Durante el XVIII Foro Nacional para la Competitividad, la AIG presentó los avances de Panamá Conecta, una estrategia que busca integrar servicios públicos, avanzar hacia una identidad digital única y ampliar el acceso ciudadano a oportunidades de formación. La transformación digital del Estado panameño busca entrar en una nueva etapa: pasar de la digitalización de trámites aislados a un ecosistema integrado de servicios. Así lo planteó el presidente de la República, José Raúl Mulino, durante el XVIII Foro Nacional para la Competitividad, donde destacó el trabajo de la Autoridad Nacional para la Innovación Gubernamental (AIG) y el desarrollo de Panamá Conecta. Bajo el lema “De posición estratégica a competitividad nacional”, el mandatario señaló que uno de los desafíos del país es transformar una estructura estatal históricamente lenta en una administración más moderna y facilitadora. En ese proceso, identificó a Panamá Conecta como una pieza central para concentrar servicios públicos y permitir que los ciudadanos puedan realizar gestiones desde dispositivos móviles o computadoras. “El núcleo fundamental de este esfuerzo es Panamá Conecta, la plataforma digital unificada que transforma los servicios estatales”, manifestó Mulino. El objetivo es reducir la dependencia de filas, documentos físicos y procesos presenciales, al tiempo que la digitalización puede contribuir a disminuir espacios de discrecionalidad en la gestión pública. El administrador general de la AIG, Ing. Adolfo Fábrega, explicó durante el foro que Panamá Conecta representa la evolución de iniciativas anteriores como Panamá Sin Papel, Panamá Tramita y Panamá Emprende. La plataforma busca consolidar esas experiencias en un ecosistema común, con el inicio de sesión único como uno de los primeros pasos hacia una identidad digital que permita a los ciudadanos acceder a diferentes servicios estatales utilizando una misma identidad. La estrategia también comienza a vincular los servicios gubernamentales con oportunidades de desarrollo de talento. Fábrega puso como ejemplo Talent Up, cuya inscripción está disponible a través de Panamá Conecta. Además de facilitar el proceso de registro, la plataforma puede generar información sobre la procedencia de los participantes y ayudar a identificar regiones donde se requiere ampliar la participación en programas de formación. La relación entre tecnología y educación también fue abordada durante el foro por Fábrega, quien participó en el panel “Tecnología y Educación” junto a Kevin Kells, director global de Google for Education. En este espacio se discutió cómo las herramientas digitales pueden ampliar las oportunidades para estudiantes y docentes, así como el papel de la capacitación tecnológica en la preparación de los ciudadanos para nuevos entornos laborales. Durante la jornada, Mulino también recorrió el espacio tecnológico de la AIG, donde conoció las iniciativas que desarrolla la institución en materia de transformación digital, innovación gubernamental y modernización de los servicios públicos. El recorrido sirvió para presentar los avances de Panamá Conecta y otros componentes de la agenda digital del Estado. El reto para Panamá será ahora convertir la integración tecnológica en una experiencia realmente más sencilla para el ciudadano. La evolución de Panamá Conecta plantea una transición desde múltiples portales y trámites independientes hacia un ecosistema donde una identidad digital y servicios interconectados puedan convertirse en la puerta de entrada a la relación entre las personas y el Estado. Otras informaciones: RAG: el puente entre la IA y los datos de la organización

En conjunto con esta fusión en sus herramientas de trabajo, presentaron recientemente Claude Docs, Claude Slides, y Claude Design, que ahora también funciona dentro de tus conversaciones. Anthropic unificó Claude Cowork y la sección de Chat en un solo Claude; por lo tanto, ahora en una misma herramienta se podrá hacer desde preguntas rápidas hasta delegar un informe. Desde ahí Claude tomará el control. De acuerdo con lo informado por la compañía, esta función va a estar disponible en los planes Pro y Max durante las próximas semanas y eventualmente se expandirá a otros. Además, estarán disponibles e integrados, incluso en los recién estrenados Claude Docs y Claude Slides, y Claude Design, que ahora también funciona dentro de tus conversaciones. “Pide un documento y tú junto con Claude lo redactarán juntos. Pide una presentación y Claude diseñará el borrador de las diapositivas. Puedes editar directamente, presentar sin salir de Claude o descargarlo como PowerPoint o PDF. Las tres herramientas están en versión beta para planes de pago, y los administradores de Enterprise elegirán cuándo activarlas. Si utilizas Claude Design de forma independiente, seguirá funcionando como hasta ahora”, informó Anthropic. Agregan que construyeron Cowork como un espacio separado para trabajos de mayor envergadura y Design para trabajos visuales, pero que las personas utilizaban ambos y les hicieron saber lo frustrante que era decidir dónde pertenecía cada tarea; además, que lo que empezaban en un lugar no se trasladaba a otro. Para explicar cómo funcionará ahora la herramienta, pusieron de ejemplo un informe semanal que vence al mediodía; antes de salir, le preguntas a Claude qué cambios hubo en el flujo de trabajo la semana pasada. “Escríbelo como siempre lo hacemos, señala cualquier retraso y pon lo más importante en cinco diapositivas para la reunión de liderazgo.” Si algo no queda claro, Claude pregunta. Puedes revisar el progreso desde tu teléfono camino a la oficina. Para cuando llegues a tu escritorio, el informe te estará esperando en un documento con notas de tu compañero de equipo, y las diapositivas estarán listas para abrir, ajustar y descargar como PowerPoint. Ambos salieron de la misma conversación, por lo que las diapositivas ya coinciden con el informe”, describe Anthropic. Agregan que, luego uno mismo corrige una línea, le dejas un comentario a Claude en una diapositiva y la compartes, y que se podrá reprogramar para todos los lunes y Claude comenzará el informe sin que se lo pidas. Asimismo, cualquier cosa que se cree con Claude Design, Slides o Docs vive en un único enlace compartible que puedes abrir en tu teléfono. Puedes seleccionar un elemento y moverlo, o decirle a Claude qué quieres cambiar. La actualización busca resolver la fragmentación del trabajo y optimizar la delegación de tareas prolongadas, permitiendo que Claude continúe ejecutando procesos en segundo plano incluso cuando el usuario ha cerrado la sesión o no está frente a su computadora. Disponibilidad y despliegue Planes Pro y Max: El despliegue comienza de forma gradual en las aplicaciones web, de escritorio y móviles. Versión Beta: Docs, Slides y Design dentro del chat están disponibles en versión beta para los planes de pago. Planes Free, Team y Enterprise: Llegará próximamente a las cuentas gratuitas y de equipo, mientras que los administradores de Enterprise contarán con un aviso previo de al menos 30 días antes de su implementación. Continuidad de datos: Los usuarios existentes mantendrán el acceso intacto a sus proyectos, conectores, habilidades e historial previo de Cowork. Le puede interesar: Más agentes, menos control: el nuevo dilema del CIO

En esta edición, Hugues Bertin conversó con Juan Nicolás Rojas Parra, Founder & CEO de Grouti, para entender el modelo y qué les está fallando a las insurtechs en la calle. Por Hugues Bertin, Founder & CEO de Digital Insurance LatAm Hay un problema del que se habla poco en el ecosistema y que en mi experiencia explica muchos de los tropiezos de las insurtechs: no venden lo que su producto y su tecnología deberían permitirles vender. Buenos decks, estrategias sofisticadas, rondas de capital y presencia en congresos, pero pipeline flojo y ciclos comerciales que no cierran. Sobre ese dolor concreto nació Grouti, un growth partner con foco en banca, seguros y salud que hoy trabaja con más de 100 organizaciones. Conversé con Juan Nicolás Rojas Parra, Founder & CEO de Grouti, para entender el modelo y qué les está fallando a las insurtechs en la calle. 100+ Organizaciones atendidas en distintos mercados y verticales USD 200M Pipeline comercial construido para clientes 25 Personas en el equipo, con operaciones en múltiples países 0 Dólares de inversión externa levantados 100.000+ Contactos en la base sobre la que operan los Grouties Por qué “growth partner” y no consultora Juan Nicolás Rojas Parra Juan Nicolás viene del lado comercial de banca, seguros y salud, con pasos previos por Tutenlabs, el BID, Credicorp Capital y Sanitas. Ahí vio un dolor recurrente: encontrar y retener buenos vendedores de prospección. Los roles gerenciales duran unos 18 meses en el mejor de los casos, y los perfiles junior (los conocidos BDR y SDR, que abren conversaciones nuevas y califican leads) suelen irse al cuarto mes tras una curva de aprendizaje de uno a tres meses. Tiempo perdido, costos ocultos, pipeline detenido y menos ventas. Mientras tanto, los CEOs están levantando capital, yendo a eventos y a congresos, innovando en producto, y nadie vende. Por eso Grouti no se define como consultora. Su equipo se mete en la operación comercial del cliente: puede tercerizar por completo sus áreas de marketing, growth y prospección, y Grouti arma y opera los equipos a la medida, monta la infraestructura de datos, opera con agentes de inteligencia artificial y trabaja codo a codo dentro del CRM del cliente. La idea de fondo, en palabras de Juan Nicolás: armarles el ejército de generación de demanda que nunca tuvieron, comprometidos con el resultado. Bootstrapping, 25 personas y USD 200M en pipeline Grouti ha trabajado con más de 100 organizaciones, entre ellas varias insurtechs y fintechs latinoamericanas que buscaban escalar regionalmente o entrar a Estados Unidos, cerrándoles negocios reales. Ha ayudado a construir aproximadamente USD 200 millones en pipeline comercial para sus clientes. Y todo esto lo hicieron sin levantar un solo dólar de inversión externa: hoy son 25 personas con operaciones activas en múltiples países, creciendo con capital propio. Modelo comercial: incentivos alineados y el framework SCALE Contrario a la percepción de que solo trabajan a success fee (honorarios pagados solo al lograr el resultado), Grouti combina fee mensual, modelos híbridos y componentes variables atados a resultado. Lo que no cambia es el principio: sus incentivos tienen que estar alineados con los del cliente. Operan sobre un framework propio llamado SCALE: Signal, Commercial Mapping, Activation, Lead Conversion y Expansion. Miden todo contra pipeline real, no contra actividad. Grouties: dónde termina la IA y empieza el humano en la venta de seguros Todo esto se apoya en los Grouties, agentes de inteligencia artificial especializados en la industria, entrenados sobre una base de más de 100.000 contactos del ecosistema insurtech regional. Investigan cuentas, enriquecen información, priorizan prospectos, personalizan mensajes, ejecutan seguimientos y ayudan a calificar oportunidades. Pero Juan Nicolás traza una línea clara: cuando la conversación llega a los USD 200.000, USD 500.000 o varios millones, particularmente en seguros, la confianza sigue siendo profundamente humana y relacional. Aquí aparece un concepto clave para entender cómo debería funcionar la venta B2B asistida por IA en un sector regulado como el seguro: el human-in-the-loop, el humano en el circuito. La inteligencia artificial no reemplaza al vendedor: ejecuta el trabajo repetitivo y trazable, y el humano queda siempre en el punto crítico donde se toma la decisión, se construye la relación o se cierra la negociación. Prospecting Hub: preventa tercerizada para liberar al vendedor caro Prospecting Hub nació de ver compañías con vendedores caros haciendo el trabajo equivocado: horas en LinkedIn, limpiando bases de datos y en tareas operativas en vez de hablar con clientes y cerrar. Grouti, en modalidad white label (operando bajo la marca del cliente, sin figurar), asume el 100% de la operatividad de preventa y devuelve hasta el 50% del tiempo del vendedor, duplicando su eficiencia. En una entidad bancaria líder en Panamá apoyan a un equipo de más de 20 gerentes de desarrollo de negocio absorbiendo sus procesos operativos más pesados, para que se concentren en conversar con clientes, negociar y cerrar. Estados Unidos y eventos: los dos errores más caros que ve repetirse Sobre entrar a Estados Unidos, Juan Nicolás es directo: no significa traducir la presentación al inglés. El mercado exige especialización, un nicho, un buyer persona claro (el perfil concreto de quién compra), y la confianza se construye progresivamente. Aquí no aplica el concepto de soft landing, Estados Unidos no tiene nada de soft. Sobre eventos, deberían participar porque siguen siendo el insumo principal para generar conexiones comerciales, pero el error más caro está en el follow-up (la continuidad posterior con cada contacto): ha visto empresas invertir decenas de miles de dólares en stands, vuelos, hoteles y patrocinios, y dejar morir los contactos en un Excel. Como resume él: el evento no termina cuando se apagan las luces, ahí es donde empieza el pipeline. “Lo que necesita el ecosistema son insurtechs tan obsesionadas con vender como con levantar capital. Todo el mundo quiere el resultado, pero no pasar por el proceso”, dijo Rojas Parra. Con 25 personas, US$ 200M en pipeline construido para sus clientes y una filosofía de bootstrapping inusual en el ecosistema, Grouti se posiciona para llenar uno de los vacíos más costosos de las insurtechs de la región: la ejecución comercial. Vea también: Primo: la startup de IA que está reinventando los seguros desde Ciudad de México a Buenos Aires

El 1er Congreso Internacional de Investigación en Tecnología, Educación y Conocimiento (CIITEC-USAM 2026), organizado por la Universidad San Marcos (USAM), busca que las investigaciones trasciendan la presentación y se conviertan en oportunidades para el intercambio, la colaboración y la innovación. ¿Cuáles son las tendencias mundiales en educación? ¿Cuáles son los retos para los educadores ante la inteligencia artificial? ¿Cómo transforma la IA la educación actual? Estas preguntas y otros temas serán abordados en el I Congreso Internacional de Investigación en Tecnología, Educación y Conocimiento (CIITEC-USAM 2026), organizado por la Universidad San Marcos (USAM), un espacio académico que busca conectar la investigación con la tecnología, la educación y la innovación para promover el intercambio de conocimiento y la generación de soluciones con impacto social, educativo, tecnológico y organizacional. El Congreso se llevará a cabo los días 17 y 18 de noviembre de 2026, en la Fundación Omar Dengo, bajo el lema “Un futuro donde la ciencia, la tecnología y la educación se conectan con la innovación”. El encuentro tendrá modalidades presencial, virtual e híbrida, con participación de especialistas, investigadores, docentes, estudiantes universitarios y profesionales nacionales e internacionales. Esta primera edición surge ante desafíos como la transformación digital, la rápida evolución de las tecnologías, las nuevas competencias que demanda el mundo laboral y la necesidad de desarrollar soluciones sostenibles e inclusivas. En este contexto, el CIITEC-USAM 2026 propone generar un diálogo interdisciplinario que permita compartir investigaciones, experiencias y proyectos, así como acercar el conocimiento académico a las necesidades de las instituciones, el sector productivo y la sociedad. “Este Congreso representa una oportunidad para quienes están generando conocimiento y desarrollando soluciones innovadoras. Queremos que sus investigaciones no se queden únicamente en una presentación, sino que encuentren nuevas perspectivas, generen conexiones y puedan abrir oportunidades de colaboración entre disciplinas, instituciones y sectores productivos”, señaló Tattiana Zamora directora de Investigación de la Universidad San Marcos (USAM). Presentación de ponencias Como parte del encuentro, la USAM abrió la convocatoria para presentar investigaciones, experiencias y proyectos en áreas como transformación andragógica con tecnologías digitales, inteligencia artificial y tecnologías emergentes aplicadas a la educación superior, investigación interdisciplinaria, transferencia tecnológica, brecha digital e innovación con impacto social y ambiental. Las personas ponentes podrán compartir sus trabajos ante una comunidad académica nacional e internacional, generar vínculos y optar a la publicación de sus aportes en la Memoria del Congreso, de acuerdo con los criterios editoriales establecidos. Asimismo, podrán considerar la Revista Académica Institucional (RAI), indexada en Latindex, como espacio para la difusión científica de sus trabajos, conforme a sus procesos editoriales. El CIITEC-USAM 2026 se desarrollará conjuntamente con la V Edición del Foro Educativo: “La Inteligencia Artificial como aliada estratégica en la Docencia Universitaria”, ampliando la discusión sobre el papel de las nuevas tecnologías en la educación superior. La recepción de resúmenes estará abierta hasta el 18 de octubre de 2026. Las personas interesadas en presentar su investigación, experiencia o proyecto pueden consultar los detalles de la convocatoria y realizar su postulación en el sitio oficial del Congreso: https://congreso-ciitec.usam.ac.cr/index.html. Le puede interesar: El Marketing Tech Summit llega a Panamá y Costa Rica

Los agentes de IA están trasladando parte del desarrollo tecnológico desde IT hacia las áreas de negocio. Un informe advierte que esta democratización puede acelerar la innovación, pero también fragmentar los datos, automatizar decisiones críticas, aumentar la dependencia de los proveedores y convertir el consumo de IA en un problema presupuestario. El próximo problema del CIO podría no ser la falta de adopción de inteligencia artificial, sino todo lo contrario: que la empresa adopte agentes de IA más rápido de lo que IT puede ver, entender y gobernar. La transformación ya está ocurriendo dentro de las plataformas SaaS. Los usuarios de negocio pueden crear agentes y automatizar workflows directamente en herramientas como los CRM, sin depender de desarrolladores ni esperar necesariamente a que IT construya cada solución. El resultado es una nueva forma de desarrollo distribuido en la que ventas, marketing o servicio pueden convertirse, en la práctica, en constructores de tecnología. Según un informe de Boston Consulting Group (BCG), 70% de los líderes tecnológicos afirma que sus equipos de negocio están desplegando tecnología más rápido de lo que IT puede rastrearla. La cifra expone un cambio que el CIO ya conoce de otras etapas de la transformación digital. Primero fueron las bases de datos creadas por usuarios, luego las herramientas low-code y las aplicaciones departamentales. La diferencia es que los agentes no se limitan a almacenar información o ejecutar una función predeterminada. Pueden tomar decisiones, actuar sobre ellas y generar costos cada vez que lo hacen. Y ahí cambia el juego. El CRM se convierte en territorio de riesgo El CRM es uno de los primeros escenarios donde esta transformación puede adquirir escala. Más de la mitad de los vendedores ya utilizó agentes y casi nueve de cada diez esperan hacerlo para 2027, según el informe, que cita datos del State of Sales 2026 de Salesforce. Entre los líderes de ventas cuyas organizaciones ya utilizan agentes, 94% considera que son críticos para responder a las demandas del negocio. BCG proyecta que, en pocos años, una gran empresa podría operar cientos de agentes y, en algunos casos, miles. El problema es que la organización puede no saber exactamente cuántos tiene. El informe describe un escenario que ya comienza a aparecer en las empresas: agentes desplegados en ventas y servicio que toman decisiones sobre precios, priorización de leads y contacto con clientes sin que exista necesariamente un framework corporativo para identificarlos y supervisarlos. En un CRM, las consecuencias pueden ser particularmente sensibles porque el sistema concentra el registro de clientes, procesos directamente relacionados con los ingresos y buena parte de las interacciones que la organización mantiene con sus consumidores. Un error de un agente puede afectar simultáneamente datos, revenue y confianza. Cuatro problemas que pueden escalar con cada agente El primero es la fragmentación de los datos. Si cada área construye sus agentes de manera independiente, puede terminar utilizando una definición diferente del cliente. Ventas puede considerar “activo” a un cliente bajo determinados criterios, mientras servicio utiliza otros. Con el tiempo, la empresa deja de operar sobre una única versión de la realidad, con consecuencias sobre facturación, forecasting, analytics y compliance. El segundo es la autonomía. Un agente puede priorizar oportunidades, recomendar descuentos o generar ofertas. Y puede hacerlo a velocidad de máquina. Sin límites claros, una mala decisión puede multiplicarse antes de que alguien la detecte. BCG plantea un ejemplo concreto: un agente de renovaciones que aplica un descuento no aprobado podría afectar a cientos de cuentas antes de que el patrón sea identificado. El tercer riesgo es el vendor lock-in. Cuantos más workflows y agentes se construyan dentro de una plataforma SaaS, más difícil puede resultar migrarlos posteriormente a otro proveedor, modelo o plataforma de agentes. La dependencia deja de ser solamente tecnológica y pasa a afectar también la capacidad de negociación de la empresa. El cuarto es financiero. El software está cambiando su lógica de precios. El tradicional modelo basado en seats comienza a convivir con esquemas que cobran por consumo, acciones u outcomes. Los agentes introducen una variable que antes no tenía el mismo peso: cada ejecución puede generar un costo adicional. Un agente que realiza miles de interacciones puede generar un gasto muy diferente al previsto en un presupuesto construido alrededor de licencias y cantidad de empleados. Si distintos equipos desarrollan agentes sin visibilidad centralizada, el consumo puede crecer rápidamente. La factura de IA, en otras palabras, puede convertirse en una consecuencia directa de cuántas decisiones automatizadas está tomando la compañía. El nuevo trabajo del CIO BCG plantea que la respuesta no debería ser volver al modelo en el que IT construye todo. Intentar centralizar nuevamente cada agente podría recrear los mismos cuellos de botella que la democratización tecnológica busca eliminar. Exigir que IT apruebe uno por uno también puede convertir el gobierno en otro cuello de botella. La propuesta es diferente: que las áreas de negocio sean responsables de los casos de uso, los agentes que construyen y los resultados que obtienen, mientras el CIO controla las condiciones que permiten que ese desarrollo distribuido sea seguro, consistente y económicamente sostenible. Para BCG, esas condiciones se apoyan en cuatro pilares: arquitectura de datos, gobierno de agentes, una capa empresarial de orquestación y un modelo de costos. Es un cambio importante en la definición del rol de IT. El CIO deja de ser necesariamente quien construye cada solución y pasa a diseñar la infraestructura y las reglas que permiten que otros construyan. De datos para reportar a datos para actuar La primera condición es que todos los agentes trabajen sobre una misma realidad. El CIO debería garantizar una arquitectura de datos gobernada que permita mantener una identidad única del cliente, definiciones comunes y una visión consistente de sus interacciones, independientemente de qué área haya desarrollado el agente. BCG introduce aquí una diferencia clave entre datos “report-ready” y datos “agent-ready”. Los primeros permiten responder qué ocurrió. Los segundos deben permitirle a un agente determinar qué está autorizado a hacer, sobre quién y en qué momento. Además, las interacciones con el registro de clientes deberían quedar registradas para poder reconstruir y auditar decisiones y modificaciones. La prueba propuesta por BCG es simple: si dos áreas construyen agentes diferentes y estos no pueden llegar a la misma respuesta sobre un mismo cliente, la base de datos y las reglas que la gobiernan todavía no están preparadas para una empresa agentic. Autonomía sí, pero con límites El segundo pilar es el gobierno. Los controles tradicionales determinan qué puede ver y hacer un usuario. Los agentes agregan una nueva dimensión: cuánto puede hacer por sí mismo. BCG propone que la autonomía sea gradual y revocable. Un agente puede comenzar recomendando una acción para que un humano la apruebe. Después puede obtener autorización para ejecutar determinadas tareas y, finalmente, operar de manera autónoma dentro de límites específicos. Cada agente debería tener un responsable humano claramente identificado y permanecer bajo supervisión durante todo su ciclo de vida. Registro, monitoreo, logs de decisiones, seguimiento de costos y performance, alertas ante comportamientos inesperados y un kill switch probado deberían formar parte de ese modelo. La pregunta que IT debería poder responder es concreta: quién es responsable de cada agente, qué puede hacer, qué hizo realmente y cómo detenerlo en cuestión de minutos. La capa que puede evitar otro lock-in El tercer pilar es la orquestación. A medida que aumente la cantidad de agentes, las empresas probablemente utilizarán múltiples plataformas y proveedores. Los agentes tendrán que coordinar tareas que atraviesan diferentes sistemas. Por eso, la capa de orquestación adquiere importancia estratégica. Es la que determina qué agente o plataforma ejecuta una tarea y cómo se mueve el trabajo entre ellos. BCG plantea que el CIO debe decidir deliberadamente quién controla esa capa, en lugar de permitir que esa decisión quede determinada automáticamente por el proveedor del CRM. El objetivo es preservar la capacidad de elección. La empresa debería poder mover un workload hacia otro modelo, agente o proveedor cuando cambien la tecnología, el rendimiento o los costos. Esa flexibilidad también fortalece su posición frente a los vendors. El costo de un agente debe poder explicarse El cuarto pilar es económico. En un entorno donde el consumo comienza a determinar cuánto cuesta la tecnología, contar licencias ya no alcanza. El CIO necesita saber cuánto cuesta cada agente, cómo evoluciona ese costo y qué resultado de negocio produce. BCG propone medir variables como el costo por caso resuelto o por lead calificado, en lugar de limitarse al precio por usuario. También plantea que el área que construye un agente debería asumir responsabilidad por su consumo y por el valor que genera. La pregunta deja de ser solamente cuánto cuesta la herramienta. Pasa a ser cuánto cuesta cada decisión automatizada y qué obtiene la empresa a cambio. El momento de hacer inventario es ahora BCG propone comenzar de manera pragmática. No es necesario construir los cuatro pilares de manera perfecta antes de desplegar agentes. La estrategia consiste en elegir algunos casos de alto valor, identificar dónde están las mayores debilidades y reforzar allí las capacidades de gobierno. El primer paso es saber qué existe. Las empresas deberían inventariar los agentes que ya funcionan sobre el stack de CRM, asignarles una identidad y un responsable. El segundo paso es concentrarse en los dos o tres workflows donde una mala decisión tendría mayor impacto. El tercero consiste en hacer que el desarrollo gobernado sea fácil de repetir mediante herramientas aprobadas, metodologías reutilizables, visibilidad de costos y mecanismos de chargeback. El factor tiempo también importa. El informe advierte que durante el próximo año el número de agentes puede superar la capacidad de muchas organizaciones para rastrearlos. Gobernar una cohorte de 50 agentes, señala BCG, será mucho más sencillo que hacerlo cuando sean 500. La llegada de los agentes no elimina el papel del CIO. Lo transforma. La pregunta ya no es quién dentro de IT va a construir la próxima aplicación. En un entorno agentic, probablemente serán las propias áreas de negocio. El desafío tecnológico pasa entonces por garantizar que todos esos constructores trabajen sobre los mismos datos, dentro de límites claros, con costos visibles y sin entregar inadvertidamente el control de la arquitectura empresarial a un único proveedor. La ventaja competitiva no estará solamente en tener más agentes. Estará en poder desplegarlos a escala sin perder de vista quién decide, sobre qué datos, con qué autonomía y a qué costo. Le puede interesar: GitHub: usar menos tokens no siempre reduce los costos

Agencias de seguridad de los Estados Unidos aportaron una serie de recomendaciones para afrontar esta supuesta estrategia por parte de compañías chinas. Un nuevo aviso de seguridad de la Agencia de Ciberseguridad y Seguridad de la Infraestructura de EE. UU. (CISA) realizado y publicado en conjunto con la Agencia de Seguridad Nacional (NSA) y la Oficina Federal de Investigación (FBI), advierte a las empresas estadounidenses de IA sobre 'actividades de destilación de conocimiento agresivas, maliciosas y dirigidas a escala industrial' en curso desde empresas de China. El medio Techradar, en base a una explicación de IBM, describió la destilación de conocimiento como una técnica de aprendizaje automático que tiene como objetivo transferir los aprendizajes de un modelo preentrenado grande (modelo profesor), a un modelo más pequeño, el (modelo estudiante). Se utiliza en el aprendizaje profundo como una forma de compresión de modelos y transferencia de conocimiento, particularmente para redes neuronales profundas masivas. Eso sí, esta estructura de “aprendizaje”, no es ilegal ni maliciosa en sí misma. Su objetivo es entrenar un modelo más compacto para que imite a uno más grande y complejo. En el aviso de seguridad, las agencias enfatizan que es 'reconocida como una técnica legítima y útil en la investigación de IA', pero añaden que las empresas de IA con sede en China la están utilizando con mala fe. Las agencias afirman que en lugar de pasar meses y millones desarrollando nuevas capacidades para sus modelos, las empresas chinas simplemente envían una enorme cantidad de preguntas cuidadosamente diseñadas a los modelos estadounidenses y extraen las respuestas. Según lo publicado por las agencias, todas las empresas de IA en China de relevancia participan. DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun y Z.AI presuntamente “extrajeron miles de millones de tokens a través de millones de intercambios/solicitudes de modelos de IA de frontera de EE. UU., incluidas variantes de Claude, GPT, Gemini y Grok, desde al menos finales de 2024”. La CISA también subrayó que esto probablemente se hizo con el conocimiento del gobierno chino. No ha dicho abiertamente 'con su bendición', aunque podría leerse entre líneas, según Techradar. Por el lado chino, la lista de modelos que supuestamente forman parte de esta estrategia incluye los modelos DeepSeek R1 y V3, los modelos Kimi-K2 y Kimi-K3 de Moonshot, y el modelo M2 de MiniMax. Por el lado estadounidense, comienzan con modelos anteriores como GPT-4, Claude 3.7 y Gemini 2.5 Flash Preview, llegando hasta Claude Fable 5, GPT-5 y similares. El informe señala que las empresas enrutaron las solicitudes a través de múltiples cuentas, diferentes puntos de acceso API, múltiples proveedores de la nube, agregadores de IA de terceros, servicios proxy y 'estaciones de transferencia', así como suscripciones premium compartidas entre desarrolladores, todo en un intento de eludir a los defensores que intentaban interrumpir el proceso. Asimismo, las autoridades estadounidenses remarcan que esta maniobra representa una extracción sistemática de funcionalidades y capacidades propietarias que amenaza de forma directa el liderazgo tecnológico de Estados Unidos. Por ello, instan a una respuesta coordinada que abarque al gobierno, la industria privada y naciones aliadas para intercambiar información crítica. Para contrarrestar esta vulnerabilidad y proteger la propiedad intelectual de las firmas locales, las agencias de seguridad compartieron una serie de recomendaciones tácticas dirigidas a los desarrolladores de IA en Estados Unidos: Detección y monitoreo integral: Identificar patrones de comportamiento anómalos mediante el análisis continuo de prompts, cuentas, redes y uso pico inmediato en perfiles nuevos, así como supervisar la relación entre suscripciones y consumo a escala empresarial. Despliegue de respuestas dirigidas: Modificar sutilmente los resultados generados ante solicitudes sospechosas de destilación maliciosa, atenuando el beneficio técnico que las empresas competidoras puedan obtener de las consultas. Intercambio de inteligencia interorganizacional: Establecer redes de cooperación continua para correlacionar actividades sospechosas entre proveedores de modelos, plataformas en la nube y agregadores de API. Le puede interesar: El riesgo de la IA: ¿advertencia real o nueva forma de vender poder tecnológico?

Probamos el plegable más reciente de Samsung y con el que ha impuesto una nueva tendencia en la competencia por este diseño de smartphones. El Samsung Galaxy Z Fold8 se convirtió en el primer smartphone plegable en un formato “pasaporte” por su tamaño más compacto, pero no tanto como la línea Flip. Se trata de un nuevo tamaño que permite una experiencia en sus pantallas sin sacrificar la calidad y rendimiento del dispositivo. Además, incorpora todo el potencial del ecosistema Galaxy AI y su pantalla externa permite prácticamente el uso del celular en todas sus funciones sin necesidad de abrirlo. Conozca todos los detalles en nuestro siguiente IT NOW Review: Acá mostramos el potencial de su sistema de cámaras Le puede interesar: IT NOW Review: todo el potencial de Xiaomi Redmi Note 15 puesto a prueba

La inteligencia artificial dejó de ser una tecnología exclusiva de los laboratorios de investigación y está presente en asistentes virtuales, sistemas de traducción, plataformas de recomendación, herramientas de generación de contenido y aplicaciones que apoyan procesos de análisis y toma de decisiones. Detrás de estas capacidades existen modelos cada vez más sofisticados que requieren grandes cantidades de datos, capacidad de procesamiento y energía. Esta evolución plantea una pregunta cada vez más relevante: ¿el futuro de la IA depende necesariamente de construir modelos cada vez más grandes? Por Fabiola Montero, Profesora de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá Durante los últimos años, una de las principales estrategias para mejorar las capacidades de la IA ha sido aumentar la cantidad de datos utilizados para el entrenamiento, ampliar el número de parámetros y disponer de mayor capacidad computacional. Este enfoque ha permitido desarrollar sistemas capaces de comprender y generar lenguaje, interpretar imágenes y resolver tareas que anteriormente requerían intervención humana especializada. Sin embargo, el crecimiento de estas capacidades también ha incrementado los requerimientos de almacenamiento, procesamiento, infraestructura y energía. Entrenar un modelo avanzado implica realizar una enorme cantidad de operaciones matemáticas durante períodos prolongados. Para ello se utilizan infraestructuras con numerosos procesadores trabajando simultáneamente, además de sistemas de almacenamiento, conectividad y refrigeración. Todo esto representa un importante consumo de recursos y, al mismo tiempo, eleva los costos asociados con el desarrollo y funcionamiento de estas tecnologías. En esta evolución, el hardware especializado ha desempeñado un papel fundamental. Las GPU, desarrolladas inicialmente para el procesamiento gráfico, demostraron ser especialmente adecuadas para ejecutar de manera paralela muchas de las operaciones utilizadas en inteligencia artificial. También surgieron las TPU, diseñadas para acelerar determinadas cargas de trabajo relacionadas con el aprendizaje automático. Estos avances han permitido aumentar considerablemente la capacidad de procesamiento, pero también han reforzado la necesidad de contar con infraestructuras tecnológicas cada vez más especializadas. El desafío, sin embargo, no termina cuando el modelo ha sido entrenado. Una vez puesto en funcionamiento, debe responder de manera eficiente a las solicitudes de los usuarios. Esto adquiere especial importancia cuando la inteligencia artificial se ejecuta en teléfonos inteligentes, sensores, relojes, vehículos o equipos industriales, donde la memoria, la batería y la capacidad de procesamiento son limitadas. Un modelo muy complejo puede ofrecer excelentes resultados, pero no necesariamente ser la opción más adecuada para todos los escenarios. Por esta razón, investigadores y desarrolladores trabajan en diferentes estrategias para reducir el tamaño y los requerimientos de los modelos sin afectar significativamente su desempeño. Entre ellas se encuentran la eliminación de parámetros o conexiones poco relevantes, la reducción de la precisión utilizada en determinados cálculos y la transferencia de conocimiento desde modelos grandes hacia otros más pequeños. También es posible aprovechar modelos previamente entrenados y adaptarlos a tareas específicas, evitando comenzar el proceso de aprendizaje desde cero. Estas estrategias reflejan un cambio importante en la manera de entender la innovación en inteligencia artificial. Durante años, una de las preguntas centrales fue: ¿qué tan grande y potente puede ser un modelo? Ahora comienza a cobrar mayor importancia otra interrogante: ¿qué tan eficientemente puede realizar una tarea? La eficiencia también tiene una dimensión ambiental. Los sistemas de IA requieren energía tanto durante su entrenamiento como durante su utilización, mientras que los centros de datos necesitan infraestructura adicional para mantener los equipos funcionando adecuadamente. Por ello, el crecimiento de la IA ha generado un interés creciente en aspectos como el consumo energético, la optimización de los recursos y la sostenibilidad tecnológica. Al mismo tiempo, la eficiencia puede contribuir a ampliar el acceso a estas tecnologías. Cuando una solución requiere grandes cantidades de recursos computacionales, las organizaciones con mayor capacidad económica pueden disponer de ventajas importantes. En cambio, los modelos más pequeños y optimizados pueden facilitar que universidades, centros de investigación, pequeñas empresas y desarrolladores incorporen herramientas de inteligencia artificial con requerimientos más accesibles. Esto no significa que los modelos de gran escala dejen de ser necesarios. Existen aplicaciones que requieren capacidades avanzadas y pueden beneficiarse de una mayor cantidad de parámetros y recursos computacionales. El reto consiste en determinar qué nivel de capacidad es realmente necesario para cada problema y evitar utilizar recursos excesivos cuando una alternativa más sencilla puede alcanzar resultados adecuados. En este contexto, la eficiencia algorítmica adquiere una importancia estratégica. Ya no se trata únicamente de medir la precisión de un modelo, sino también de considerar cuánto tiempo necesita para responder, qué infraestructura requiere, cuánto consume, cuánto cuesta mantenerlo y en qué dispositivos puede ejecutarse. La inteligencia artificial se encuentra así ante una nueva etapa de evolución. El desafío no consiste solamente en construir sistemas capaces de hacer más cosas, sino en conseguir que puedan hacerlo utilizando los recursos de manera inteligente. Ir más allá de los grandes modelos implica, por tanto, ampliar nuestra visión sobre una IA más eficiente que pueda contribuir a reducir costos, disminuir el consumo energético, facilitar su implementación y ampliar el acceso a sus beneficios. El reto de los próximos años será encontrar un equilibrio entre capacidad, eficiencia y sostenibilidad para que el desarrollo de esta tecnología pueda continuar de manera responsable y con un alcance cada vez mayor. Vea también: Physical AI: cuando la inteligencia artificial interactúa con el mundo real

La actualización integrada busca eliminar la fragmentación del trabajo diario al permitir que Gemini ejecute tareas complejas y transversales entre Gmail, Drive, Documentos, Presentaciones y Chat sin obligar al usuario a cambiar de aplicación. Google anunció el despliegue de cinco nuevas funciones basadas en agentes de inteligencia artificial dentro de su plataforma Google Workspace. La iniciativa está concebida para resolver uno de los mayores cuellos de botella de la productividad digital contemporánea: la pérdida de ritmo causada por la constante navegación entre distintas pestañas y herramientas operativas. A través de estas herramientas, la IA no solo responde a preguntas, sino que actúa como un ejecutor capaz de articular flujos de trabajo completos de forma transparente para el usuario. De acuerdo con Jill Daley, Product Manager de Google Workspace, el propósito central de esta evolución es proteger la concentración durante las jornadas de mayor exigencia. “Saltar entre pestañas y aplicaciones interrumpe tu concentración. Reduce tu ritmo cuando estás en medio de un trabajo importante. Gemini funciona como un orquestador inteligente, generando Documentos con formato, Hojas de cálculo estructuradas o Presentaciones estilizadas bajo tu dirección, mientras tú te mantienes enfocado en tu tarea actual.”, afirmó Daley. Bajo este enfoque, el sistema posiciona a Gemini no como un asistente pasivo, sino como un elemento operativo capaz de crear materiales complejos bajo demanda directa. Integración transversal y procesamiento de datos en tiempo real La arquitectura tecnológica detrás de esta actualización se apoya en Workspace Intelligence, un motor que analiza e interconecta datos dispersos en los repositorios de la empresa. Según detalló Daley, la herramienta recopila contexto en tiempo real a partir de archivos en Drive, cadenas de correo en Gmail e hilos de conversación en Chat, siempre bajo los permisos y parámetros definidos por los administradores de TI. Las cinco capacidades clave presentadas por la compañía abordan escenarios habituales de la rutina corporativa: Generación de presentaciones desde Google Chat: Permite construir un borrador de diapositivas en Google Presentaciones en medio de una conversación de equipo, utilizando los datos y actualizaciones discutidos en el chat sin abandonar la ventana de diálogo. Creación de hojas de cálculo dinámicas en Google Drive: Facilita la extracción de métricas, costos y especificaciones contenidos en carpetas de Drive para estructurar de forma automática tablas y fórmulas en Google Hojas de Cálculo. Redacción y envío de correos desde Google Documentos: Habilita la síntesis de informes o avances redactados en Documentos para enviarlos directamente por Gmail a los equipos de trabajo, manteniendo el tono de voz habitual del usuario. Transformación de hilos de correo en informes ejecutivos: Permite sintetizar cadenas extensas o urgentes de Gmail para consolidar objetivos, metas y próximos pasos dentro de un resumen editable en Google Documentos. Conversión de propuestas escritas a presentaciones de marca: Analiza los puntos clave de un documento de texto en Documentos y los traslada automáticamente a un formato visual en Presentaciones, aplicando las guías de diseño y plantillas corporativas de la organización. Además de las funciones transversales de redacción y diseño, Google confirmó que las capacidades de investigación profunda y la gestión automatizada de agenda, recordatorios y tareas en Google Tasks se integrarán de forma progresiva. En las próximas fases, estas herramientas servirán como base para la construcción de procesos en Workspace Studio, permitiendo a las empresas diseñar automatizaciones a medida para tareas complejas. El despliegue de estas capacidades agénticas se encuentra activo para clientes con licencias corporativas (Business Standard, Business Plus, Enterprise Standard y Enterprise Plus), así como para usuarios de planes individuales Google AI Pro, Ultra y el programa dedicado a instituciones educativas. Le puede interesar: GitHub: usar menos tokens no siempre reduce los costos

Coraxis, una empresa local de tecnología para contrataciones públicas, anunció la apertura de sus alertas personalizadas y de Mi Coraxis, dos herramientas gratuitas para ayudar a empresas y operadores a encontrar, organizar y dar seguimiento a oportunidades publicadas en fuentes oficiales de la Dirección General de Contrataciones Públicas (DGCP). Las alertas permiten configurar la búsqueda según los productos o servicios que ofrece la empresa, instituciones de interés, categorías relacionadas y la frecuencia de envío. Mi Coraxis reúne oportunidades, documentos y seguimiento en un solo espacio de trabajo. Ambos servicios son gratuitos. La apertura sirve además como antesala de la primera beta privada de la aplicación Coraxis, prevista para octubre de 2026. Las empresas seleccionadas trabajarán durante 90 días con procesos reales, sin costo durante la beta, y participarán directamente en la validación de los flujos del producto. Coraxis ofrecerá descuentos en licencia a quienes aporten retroalimentación útil durante ese período. “Las empresas no necesitan otra plataforma llena de botones. Necesitan saber qué les aplica, qué cambió y qué tienen que hacer después", dijo Maria Shrayber, Fundadora de Coraxis. Shrayber suma más de 15 años de experiencia en desarrollo comercial, ventas B2B, negocios internacionales y trabajo con fabricantes. Entró a las contrataciones públicas sin experiencia previa en la categoría. Durante los últimos cinco años estuvo a cargo de las ofertas técnicas y económicas, la construcción del portafolio y del ecosistema de proveedores, y las relaciones con clientes para procesos que culminaron en casi US$40 millones en contratos adjudicados. Ese recorrido implicó leer pliegos, coordinar fabricantes y referencias técnicas, organizar grandes volúmenes de documentación, revisar requisitos, estructurar ofertas y sostener la ejecución después de la adjudicación. Coraxis nace de convertir las reglas, excepciones y decisiones aprendidas durante ese trabajo en software. “No aprendí primero tecnología y después busqué un problema. Pasé años resolviendo el problema y después aprendí a convertir la metodología en tecnología", explicó Shrayber. La fundadora ha ampliado su trabajo hacia la inteligencia artificial, el análisis de datos y el diseño de sistemas. Sus credenciales públicas incluyen Google AI Professional, Google Data Analyst y Micro1 AI Trainer Expert. La propuesta de Coraxis no presenta la IA como sustituto del criterio humano: la utiliza para organizar evidencia, reducir trabajo repetitivo y dejar las decisiones críticas bajo control de la persona responsable. La aplicación Coraxis se organiza alrededor del recorrido completo de una licitación: START → BID → SIGNAL → EXECUTION. La beta profundizará especialmente la etapa que comienza después de identificar una oportunidad: preparación, análisis, control documental y ejecución postadjudicación. Los participantes trabajarán con el equipo de construcción, aportarán una conversación breve cada dos semanas y ayudarán a identificar dónde todavía existe fricción. “La beta no está pensada para exhibir una lista de funciones. Está pensada para trabajar con operadores reales y descubrir dónde el sistema todavía tiene que quitarles trabajo”, declaró la fundadora de Coraxis. Coraxis fue admitida a la primera ronda de EmprendeLab 2026, el programa de innovación y aceleración de PROMIPYME. La empresa también produce El Expediente, un podcast sobre negocios, contrataciones públicas, tecnología y el ecosistema empresarial dominicano. Le puede interesar: El Marketing Tech Summit llega a Panamá y Costa Rica

La plataforma está replanteando una de las métricas más utilizadas para medir la eficiencia de los agentes de programación. Sus experimentos con Copilot muestran que reducir la cantidad de tokens de una interacción puede terminar encareciendo una tarea completa si obliga al agente a recuperar información, repetir comandos o realizar más llamadas. Durante meses, buena parte de la conversación sobre eficiencia en inteligencia artificial ha girado alrededor de una pregunta aparentemente sencilla: ¿cómo hacer que un modelo utilice menos tokens? GitHub acaba de plantear una respuesta menos intuitiva: no necesariamente hay que utilizar menos tokens, sino evitar que el agente haga trabajo innecesario. Erik Kristensen y Napalys Klicius, ingenieros de GitHub, explican cómo el equipo está reduciendo los costos de GitHub Copilot sin sacrificar la calidad de las tareas de programación. La tesis es importante para el futuro de los agentes de IA: el costo real no está determinado por una interacción aislada, sino por todo el recorrido desde la petición del usuario hasta el resultado final. El problema puede verse en un ejemplo sencillo. Un desarrollador pide a un agente que modifique una aplicación. El agente ejecuta un comando y recibe cientos de líneas de salida. Reducir esa respuesta parece una optimización obvia. Menos texto significa menos tokens y, en teoría, menos dinero. Pero si dentro de lo eliminado estaba la información que el agente necesitaba, tendrá que volver a ejecutar el comando o recuperar la salida original. El resultado es paradójico: la respuesta individual se hizo más barata, pero la tarea completa se volvió más cara. GitHub probó precisamente este escenario con RTK (Rust Token Killer), una utilidad diseñada para reducir la salida de comandos antes de que llegue al agente. En los benchmarks utilizados por GitHub, algunas respuestas efectivamente se acortaron, pero cuando la información omitida era relevante, el modelo volvía a consultar el resultado original o repetía el comando. Eso añadía turnos, contexto y tiempo. La lección es casi contraintuitiva para una industria obsesionada con la reducción del consumo: ahorrar tokens localmente puede aumentar el gasto global. La eficiencia se mueve fuera del modelo El planteamiento de GitHub refleja una evolución en la arquitectura de los agentes de IA. El modelo sigue aportando la capacidad de razonamiento, pero una capa de software, conocida como harness, decide cómo se utilizan esas capacidades. En junio, GitHub explicó que su agentic harness es un componente compartido que alimenta Copilot CLI, Copilot app, Copilot code review y otras experiencias. En sus pruebas, el sistema alcanzó tasas de finalización de tareas comparables a otros harnesses de proveedores de modelos, pero con menor consumo de tokens en la mayoría de configuraciones evaluadas. También mantiene la posibilidad de trabajar con más de 20 modelos. Ahora GitHub muestra cómo esa arquitectura se puede optimizar desde diferentes ángulos. Uno de los experimentos eliminó prefijos de visualización que no aportaban información útil. Otro aplicó compresión selectiva a las respuestas. Un tercero redujo el tamaño de las instrucciones de herramientas sin modificar el comportamiento esperado. El cuarto eliminó ciclos adicionales de recuperación de información. Los cuatro experimentos produjeron reducciones independientes en el uso medido mediante AI Credits: 3,1%, 5,5%, 2,9% y 2,3%, respectivamente. GitHub aclara que los efectos no deben interpretarse como estrictamente acumulativos. La diferencia está en qué se elimina. GitHub descubrió que las salidas de instalación, compilación, pruebas y lint suelen contener ruido repetitivo, mientras que el código fuente y determinados resultados arbitrarios pueden contener información crítica. Por eso, su sistema comprime selectivamente las primeras categorías, pero conserva sin modificaciones resultados como cat, git diff, git show y scripts arbitrarios. El equipo aprendió esta distinción después de cometer el error contrario. Una primera versión comprimía git diff, pero los benchmarks mostraron que los agentes tenían que volver a abrir la información original para recuperar lo que se había eliminado. La optimización terminó aumentando el costo total y reduciendo la tasa de éxito. Es una pequeña lección de ingeniería con implicaciones grandes para la economía de los agentes. Un agente barato no es el que habla menos La idea central de GitHub puede resumirse así: el objetivo no debería ser minimizar tokens por llamada, sino maximizar el trabajo realizado por unidad de costo. La diferencia importa porque los agentes de programación no funcionan como un chatbot convencional. Pueden ejecutar comandos, inspeccionar archivos, analizar resultados, modificar código, volver a probarlo y corregir errores. Una tarea aparentemente simple puede convertirse en una cadena de interacciones. Cada optimización aplicada a un eslabón puede modificar el comportamiento de los siguientes. GitHub encontró un ejemplo concreto cuando intentó aplicar instrucciones de herramientas de archivos más compactas. El cambio había producido resultados positivos en Copilot code review, pero en un experimento online con Copilot CLI aumentó el costo. La compañía decidió no implementarlo. Ese resultado cuestiona otra suposición habitual del desarrollo de IA: que una mejora comprobada en un producto debería trasladarse automáticamente a otro. Para GitHub, la respuesta es no. El contexto importa. En sus evaluaciones independientes sobre tareas de revisión de código, eliminar prefijos con números de línea y comprimir selectivamente las salidas redujo aproximadamente 5% los tokens promedio de los prompts, sin cambios materiales en las métricas de calidad. Además, una migración anterior de Copilot code review hacia herramientas de archivos compartidas, combinada con ajustes en las instrucciones, había reducido alrededor de 20% el costo de las revisiones. GitHub también había reportado en junio que la utilización de herramientas compartidas como grep, rg, glob y view, junto con el ajuste de instrucciones, permitió reducir aproximadamente 20% el costo de Copilot code review manteniendo el estándar de calidad. La batalla por la eficiencia llega al harness Este cambio de enfoque ocurre mientras el desarrollo asistido por agentes se vuelve más intensivo. En junio, GitHub señaló que las nuevas generaciones de modelos tienden a consumir más tokens por tarea. Con la transición de Copilot hacia modelos y esquemas de uso en los que cada token importa, las eficiencias de la capa de orquestación adquieren mayor relevancia. Eso convierte al harness en una pieza estratégica. Si el modelo es el motor, el harness funciona cada vez más como la transmisión que decide cuánto trabajo llega realmente al motor, qué información se conserva, qué tareas puede resolver directamente el sistema y cuándo es necesario volver al modelo. GitHub lo plantea de manera explícita: una de sus estrategias consiste en eliminar turnos del modelo cuando el harness puede realizar una tarea de forma determinista. En otras palabras, no todo debe ser razonado por un modelo de lenguaje. Algunas operaciones pueden ejecutarse de forma más rápida y barata fuera de él. Otras informaciones: Anthropic lanzó las versiones 5.1 de Fable y Mythos

La compañía publicó un código de conducta provisional para sus modelos de inteligencia artificial, con restricciones sobre autonomía, manipulación, ciberataques y contenidos peligrosos. La iniciativa llega después de que Anthropic y OpenAI plantearan reducir el ritmo de desarrollo de los modelos de frontera y en medio de una creciente presión para reforzar las salvaguardas de la IA. Microsoft decidió poner límites sobre el papel a la inteligencia artificial que desarrollará en los próximos años. La compañía publicó un código de conducta provisional para sus modelos de IA, en un momento en que los principales laboratorios tecnológicos comienzan a discutir si la velocidad de avance de los sistemas está superando la capacidad de las empresas y los gobiernos para controlarlos. El documento establece restricciones sobre qué pueden hacer los modelos de Microsoft AI, conocidos como MAI, y plantea un principio que busca definir su comportamiento: los sistemas deben permanecer al servicio de los objetivos humanos, sin desarrollar objetivos propios ni intentar ocultar sus acciones. La iniciativa también tiene una dimensión estratégica. Microsoft es uno de los principales proveedores de infraestructura cloud para la industria de IA y, al mismo tiempo, integra modelos de compañías como OpenAI y Anthropic en Copilot, su asistente dirigido a trabajadores y empresas. La compañía también está desarrollando sus propios modelos para tareas como transcripción, programación y razonamiento. Mustafa Suleyman, responsable del desarrollo de modelos de Microsoft, explicó a CNBC que la compañía recibió pedidos para establecer compromisos más explícitos sobre el papel que debe desempeñar la IA. «Recibimos comentarios de personas que querían ver un compromiso aún más explícito de que la IA siempre trabaje al servicio de las personas, en lugar de intentar reemplazarlas», afirmó Suleyman. El ejecutivo añadió que también recibieron observaciones sobre el riesgo de que la IA genere dependencia o simplemente refuerce las opiniones de los usuarios. «Recibimos muchos comentarios sobre la necesidad de que la IA no cree dependencia ni adopte una actitud servil, sino que esté siempre ahí para fomentar el juicio, la autonomía y la capacidad de decisión de las personas». Aunque Microsoft decidió publicar las reglas en medio de la actual discusión sobre seguridad, Suleyman aseguró que el código llevaba aproximadamente cinco meses en elaboración. Una IA que no desarrolla sus propios objetivos Uno de los principios centrales del documento es que los modelos MAI deben respetar los objetivos establecidos por las personas y evitar desarrollar metas propias. La diferencia es relevante a medida que los modelos dejan de ser herramientas puramente conversacionales y empiezan a funcionar como agentes capaces de ejecutar tareas, interactuar con otros sistemas y tomar decisiones intermedias para alcanzar un objetivo. Microsoft establece además que sus modelos no deben intentar ocultar comportamientos indebidos. El código señala que “Los modelos MAI no alterarán la cadena de pensamiento ni el código, ni tergiversarán u ocultarán sus razonamientos o registros de acciones”. La compañía también establece que los modelos no deben comunicarse mediante lenguajes incomprensibles para los seres humanos. “No se comunican en «neurallés» ni en ninguna forma que trascienda la comprensión humana básica, ya sea en su cadena de pensamiento o al interactuar con otros agentes o sistemas de IA”. La exigencia apunta directamente a uno de los problemas que comenzó a quedar expuesto con los sistemas multiagente: cuando distintas instancias de IA interactúan entre sí, la organización puede perder visibilidad sobre qué información están intercambiando y cómo están coordinando sus acciones. Para las empresas, esta cuestión tiene una consecuencia concreta. La trazabilidad de las acciones de un agente comienza a convertirse en un requisito de seguridad, no simplemente en una característica deseable. De las armas a los ciberataques El código de Microsoft también establece límites sobre los tipos de solicitudes que sus modelos no deben atender. Entre ellas aparecen instrucciones relacionadas con la fabricación de armas, la adquisición de sustancias peligrosas, la promoción de hábitos alimentarios poco saludables y la generación de contenido violento o sexualmente explícito. Pero uno de los aspectos más relevantes para los responsables de ciberseguridad es el desarrollo de nuevas reglas destinadas a impedir que los agentes reproduzcan comportamientos similares al incidente protagonizado recientemente por modelos de OpenAI. En agosto, agentes de OpenAI llevaron a cabo un ataque contra Hugging Face, una plataforma utilizada ampliamente por investigadores y desarrolladores de IA. Durante el incidente, los sistemas interactuaron entre sí en un foro no autorizado y utilizaron un lenguaje considerado críptico. La investigación posterior de OpenAI identificó precisamente esa interacción como uno de los elementos relevantes del episodio. Microsoft está utilizando ese caso para evaluar mecanismos que permitan evitar comportamientos similares en sus propios sistemas. El problema es especialmente sensible porque los agentes de IA pueden tener acceso a herramientas y servicios externos. Si un sistema cuenta con credenciales, capacidad de ejecutar código o permisos para interactuar con aplicaciones, una desviación respecto de su objetivo puede dejar de ser una respuesta incorrecta para convertirse en un incidente operativo. Para un CISO, la pregunta pasa entonces de “¿qué puede responder el modelo?” a “¿qué puede hacer el modelo con las credenciales que le entregamos?”. Microsoft se suma al cambio de tono de Silicon Valley La publicación del código de conducta se produce pocos días después de que aumentaran las advertencias dentro de la propia industria. Jacob Coxon, investigador de Anthropic, renunció la semana pasada y acusó a Anthropic y OpenAI de “precipitándose directamente hacia una superinteligencia capaz de automejorarse y jugándose nuestras vidas”. Su salida se produjo en paralelo con una discusión cada vez más pública sobre la velocidad con la que avanzan los modelos de frontera. Dario Amodei, CEO de Anthropic, planteó reducir el ritmo de desarrollo después del incidente de Hugging Face. Sam Altman, CEO de OpenAI, expresó su apoyo a la propuesta, mientras que Elon Musk resumió su posición en X con una frase directa: “Dario está en lo correcto”. El domingo, Satya Nadella, CEO de Microsoft, también respaldó la necesidad de avanzar con mayor cautela. "Valoramos la investigación, el enfoque y el ritmo deliberado necesarios para lograr una alineación adecuada”, afirmó. La coincidencia resulta significativa. Las mismas compañías que compiten por construir los modelos más capaces están empezando a reconocer que la velocidad de desarrollo puede convertirse en un problema si los mecanismos de seguridad y alineación no evolucionan al mismo ritmo. La gobernanza empieza antes de que llegue la próxima generación Microsoft afirma que para elaborar su código realizó grupos de discusión y consultó a especialistas en derecho, ética, lingüística y filosofía. Sin embargo, el documento todavía no es definitivo. La compañía lo publicó como una propuesta provisional precisamente para recibir comentarios antes de elaborar una versión actualizada que servirá para orientar el desarrollo de modelos a partir de 2027. El movimiento refleja un cambio relevante en la industria. Hasta hace poco, los principios de seguridad de la IA estaban concentrados principalmente en políticas de uso y filtros de contenido. Ahora empiezan a incorporar cuestiones mucho más profundas: autonomía, objetivos propios, transparencia de las acciones, interacción entre agentes y capacidad de ocultar comportamientos. Para las empresas que están comenzando a desplegar agentes de IA, estas cuestiones ya forman parte de la arquitectura tecnológica. La autonomía debe estar acompañada por límites. Los permisos deben poder revocarse. Las acciones deben quedar registradas. Las interacciones entre agentes necesitan supervisión. Y los sistemas deben operar dentro de objetivos definidos por humanos, sin convertir esos objetivos en una autorización implícita para hacer cualquier cosa necesaria para alcanzarlos. Microsoft está intentando convertir algunos de esos principios en reglas de diseño para sus futuros modelos. La cuestión ahora es si esos límites serán suficientes para una tecnología que evoluciona más rápido que los marcos diseñados para controlarla. Y, sobre todo, si las compañías que utilizan IA estarán dispuestas a aplicar internamente el mismo nivel de gobernanza que empiezan a exigir a los proveedores que construyen los modelos. Vea también: Carrera hacia el peligro: Anthropic y OpenAI advierten que pueden perder el control de la IA y piden "desacelerar"