18 mil millones en 2025, de acuerdo con Statista. Para las empresas, uno de los retos menos visibles es la fragmentación. Una empresa puede tener conectividad con un proveedor, nube con otro, ciberseguridad con un tercero, centro de datos con un cuarto y una alternativa satelital con un quinto. Mientras todo funciona , el modelo puede operar sin problemas. La diferencia se ve cuando algo falla: cinco contratos, cinco acuerdos de servicio y cinco mesas de soporte puede convertir una incidencia técnica en un problema de coordinación, justo cuando cada minuto cuenta. “La diferencia entre adoptar tecnología y convertirla en valor está en la integración. La inteligencia artificial, la nube o la automatización necesitan datos, conectividad, seguridad, capacidad de cómputo y una operación que responsa como un solo sistema. En un incidente, la resiliencia no depende de cuántas herramientas se compraron, sino de qué tan rápido pueden coordinarse todas las capas para mantener el negocio funcionando”, resaltó Juan David Corre, director de Tecnología de la Información y las Comunicaciones (TIC) de Liberty Networks. Guatemala ya demostró que puede acelerar la adopción digital. La próxima ventaja competitiva no se medirá por cuántas tecnologías compren sus empresas o instituciones, sino por cuántas puedan mantener funcionando al mismo tiempo, incluso cuando algo falle. En una economía donde una interrupción puede detener pagos, ventas, atención, logísticas o servicios públicos en segundos, la infraestructura deja de ser soporte y se convierte en competitividad. Y la capacidad de integrar conectividad, cómputo, nube, seguridad y operación bajo una misma visión deja de ser una comodidad: se vuelve una condición para crecer. Le puede interesar: El Festival IA tendrá su segunda escala en México y llega a Ciudad Juárez

Los incidentes involucraron modelos que alteraron sus propias instrucciones, utilizar claves API expuestas sin autorización e inventar datos, entre otros. En medio de una creciente preocupación por la seguridad y la gobernanza en la inteligencia artificial, OpenAI hizo públicos seis nuevos incidentes de lo que llamaron "comportamiento inesperado o preocupante" en sus modelos de lenguaje y agentes. La publicación de estos informes los acompañaron con una propuesta para un marco sistemático para estructurar cómo la industria debe divulgar las fallas de alineación. El desarrollador busca crear una vía estandarizada y abierta a la revisión pública. Los casos expuestos por OpenAI evidencian diversos escenarios donde los agentes sobrepasaron sus límites operativos para cumplir una tarea o alterar su propio flujo de trabajo: Modificación de resúmenes (Casos 1 y 2): Un modelo no lanzado alteró sus propias instrucciones internas en 27 ocasiones para ignorar restricciones de seguridad. Por su parte, el modelo GPT-5.6 Sol modificó resúmenes de contexto durante su entrenamiento para ocultar errores ante los evaluadores. Obtención y filtración de datos (Casos 3 y 4): Ante una consulta financiera, un modelo buscó y utilizó claves API expuestas sin autorización; al no lograr obtener la información, inventó los datos. En otro evento, tras resolver un cálculo mediante Python, un modelo subió de manera autónoma un archivo a internet para poder citarlo como fuente. Uso no autorizado de plataformas externas (Casos 5 y 6): En dos incidentes separados, varios agentes coordinaron el uso de repositorios de software y sitios públicos de alojamiento de archivos para comunicarse y transferir datos en línea, ignorando las instrucciones explícitas de operar de forma estrictamente local. La propia OpenAI reconoció que las soluciones actuales de alineación son insuficientes ante el avance acelerado de los modelos y la falta de supervisión externa. "Las decisiones sobre cómo debe avanzar el desarrollo de la IA en los próximos meses y años deben basarse en evidencia que personas ajenas a las empresas que crean modelos de frontera puedan examinar por sí mismas", afirmó la empresa. El nuevo protocolo propuesto por OpenAI permitirá a cualquiera de sus empleados reportar una falla para su investigación. De aprobarse su divulgación, el informe público detallará el impacto del incidente, la forma en que se detectó y las acciones de mitigación adoptadas, con el fin de sentar las bases de un estándar abierto para toda la industria tecnológica. “En este momento, no existe un marco para toda la industria con estándares explícitos sobre cómo los desarrolladores de IA deben divulgar ejemplos de desalineación en sus modelos", añadió la publicación. Open AI señaló que esperan que este marco sea un primer paso para crear dichos estándares. Le puede interesar: La IA abarató el código, pero encareció el software empresarial

La promesa era que la inteligencia artificial reduciría drásticamente el costo de desarrollar software. Pero está ocurriendo algo más complejo: el precio de la inteligencia cayó, pero el consumo de inferencia, la complejidad de los sistemas y las nuevas expectativas empresariales están empujando los costos en la dirección contraria. Durante años, una de las grandes promesas de la inteligencia artificial aplicada al desarrollo de software fue sencilla: si una máquina puede escribir código en una fracción del tiempo que necesita un programador, entonces construir software debería ser mucho más barato. Pero la economía del software está tomando otro camino. Un análisis del arquitecto de software Gal Ratner plantea una paradoja: el costo de producir inteligencia artificial cayó de manera extraordinaria, mientras que las facturas asociadas al software y a las herramientas de desarrollo están aumentando. Su tesis parte de una observación concreta: el código nunca fue tan rápido de producir y, al mismo tiempo, los sistemas empresariales nunca fueron tan costosos de operar. El punto central no es que la IA haya fracasado en aumentar la productividad. Al contrario: la productividad efectivamente se multiplicó. El problema es que esa eficiencia está siendo absorbida por una combinación de mayor consumo, mayor alcance de los productos y una nueva estructura de costos basada en inferencia. El código se volvió barato. El software, no necesariamente Uno de los argumentos habituales alrededor de la IA es que si construir una aplicación pasa de requerir dos meses a dos días, el precio de esa aplicación debería caer proporcionalmente. Ratner cuestiona esa relación entre costo de producción y precio final. El software, recuerda, nunca fue realmente valorado en función de las horas necesarias para escribirlo. Una copia adicional de Windows prácticamente no tenía costo de fabricación, pero eso nunca significó que Microsoft tuviera que regalarla. La industria ya atravesó varias revoluciones de productividad. Compiladores, Visual Basic, Ruby on Rails y posteriormente la nube redujeron drásticamente el tiempo o el costo necesario para construir y desplegar software. Sin embargo, los precios no siguieron necesariamente esa misma trayectoria. La explicación está en el aumento del alcance. Una aplicación empresarial actual no es simplemente código que ejecuta una función. Los clientes esperan single sign-on, controles de acceso, auditoría, APIs, sincronización en tiempo real, certificaciones de seguridad, disponibilidad elevada, residencia de datos y múltiples integraciones. En ese contexto, una aplicación que puede construirse en dos días no necesariamente reemplaza al sistema empresarial que antes requería dos meses. Son productos diferentes. La paradoja de los tokens Aquí aparece una de las principales conclusiones del análisis. El costo de una unidad de inteligencia se desplomó. Ratner cita estimaciones según las cuales el precio necesario para obtener un determinado nivel de capacidad cayó hasta varios órdenes de magnitud en pocos años. Como referencia, menciona que GPT-4 comenzó con un precio de US$30 por millón de tokens de entrada y US$60 por millón de tokens de salida, mientras que modelos posteriores alcanzaron costos muy inferiores para capacidades comparables. Pero el abaratamiento de cada unidad no significó una reducción equivalente de la factura total. La razón es el aumento del consumo. Ratner utiliza el concepto de paradoja de Jevons, según el cual una mejora en la eficiencia de un recurso puede provocar un aumento, y no una disminución, de su consumo total. En el caso de la IA, cuanto más barata se vuelve la inferencia, más usos aparecen y más tareas se delegan a los modelos. El resultado es una ecuación aparentemente contradictoria: el precio de la inteligencia cae, pero la cantidad de inteligencia consumida crece todavía más rápido. El análisis cita, por ejemplo, estimaciones de The Information sobre costos de inferencia de OpenAI en 2025 cercanos a US$8.400 millones, aproximadamente cuatro veces el año anterior. También menciona estimaciones de Menlo Ventures que sitúan el gasto empresarial en APIs de modelos en US$8.400 millones, frente a US$3.500 millones seis meses antes. La eficiencia, en lugar de convertirse directamente en ahorro, está financiando más inferencia. El fin del software de costo marginal casi cero La transformación más profunda puede estar ocurriendo en la estructura económica del software. Durante décadas, una de las características fundamentales del negocio fue su costo marginal prácticamente nulo. Una empresa desarrollaba un producto y podía distribuirlo a millones de usuarios sin que cada nueva copia implicara un costo de fabricación comparable. La IA agentic introduce otra dinámica. Un agente no se limita a entregar una respuesta. Puede leer archivos, construir un plan, escribir código, ejecutar pruebas, analizar los errores y repetir el proceso. Cada uno de esos pasos implica consumo de cómputo e inferencia. Cuando varios agentes trabajan simultáneamente, el consumo puede multiplicarse todavía más. Ratner cita datos de Anthropic según los cuales equipos de agentes pueden utilizar aproximadamente siete veces más tokens que una sesión estándar cuando trabajan en determinados modos de planificación. También menciona costos empresariales que pueden alcanzar cientos de dólares mensuales por desarrollador, dependiendo del nivel de actividad. Esto introduce algo que el software tradicional había conseguido evitar durante décadas: una estructura de cost of goods sold, o costo de bienes vendidos, directamente asociada al uso del producto. Cada acción de un agente tiene un costo variable para el proveedor. Y ese costo puede terminar trasladándose al cliente. Por qué el modelo de pago por usuario empieza a tambalear Esta nueva economía también afecta al tradicional modelo SaaS. El precio por usuario funcionaba bien cuando el usuario era quien interactuaba directamente con el software. Pero ¿qué sucede cuando un agente ejecuta tareas en cuatro aplicaciones diferentes y el empleado ni siquiera necesita ingresar a ellas? Una estimación de Gartner dice que hasta 40% de las aplicaciones empresariales podría incorporar agentes especializados hacia finales de 2026, frente a menos de 5% previamente. Gartner también estima que hasta US$234.000 millones del gasto empresarial en aplicaciones podrían quedar expuestos hacia 2030 al denominado “agentic arbitrage”. La consecuencia es un cambio en la unidad económica del software. En lugar de pagar solamente por quién utiliza una aplicación, las empresas comienzan a pagar por lo que la aplicación hace. Por eso aparecen modelos como el cobro por conversación resuelta, ejecución de una tarea o corrida de un agente. El software comienza a parecerse menos a un producto digital tradicional y más a un servicio medido por consumo. La productividad no está desapareciendo. Está elevando las expectativas Hay otra consecuencia menos evidente. Si construir software se vuelve diez veces más rápido, los clientes no necesariamente pedirán el mismo software por una décima parte del precio. Pueden pedir diez veces más funcionalidades. Ese fenómeno ya está ocurriendo, según el análisis. Las organizaciones esperan sistemas más integrados, seguros, inteligentes y personalizados. La IA aumenta la capacidad de construir, pero también eleva el estándar de lo que se considera un producto terminado. Así, parte de la productividad obtenida mediante IA se consume en aumentar el alcance del sistema. Es una dinámica que ayuda a explicar por qué el costo total de un proyecto empresarial puede mantenerse alto incluso cuando la generación de código se vuelve mucho más rápida. El verdadero valor se desplaza fuera del código La IA sí está destruyendo el valor económico del trabajo de desarrollo indiferenciado. Una aplicación CRUD básica, con una base de datos, login y unas pocas funciones, puede ser construida rápidamente con IA. En ese segmento, la presión sobre los precios será difícil de evitar. Pero el valor se desplaza hacia otra parte. Integrar sistemas existentes, migrar datos, cumplir requisitos regulatorios, diseñar arquitecturas, garantizar seguridad, resolver problemas de calidad de datos y adaptar el software a las condiciones específicas de una empresa siguen siendo tareas complejas. Y pueden volverse incluso más importantes en un escenario donde producir código deja de ser la principal restricción. La frase clave del análisis podría resumirse así: el código es cada vez más barato, pero todo lo que hay alrededor del código adquiere mayor peso económico. El software entra en una economía de consumo La conclusión de Ratner desafía una de las intuiciones más extendidas sobre la IA: que una caída radical del costo de producción necesariamente debería traducirse en software más barato. No necesariamente. La IA puede reducir el costo de producir una pieza de código mientras aumenta el número de piezas que se producen, la cantidad de inferencia que se consume, la complejidad de los sistemas y las expectativas de los clientes. El resultado es una economía donde la unidad de valor deja de ser exclusivamente el software producido y pasa a ser el trabajo que ese software puede ejecutar. Para las empresas, esto implica que la conversación sobre IA ya no puede limitarse a cuánto cuesta cada token o cuánto tiempo ahorra un desarrollador. La pregunta empieza a ser cuánto cuesta cada resultado generado por agentes, cuánto consumo adicional produce la automatización y qué parte de ese gasto termina incorporándose a la estructura permanente del software empresarial. La paradoja, entonces, no es que la IA no haya abaratado el software. Ha abaratado radicalmente la capacidad de producir inteligencia. Lo que está cambiando es cuánto software queremos, cuánto trabajo esperamos que haga y cuánto estamos dispuestos a pagar por ese nuevo nivel de capacidad. Le puede interesar: Más agentes, menos control: el nuevo dilema del CIO

Los laboratorios que desarrollan los modelos de inteligencia artificial más avanzados enfrentan una paradoja financiera: necesitan seguir invirtiendo para no perder la frontera tecnológica, pero cada nueva generación llega más rápido, cuesta más desarrollarla y reduce el precio que pueden cobrar por la anterior. La discusión sobre si la inteligencia artificial debe avanzar más despacio suele plantearse como un debate sobre seguridad. Los riesgos de modelos cada vez más capaces, desde usos maliciosos hasta comportamientos difíciles de controlar, forman parte central del argumento de quienes piden mecanismos de coordinación entre gobiernos y empresas. Pero existe otra dimensión menos visible: la economía. Los laboratorios que desarrollan modelos de frontera tienen incentivos financieros para apoyar reglas que ralenticen el ritmo de llegada de nuevos competidores. La tesis no niega que investigadores y ejecutivos puedan estar genuinamente preocupados por la seguridad. Lo que plantea es que esas preocupaciones conviven con un interés comercial concreto: extender la vida económica de los modelos existentes, proteger sus primas de precio y reducir la presión de financiar continuamente nuevas generaciones de sistemas. El argumento adquiere mayor peso cuando se observa la velocidad con la que está cayendo el precio de la inteligencia artificial. La inteligencia se abarata a una velocidad difícil de sostener Según el análisis, el precio necesario para comprar aproximadamente el mismo nivel de capacidad de un modelo se ha reducido a la mitad cada 46 días. La estimación se basa en historiales de modelos y configuraciones evaluados mediante el Intelligence Index de Artificial Analysis. La metodología utiliza cinco lanzamientos con al menos 90 días de historial y calcula una vida media de precio de 45,82 días, que el sitio redondea a 46. Una comprobación de sensibilidad que exige igualar o superar exactamente la puntuación del modelo de referencia lleva esa vida media a aproximadamente 50 días. El propio análisis advierte que se trata de una estimación histórica y no de un indicador directo de ingresos o rentabilidad de los laboratorios. La fotografía competitiva del 13 de septiembre resulta todavía más reveladora. GPT-6 Astra, con alto esfuerzo, registró una puntuación de 51,05, mientras Fable 5 con fallback obtuvo 49,70. En otra configuración, Fable 5.1 alcanzó 53,37 con un costo de US$7,63 por tarea, mientras Astra en máximo esfuerzo llegó a 52,81 por US$3,26. El análisis señala que Fable costaba 2,3 veces más para conseguir apenas 0,56 puntos adicionales en ese índice. Pero también advierte que el benchmark no permite determinar cuánto estaría dispuesto a pagar realmente un cliente por esa diferencia. La consecuencia económica es importante: cuando aparece un modelo más barato capaz de hacer prácticamente lo mismo, el producto anterior pierde capacidad para sostener una prima. Para un laboratorio que acaba de invertir miles de millones en investigación, entrenamiento y capacidad computacional, la presión es inmediata. Una carrera en la que ganar también puede ser caro El análisis describe un ciclo de tres etapas. Primero, los laboratorios invierten para obtener una ventaja tecnológica. Si aumentar el tamaño de los entrenamientos continúa siendo una vía efectiva para mejorar el rendimiento, los competidores están obligados a incrementar también sus inversiones. Después, los rivales alcanzan parte de esa ventaja. Aparecen sustitutos más baratos y los precios empiezan a caer, reduciendo los márgenes si los costos de servir cada consulta no disminuyen al mismo ritmo. Finalmente, el laboratorio vuelve a invertir para recuperar la ventaja perdida. Es un ciclo que puede convertirse en una espiral cada vez más costosa: cada generación exige una inversión mayor, pero el tiempo durante el cual esa ventaja permite cobrar una prima puede ser cada vez menor. Los números utilizados para ilustrar esa tensión son contundentes. El análisis recoge que OpenAI registró en 2025 US$13,07 mil millones en ingresos, US$5,57 mil millones de beneficio bruto y US$19,18 mil millones en gastos de investigación y desarrollo. El beneficio bruto cubrió aproximadamente 29% del gasto de I+D. El margen bruto, además, habría aumentado de aproximadamente 28% en 2024 a 43% en 2025, pero ese incremento no fue suficiente para cubrir el volumen de inversión en investigación. El punto no es afirmar que una empresa determinada necesite frenar para sobrevivir. El propio análisis reconoce que sus cálculos contienen supuestos y que no constituyen una predicción de quiebra ni una estimación del equilibrio futuro del mercado. El problema es estructural: la frontera tecnológica avanza más rápido que la capacidad de recuperar económicamente la inversión anterior. El experimento de los tres años Para mostrar esa tensión, el análisis construye un escenario financiero de 36 meses. Parte de una facturación anualizada de US$40.000 millones, un margen de contribución inicial de 40% después de costos de servicio y un primer presupuesto de desarrollo de US$10.000 millones. Cada nuevo presupuesto aumenta 25%. El volumen de tareas vendidas crece 50% anual, mientras el precio por tarea cae 30% anual y el costo de servirla disminuye 20% anual. Con lanzamientos cada seis meses, el escenario contempla seis rondas de desarrollo durante 36 meses. El gasto de desarrollo acumulado llega a US$112.600 millones, mientras la contribución de los clientes suma US$33.400 millones. El déficit máximo de financiamiento alcanza US$79.200 millones. La contribución de clientes frente a los pagos de desarrollo en el tercer año sería de apenas US$7.300 millones frente a US$54.900 millones, aproximadamente 13%. El margen de contribución terminaría en 10%, frente al 40% inicial. Cuando el intervalo entre lanzamientos aumenta, el resultado cambia bajo los mismos supuestos. Con lanzamientos cada 10,5 meses, habría tres rondas completas y una en progreso, con un déficit máximo de US$15.900 millones y US$8.400 millones pendientes después del mes 36. Con lanzamientos cada 15 meses, se completarían dos rondas y una tercera estaría en progreso. El déficit máximo sería de US$2.500 millones y el balance al final del período mostraría un excedente de US$2.300 millones, con US$7.000 millones todavía pendientes de pago. El análisis es explícito en una cuestión fundamental: esos escenarios no pretenden demostrar que ralentizar el desarrollo sea una política económicamente óptima. Son pruebas de estrés construidas a partir de supuestos. Lea también: Más agentes, menos control: el nuevo dilema del CIO

Más de 400 líderes empresariales se reunieron en Panamá durante la V Cumbre de Liderazgo para analizar cómo la inteligencia artificial está cambiando la estrategia, la cultura y la forma de trabajar de las organizaciones. La discusión sobre inteligencia artificial en las empresas comienza a cambiar de pregunta. Ya no se trata únicamente de qué herramientas incorporar, sino de cómo adaptar las organizaciones para que esa tecnología genere resultados concretos. Ese fue uno de los principales temas abordados durante la V Cumbre de Liderazgo, organizada por Greatness Center, que reunió a más de 400 empresarios, ejecutivos y líderes en el Panama Convention Center. Durante cuatro horas, Patrick Leddin, Ryan McInerney y Alan Fine, referentes internacionales en liderazgo y transformación organizacional, compartieron distintas perspectivas sobre la disrupción tecnológica, la incorporación de IA al negocio y la capacidad de los equipos para responder ante escenarios de cambio. El encuentro también fue transmitido vía streaming hacia Estados Unidos, países de Hispanoamérica y Europa. La brecha entre tecnología y cultura empresarial fue uno de los puntos destacados durante la jornada. Investigaciones del FranklinCovey Institute citadas durante el evento señalan que 80% de los colaboradores describe como pasivo el enfoque de sus gerentes frente a la IA, mientras 14% afirma haber recibido capacitación y 70% considera que la tecnología avanza más rápido de lo que la cultura de su organización puede adaptarse. Los datos plantean un desafío que va más allá de la implementación de nuevas herramientas. En ese contexto, Ryan McInerney, líder de la práctica global de consultoría de FranklinCovey y coautor de AI Transformation & The Human Imperative, abordó la distancia que puede existir entre adoptar inteligencia artificial y obtener resultados a partir de ella. Su planteamiento se centró en la necesidad de establecer prioridades, alinear capacidades y ejecutar de manera consistente para evitar que la incorporación de nuevas tecnologías se convierta en iniciativas aisladas sin conexión con los objetivos del negocio. Patrick Leddin, coautor de Disrupt Everything—and Win, trasladó la conversación hacia la capacidad de las organizaciones para responder ante la disrupción. Desde su perspectiva, la transformación no proviene únicamente de la tecnología, sino de la capacidad de los líderes para identificar qué está cambiando, qué elementos pueden ejercer presión sobre los modelos actuales y dónde surgen nuevas oportunidades cuando cambian las condiciones del mercado. El componente humano fue abordado por Alan Fine, cofundador de InsideOut Development y uno de los desarrolladores del modelo de coaching G.R.O.W. Su intervención se enfocó en las barreras que pueden limitar el desempeño de las personas incluso cuando cuentan con los conocimientos necesarios. Para Fine, las conversaciones y el compromiso de los equipos son elementos fundamentales para convertir las decisiones de transformación en acciones concretas. Para José Gabriel “Pepe” Miralles, CEO de Greatness Center, el desafío empresarial está en analizar cómo cambia el contexto y qué nuevas posibilidades abre la tecnología. “Lo que tenemos que pensar es cómo está cambiando el contexto de la organización, qué podemos hacer ahora que antes no podíamos hacer y cómo movilizamos rápidamente a la organización. Si no hacemos esas preguntas, podemos perder competitividad rápidamente”, planteó. La V Cumbre de Liderazgo dejó así una discusión que trasciende la adopción tecnológica: la ventaja no estaría únicamente en tener acceso a la inteligencia artificial, sino en la capacidad de las organizaciones para redefinir su estrategia, preparar a sus equipos y tomar decisiones sobre cómo utilizarla. En un entorno donde la tecnología avanza a mayor velocidad que muchas culturas corporativas, el liderazgo se convierte en el vínculo entre las posibilidades de la IA y los resultados que finalmente puede alcanzar una empresa. Le puede interesar: BBVA Colombia habilitó su operación en Panamá con una arquitectura 100% cloud

La institución conmemora 34 años con nuevas estrategias para desarrollar capacidades en inteligencia artificial, microelectrónica y otras tecnologías, mientras fortalece la formación de investigadores y profesionales especializados. La inteligencia artificial y los semiconductores están redefiniendo las capacidades tecnológicas que necesitan los países para competir en la economía digital. En Panamá, esta agenda comienza a tomar forma con nuevas estrategias y programas impulsados por la Secretaría Nacional de Ciencia, Tecnología e Innovación (Senacyt), que este 14 de septiembre conmemora 34 años de creación. Uno de los principales avances durante 2026 fue la aprobación de la Estrategia Nacional de Inteligencia Artificial, que establece una hoja de ruta para promover el desarrollo y uso ético, responsable, inclusivo y seguro de esta tecnología. La iniciativa busca establecer las bases para que la IA pueda incorporarse en distintos ámbitos mientras se desarrollan capacidades nacionales alrededor de ella. A esta agenda se suma la Estrategia Nacional de Semiconductores y Microelectrónica, con la que Panamá busca avanzar progresivamente en una industria considerada estratégica para la economía tecnológica global. El plan contempla el desarrollo de capacidades en áreas como diseño de semiconductores y circuitos integrados, placas de circuito impreso, ensamblaje, prueba y empaquetado, además de servicios especializados. El desarrollo de estas capacidades requiere también ampliar la disponibilidad de profesionales especializados. Entre 2005 y 2025, el Programa de Becas de la Senacyt, en conjunto con el Ifarhu, otorgó 4,318 becas en áreas prioritarias. En julio de 2026, la institución entregó 167 nuevas becas, las primeras gestionadas directamente por Senacyt después de que la Ley 475 de 2025 le otorgara facultades para administrar y supervisar su propio programa. La investigación científica constituye otro componente de esta infraestructura tecnológica. Desde 2004, la Senacyt ha adjudicado 877 proyectos de investigación científica y desarrollo tecnológico, por más de $79 millones. Mientras tanto, el Sistema Nacional de Investigación pasó de 16 miembros fundadores en 2008 a 235 investigadores actualmente, y el Programa de Inserción de Becarios ha facilitado la incorporación de 145 profesionales especializados a universidades, centros de investigación, instituciones públicas y empresas privadas entre 2015 y 2026. La innovación también comienza a trasladarse hacia el sector productivo. Durante el último quinquenio, la Senacyt adjudicó 151 proyectos de innovación empresarial, con un financiamiento de $11 millones. Estas iniciativas se suman a programas que buscan acercar la ciencia y la tecnología a las empresas y desarrollar soluciones aplicables en sectores como las TIC, industria, salud, ambiente y desarrollo sostenible. La formación tecnológica también se está impulsando desde edades tempranas. En los últimos cinco años, más de 10 mil estudiantes han participado en iniciativas de la Senacyt vinculadas con ciencia, tecnología, programación, robótica y matemáticas. Los Rincones ClubHouse, por su parte, reúnen a más de 450 jóvenes de entre 13 y 18 años que desarrollan proyectos y adquieren conocimientos tecnológicos. A 34 años de su creación, la Senacyt enfrenta una etapa en la que el desafío tecnológico de Panamá va más allá de formar investigadores: el país necesita convertir conocimiento, talento e investigación en capacidades concretas para participar en industrias como la inteligencia artificial y los semiconductores. Las estrategias aprobadas durante 2026 marcan parte de esa hoja de ruta, mientras su ejecución determinará cuánto de ese potencial puede traducirse en nuevas capacidades para el ecosistema tecnológico panameño. Le puede interesar: Biotecnología toma impulso en Panamá con proyecto de planta regional de vacunas

La nueva solución de IA integra conectores estratégicos con custodios, plataformas de inversión y CRM, permitiendo delegar el trabajo administrativo y concentrarse en la atención personalizada al cliente. Anthropic anunció el lanzamiento de Claude for Financial Advisors, un conjunto especializado de conectores e integraciones de flujo de trabajo diseñado para transformar la rutina operativa de los profesionales de la gestión patrimonial. De acuerdo con esta empresa, la herramienta busca erradicar la sobrecarga administrativa facilitando la consolidación de datos y la automatización de tareas en un único entorno digital. En la comunicación aportaron estudios de Kitces, en los que aseguran que los asesores financieros dedican apenas una sexta parte de su jornada laboral al contacto directo con los clientes; la mayor parte del tiempo se consume recopilando información fragmentada en múltiples plataformas para preparar reuniones y documentar procesos. Al mismo tiempo, datos del Employee Benefit Research Institute (EBRI) revelan que más del 40 % de la población en EE. UU. desconoce a quién acudir para recibir asesoría financiera adecuada. Frente a esta brecha, el nuevo complemento de Claude pretende liberar horas operativas para ampliar la capacidad de atención de las firmas. El complemento reúne integraciones nativas con los custodios, plataformas de cartera y herramientas de planificación más utilizados por la industria. Entre los conectores clave destacan: Custodia y Gestión: Charles Schwab (saldos, transacciones y alertas), Addepar (inteligencia de inversión en mercados públicos y privados) y SS&C Black Diamond. Plataformas de Inversión: BlackRock Advisor Center, Vanguard y la plataforma de activos alternativos iCapital. CRM y Automatización: Salesforce, Wealthbox, Orion (Redtail) y Zocks para la captura de reuniones con inteligencia artificial. Planificación y Patrimonio: Envestnet (Tamarac y MoneyGuide) junto a Wealth.com para el análisis patrimonial y fiscal. Además, el sistema incorpora un repositorio de habilidades personalizables que automatizan tareas críticas bajo la supervisión directa del usuario. Entre sus funciones principales se encuentran la preparación de informes previos y posteriores a las reuniones, el análisis de desviación de carteras, la consolidación de inversiones alternativas y la integración rápida de nuevos asesores. La herramienta incluye un módulo específico para el cumplimiento normativo. Claude examina las comunicaciones con clientes para alinearlas con la Regla de Marketing de la SEC y ayuda a estructurar políticas de gobernanza de IA internas. El complemento Claude for Financial Advisors ya se encuentra disponible para los usuarios del plan Enterprise a través de Cowork. Las firmas que tramiten nuevas licencias corporativas antes de finalizar septiembre de 2026 recibirán un crédito de uso único para facilitar su implementación inicial. Le puede interesar: Más agentes, menos control: el nuevo dilema del CIO

Hay una pregunta que rara vez se formula cuando se habla de riesgo existencial e inteligencia artificial: ¿cuánto cuesta el miedo, y quién lo cobra? En esta edición especial de Prompt IT! dejamos el formato habitual para dedicar el programa completo a un solo análisis. Este año, las cuatro empresas más ricas del planeta comprometerán un billón y medio de dólares en infraestructura para una tecnología que sus propios investigadores describen con más de un diez por ciento de probabilidad de extinguirnos. Y son esos mismos actores quienes piden frenarla. El episodio se apoya en datos fechados y documentados, y recorre tres frentes: La evidencia técnica. El hackeo a Hugging Face: cerca de 700 ejecuciones de agentes que crearon canales de comunicación ocultos, evadieron los aislamientos de seguridad e intentaron borrar su rastro. El informe de METR y Redwood Research documenta que el modelo mintió activamente para encubrir su comportamiento. La trampa financiera. Una industria donde más usuarios significan más pérdidas, con 690 mil millones de dólares de capex en un solo año. De ahí la tesis central: postergar la salida a bolsa, pedir un freno coordinado que la ley aplique a todos por igual y envolverlo en una narrativa de responsabilidad. Así, el miedo deja de ser un pasivo y se convierte en un activo. La regulación y el tablero global. Estados Unidos acelera, la Unión Europea modera y China absorbe, con el riesgo de una captura regulatoria que sea asumible para las Big Tech y letal para las startups. Este episodio no es una crítica a la inteligencia artificial, sino un análisis del uso estratégico del pánico. La conversación que importa no es si la IA cambiará el mundo, sino quién decide las reglas del cambio y a cambio de qué. Vea el episodio 60 de Prompt IT! Prompt IT! está disponible todos los lunes a través de las tres comunidades de Connecta B2B: IT NOW, Mercados & Tendencias y Construir, además de su propio canal de YouTube y en formato podcast, ofreciendo un alcance amplio y especializado para diversos sectores de la economía. Le puede interesar: Prompt IT! #59: La IA que ejecuta sola: los 4 pilares que separan un piloto de un negocio real

El único noticiero que le escapa al modelo y reporta la realidad tech sin "safeguards" de reflexión y humor. Conduce (cada vez más "desalineado") Maximiliano Poter. Maximiliano Poter conduce el Week Report, un desenfadado magazine de noticias del mundo IT que, cada viernes, brinda un resumen de los acontecimientos más destacados de los últimos siete días: todo lo importante, lo curioso y hasta lo más absurdo que ha sucedido en el ámbito de la tecnología y los negocios para que cierre su semana bien informado y con una buena dosis de mordacidad. Esta semana: Anthropic pide frenar la IA. Wall Street descubre que la seguridad también cotiza Estados Unidos y China no quieren frenar la IA: competir primero, preocuparse después Boston Dynamics todavía no sale a bolsa: los robots ya corren, pero no pagan las cuentas Su fondo de pensión podría estar financiando los data centers que quieren cambiar su trabajo Google mapea el cerebro de una mosca y la IA ya encontró nuevas formas de ponerla a trabajar EE.UU. acusa a seis empresas chinas de copiar modelos de IA: ahora el espionaje también necesita tokens GPT-6 perdió un benchmark. El benchmark cambió y GPT-6 volvió a ganar Suno: la IA ahora paga alquiler por la música Un investigador de Anthropic calcula más de 10% de riesgo de extinción por IA. Excelente argumento para vender seguridad El próximo negocio puede no ser otro ChatGPT, sino hacer que funcione Y muchas alucinaciones más... Le puede interesar: Week Report #101: La IA quiso engañarnos, copiarnos y matarnos. Otra semana tranqui en TI...