La firma experimenta con un agente de codificación , una apuesta que refleja la creciente competencia en herramientas de desarrollo asistidas por IA y plantea nuevas preguntas sobre el futuro del trabajo técnico. IBM probó con sus más de 80.000 colaboradores un agente de codificación llamado Bob, diseñado para colaborar con desarrolladores en la creación, revisión y mejora de código que hoy finalmente fue lanzado a todo el público. El movimiento no ocurre en el vacío. Empresas como GitHub, OpenAI y Google ya han establecido una fuerte presencia en este espacio con copilotos y asistentes avanzados. La apuesta de IBM busca posicionarse en un terreno cada vez más competitivo, donde la productividad del desarrollador se ha convertido en un diferenciador clave. Bob no es simplemente un autocompletador. La propuesta apunta a un agente más autónomo, capaz de entender contextos, sugerir soluciones y participar activamente en el ciclo de desarrollo. Esto incluye desde la generación de código hasta la identificación de errores y la optimización de rendimiento. El potencial es significativo. Según la compañía, durante el periodo de prueba pudieron observar un "aumento promedio de la productividad del 45 por ciento en flujos de trabajo complejos de varios pasos". Herramientas de este tipo han demostrado reducir tiempos de desarrollo y mejorar la calidad del código. Sin embargo, también introducen nuevas dinámicas en el trabajo técnico. El rol del desarrollador evoluciona, pasando de escribir código a supervisar, validar y dirigir sistemas automatizados. El enfoque de IBM también refleja una estrategia más amplia. La compañía ha estado invirtiendo en IA empresarial, buscando diferenciarse con soluciones orientadas a entornos corporativos, donde la seguridad, la gobernanza y la integración con sistemas existentes son críticas. Pero el camino no está exento de desafíos. La precisión de los modelos, el riesgo de errores en código generado y la dependencia de sistemas automatizados son preocupaciones recurrentes. Además, la adopción en entornos empresariales requiere niveles de confianza que aún están en construcción. El caso de Bob ilustra una transición más profunda en la industria del software. La programación, tradicionalmente vista como una actividad altamente manual y especializada, está siendo reconfigurada por la inteligencia artificial. Lea también: Por qué IBM triplicará la contratación de puestos junior en plena ola de reemplazos por la IA

La falta de memorias podría extenderse hasta 2027, impulsada por la demanda de inteligencia artificial y centros de datos. El desequilibrio entre oferta y consumo ya impacta precios y cadenas de suministro. La escasez global de memoria RAM, lejos de resolverse, podría prolongarse hasta el próximo año o incluso más allá. La causa principal es un desbalance estructural entre la oferta de chips y una demanda que crece de forma exponencial, impulsada por la inteligencia artificial, los centros de datos y la computación de alto rendimiento. Fabricantes como Samsung, SK Hynix y Micron han redirigido buena parte de su capacidad hacia memorias avanzadas como HBM, utilizadas en sistemas de IA. Esto ha reducido la producción de DRAM tradicional, generando un cuello de botella que afecta desde laptops hasta servidores empresariales. El impacto ya se siente en los precios. Analistas anticipan aumentos sostenidos en el costo de la memoria durante 2026, con efectos en cascada sobre el precio final de dispositivos electrónicos. La situación recuerda a crisis anteriores en la industria de semiconductores, pero con una diferencia clave: esta vez, la presión proviene de una tecnología emergente que no muestra señales de desaceleración. La inteligencia artificial generativa está en el centro de esta tormenta. Modelos cada vez más grandes requieren cantidades masivas de memoria para entrenamiento e inferencia. Esto ha disparado la demanda de chips especializados y ha desplazado recursos productivos que antes abastecían el mercado de consumo. El problema no es solo de capacidad, sino de transición tecnológica. Las fábricas necesitan tiempo y miles de millones de dólares para adaptarse a nuevas arquitecturas de memoria. Mientras tanto, la demanda sigue creciendo a un ritmo que supera cualquier previsión. Para empresas tecnológicas, esto implica replantear estrategias. Algunas están optimizando software para reducir el consumo de memoria, mientras otras aseguran contratos a largo plazo con proveedores para garantizar suministro. En paralelo, startups exploran alternativas como nuevas arquitecturas de chips o sistemas de compresión más eficientes. El riesgo es sistémico. Si la escasez persiste, podría ralentizar la adopción de IA, encarecer infraestructuras y limitar la innovación en múltiples sectores. La memoria, un componente históricamente invisible para el usuario final, se ha convertido en uno de los cuellos de botella más críticos de la economía digital. Lea también: IT NOW Review: Kingston SSD Dual Portable a prueba

Como todos los viernes, llegó un nuevo episodio del podcast que recorre la agenda tech global con mirada crítica y lengua ácida. Conduce 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, con buena onda y una gota de acidez. En esta entrega : OpenAI quiere su propio teléfono: Siri tiembla, tu batería también Musk demanda a OpenAI: pelea de exsocios con complejo de superhéroes X Money llega pronto: ahora podés perder plata dentro de Twitter Google pone hasta US$40 mil millones en Anthropic: fe ciega con Excel abierto Pentágono + IA de Google: cuando los límites morales quedan en visto Snapchat suma anuncios con chat: ahora la publicidad también te escribe Una IA abrió una tienda en San Francisco y quebró comprando velas Venden productos agotados con IA: marketing basado en la frustración Pompeya usa IA para reconstruir una cara… 2.000 años tarde Taylor Swift blinda su voz e imagen: ni los bots cantarán gratis Le puede interesar: Week Report #81: el resumen tech que informa y complica todo con un chiste

La compañía introduce capacidades de IA “agentic” en Dynamics 365 y Copilot Studio, con foco en automatización, voz y continuidad del cliente, en un intento por convertir la experiencia en un driver directo de ingresos. El discurso sobre experiencia de cliente (CX) dejó de ser aspiracional para convertirse en infraestructura crítica. Esa es, en esencia, la tesis que sostiene Microsoft en su último movimiento estratégico: transformar la CX en un motor de crecimiento medible mediante inteligencia artificial operativa. El anuncio gira en torno a un concepto clave, “agentic CX”, una evolución de la IA que ya no solo asiste, sino que ejecuta tareas completas a lo largo del ciclo de vida del cliente. Según la compañía, esto rompe un modelo histórico donde escalar significaba contratar más personal, una ecuación que, en contextos de headcount plano, dejó de ser sostenible. El lanzamiento más visible son los agentes de voz en tiempo real dentro de Microsoft Copilot Studio, que buscan redefinir uno de los canales más persistentes del servicio al cliente. El dato no es menor: el 82% de las interacciones siguen utilizando voz, ya sea como canal inicial o como escalamiento, según Metrigy. Aquí hay una lectura estratégica. Mientras buena parte de la industria apostó por chatbots y autoservicio digital, Microsoft refuerza la voz como canal de confianza en escenarios complejos. No se trata solo de automatizar, sino de hacerlo en el punto de mayor fricción emocional. Además, estos agentes rompen con el viejo paradigma del IVR rígido. La promesa es conversación natural, interrupciones fluidas y cambio de idioma en tiempo real, con transferencia de contexto entre autoservicio y agentes humanos. En otras palabras, eliminar uno de los mayores irritantes del CX moderno: la repetición. El trasfondo es aún más ambicioso. Microsoft no está lanzando herramientas aisladas, sino un sistema de agentes interconectados en Dynamics 365 Contact Center que cubren desde atención hasta operaciones. Customer Assist, Quality Assurance y Service Operations funcionan como una capa continua de inteligencia que aprende de cada interacción. La implicación es clara: la experiencia deja de ser un costo operativo para convertirse en una fuente de eficiencia acumulativa. Cada interacción mejora el sistema, y el sistema mejora el margen. Pero el verdadero cambio es cultural. Como señala el propio enfoque de Microsoft, la automatización no apunta a reemplazar humanos, sino a liberar capacidades humanas para momentos de alto valor (empatía, juicio, creatividad). En un mercado donde la diferenciación por producto es cada vez más difícil, la experiencia se convierte en ventaja competitiva. Microsoft no solo lo reconoce: está construyendo la infraestructura para capturar ese valor. Puede interesarle: Microsoft presentó el chip de IA Maia 200

La firma anunció nuevas funciones “agentic” para Outlook. Copilot podrá priorizar correos, redactar seguimientos, reorganizar reuniones, resolver conflictos de agenda y proteger bloques de foco sin esperar instrucciones paso a paso. Microsoft quiere que Outlook deje de ser una bandeja de entrada y pase a funcionar como un operador autónomo del trabajo diario. La compañía presentó nuevas capacidades de Copilot en Outlook orientadas a correo electrónico y calendario, con una premisa directa: que la IA no solo ayude, sino que ejecute tareas continuas. En email, Copilot podrá detectar mensajes pendientes de respuesta, priorizar conversaciones importantes, redactar seguimientos automáticos y crear reglas para limpiar la bandeja. Microsoft incluso propone escenarios como regresar de vacaciones y pedirle al sistema que resuma lo ocurrido, identifique urgencias, sugiera archivos y marque las primeras tareas del día. En calendario, la apuesta es todavía más ambiciosa. Outlook podrá responder invitaciones según preferencias definidas por el usuario, mover reuniones uno a uno ante conflictos, reprogramar salas, cancelar encuentros y reservar tiempo de concentración. También podrá generar agendas según objetivo, audiencia y tono. La empresa agrega una capa estratégica: análisis del uso del tiempo. Copilot revisará la agenda semanal y recomendará qué reuniones conviene rechazar, delegar, seguir en modo pasivo o convertir en intercambio asincrónico. Es una admisión corporativa importante: el problema no es solo tener demasiadas reuniones, sino que muchas generan bajo retorno. Estas funciones comenzaron a desplegarse desde el 27 de abril a través del programa Frontier, el canal de acceso anticipado de Microsoft. Algunas estarán disponibles en todos los endpoints de Outlook y otras, inicialmente, en Windows y web. Lo relevante no es solo Outlook. Microsoft está redefiniendo la relación entre software empresarial y usuario. Durante décadas, las suites de productividad ofrecieron herramientas para hacer tareas. La nueva etapa busca asumir parte del trabajo administrativo que consume horas invisibles. Si el modelo funciona, el correo dejará de ser un lugar donde se acumulan pendientes y pasará a ser una capa automatizada de coordinación. Para millones de trabajadores, eso puede sonar a alivio. Para otros, a una nueva forma de delegar criterio en algoritmos. Le puede interesar: DeepSeek lanzó su nuevo modelo insignia y reabre la batalla global por el costo de la IA

En lugar de generar alerta, se presentan maneras de identificar signos y responder, incluso apalancados de la tecnología. Costa Rica experimenta un auge en el sector tecnológico, lo que trae consigo un riesgo cada vez más probable para las empresas si no se atiende a tiempo: el burnout en los equipos de Tecnologías de Información (TI). Así lo analiza ManageEngine, proveedor global de soluciones de gestión de TI empresarial. La Caja Costarricense de Seguro Social registró 3.220 diagnósticos de burnout o síndrome del trabajador quemado en el 2025, lo que muestra que no es un tema exclusivo de una industria, pero la etapa de fuerte expansión que experimenta el sector de Tecnologías de Información y Comunicación (TIC) puede derivar en que los integrantes de sus equipos sean más propensos a este padecimiento. De acuerdo con Procomer, nueve de cada diez empresas del sector TIC planean diversificar su oferta comercial en el mediano plazo, lo que implica mayores cargas operativas, ampliación de servicios y mayor responsabilidad para equipos técnicos que ya operan a un ritmo alto. A esto se suma un entorno tecnológico cada vez más complejo con la constante exposición a ciberamenazas, la adopción acelerada de inteligencia artificial, infraestructuras híbridas y expectativas de disponibilidad continua. En este contexto, los equipos de TI no solo mantienen la operación diaria, sino que también en cierto punto son ese escudo que sostiene la continuidad del negocio. “Cuando los equipos de TI operan de forma permanente en modo de urgencia, el riesgo no es solo humano, sino operativo. La fatiga crónica reduce la capacidad de anticipación y respuesta, justo cuando los entornos tecnológicos exigen mayor estabilidad y control”, afirmó Wilson Calderón, director técnico asociado en ManageEngine LATAM. Señales y prevención. El burnout debe ser diagnosticado por un profesional en psicología, no obstante, hay síntomas identificables para solicitar ayuda, por ejemplo: Fatiga crónica Dolores de cabeza fuertes o migraña Problemas gastrointestinales Pérdida del apetito Cinismo, indiferencia e incomodidad Desmotivación En general, la prevención del burnout pasa por decisiones estructurales, no solo individuales del colaborador. Las empresas están en la responsabilidad de brindar condiciones laborales idóneas, desde salario justo, cargas realistas y tiempos de descanso adecuados hasta fomentar una cultura de comunicación en donde las personas sientan que pueden expresar su malestar personal o profesional. En conjunto pueden desarrollarse estrategias como ejercicios de respiración, redistribución de cargas laborales, pausas activas, entre otras. “No se debe esperar al burnout para accionar, puesto que ya el mero agotamiento incrementa la probabilidad de errores, incidentes de seguridad, tiempos de respuesta más lentos y decisiones reactivas. Reconocer y atender temprano las alertas propician bienestar del colaborador, además de operaciones de TI más resilientes y eficientes, alineadas con el crecimiento que el sector proyecta para los próximos años”, explicó. ¿Cómo puede apoyar la tecnología? La gran cantidad de tareas y herramientas aisladas, los procesos manuales repetitivos y alta dependencia de la intervención humana de inciden en el desgaste. La adopción de plataformas unificadas, mayores niveles de automatización, y modelos de operación más predecibles permite reducir tareas de bajo valor, disminuir la reacción constante ante incidentes y liberar tiempo para actividades estratégicas. Por ejemplo, las soluciones tecnológicas actuales permiten anticipar fallos, detectar anomalías antes de que escalen y priorizar acciones con base en impacto real, dando más tiempo al humano para el análisis y la planificación. En un país como Costa Rica, que se posiciona como hub tecnológico regional y líder en adopción de tecnologías digitales, el cuido del talento en TI se vuelve un factor crítico de competitividad. Las organizaciones que ignoren el burnout corren el riesgo de enfrentar mayores costos de rotación, pérdida de conocimiento clave y vulnerabilidades operativas. Le puede interesar: Líderes de la región redefinen el futuro de la educación superior en la era de la IA

Entrevista con la especialista en data y prácticas éticas de SAS, que advierte que el mayor riesgo no es la tecnología, sino la falta de gobernanza y definición estratégica en su uso. Kristi Boyd, especialista en data y ética de inteligencia artificial de SAS. En un entorno donde la inteligencia artificial avanza con rapidez y se integra en múltiples industrias, la conversación sobre ética y gobernanza se vuelve cada vez más relevante. Expertos coinciden en que el verdadero desafío no está únicamente en el desarrollo tecnológico, sino en cómo las organizaciones gestionan su implementación y los impactos que genera en la sociedad. En este contexto, IT NOW conversó con Kristi Boyd, durante el SAS Innovate 2026, donde la especialista en data y ética de inteligencia artificial de SAS, compartió su visión sobre los desafíos actuales. Boyd explicó que uno de los principales riesgos es asumir que la ética no aplica a ciertos sectores o casos de uso. “A menudo olvidamos que, incluso si no estamos integrando la ética de manera intencional, lo estamos haciendo de forma implícita a través de las decisiones que tomamos”, señaló. Boyd destacó que la necesidad de incorporar pensamiento ético en la IA no es exclusiva de industrias reguladas. Aunque sectores como salud o ciencias de la vida cuentan con una larga trayectoria en bioética, otras áreas comienzan a reconocer su importancia. Por ejemplo, en servicios públicos, decisiones automatizadas pueden influir en aspectos críticos como el orden en que se restablece el suministro eléctrico tras una interrupción. En cuanto a la implementación de inteligencia artificial confiable, la experta subrayó que todo debe partir de una comprensión clara de los objetivos de negocio. Según explicó, avanzar sin una estrategia definida puede llevar a las organizaciones en la dirección equivocada. En este sentido, SAS promueve un modelo basado en cuatro pilares: supervisión estratégica, operaciones, controles y cultura organizacional, como base para una gobernanza efectiva. La evolución de la inteligencia artificial también ha transformado el enfoque ético. Boyd indicó que, aunque los valores fundamentales de innovación responsable y enfoque humano se han mantenido durante décadas, el debate actual se centra en los casos de uso específicos. “La IA generativa en sí misma no es el riesgo; el riesgo está en cómo se aplica”, afirmó, destacando que no es lo mismo usarla para tareas simples que para procesos críticos como la redacción de contratos legales. En el ámbito tecnológico, SAS ha desarrollado un portafolio enfocado en la gobernanza de modelos. Su plataforma Viya permite la gestión de datos y modelos con funcionalidades integradas para evaluar equidad y mitigar sesgos. Además, herramientas como Governance Manager abordan el riesgo en sectores como el financiero, mientras que soluciones más recientes buscan traducir métricas técnicas en información comprensible para la alta dirección. Uno de los errores más comunes que cometen las organizaciones, según Boyd, es implementar inteligencia artificial sin definir una postura clara frente al riesgo. Algunas empresas optan por posicionarse como innovadoras y asumir ciertos riesgos controlados, mientras que otras priorizan la confianza y adoptan la tecnología en etapas más avanzadas. “El problema es no tomar una decisión estratégica y actuar solo por miedo a quedarse atrás”, advirtió. De cara al futuro, la especialista considera que la ética en IA debería evolucionar hacia un componente estructural dentro de las organizaciones, similar a lo que ocurrió con la protección de datos tras la entrada en vigor del GDPR. La meta, explicó, es que deje de ser un tema de alta escalada en juntas directivas para convertirse en un proceso operativo integrado a la cultura corporativa. Finalmente, Boyd reconoció que uno de los mayores retos actuales es la falta de recursos y talento especializado. Aunque las empresas son cada vez más conscientes de la importancia de la gobernanza, su implementación requiere inversión continua en tiempo y personal. “No es algo que pueda gestionarse con recursos limitados o dedicación parcial”, concluyó. Le puede interesar: "SAS Innovate 2026 arrancó en Dallas con foco en la confianza, la gobernanza y el papel humano en la IA"

La inteligencia artificial ya no es una iniciativa periférica. Los líderes tecnológicos están aplicándola directamente en los flujos de trabajo internos de TI, redefiniendo productividad, automatización y toma de decisiones. Durante años, la inteligencia artificial fue vista como una herramienta orientada al cliente: chatbots, recomendaciones, análisis de comportamiento. Hoy, el foco está cambiando de dirección. Según un análisis reciente de CIO.com, los líderes están llevando la transformación con IA al núcleo mismo de las operaciones de TI. La lógica es clara. Antes de escalar la IA hacia el negocio, las organizaciones están optimizando sus propios sistemas internos. Esto incluye automatización de tickets, gestión de incidentes, monitoreo predictivo y generación de código asistido. El resultado es una TI más ágil, eficiente y estratégica. Uno de los cambios más relevantes es la automatización de flujos de trabajo. Herramientas impulsadas por IA permiten reducir significativamente el tiempo dedicado a tareas repetitivas, desde la clasificación de incidencias hasta la resolución de problemas comunes. Esto libera a los equipos para enfocarse en iniciativas de mayor valor. El impacto en productividad es notable. Algunas organizaciones reportan mejoras sustanciales en tiempos de respuesta y reducción de errores operativos. La IA no solo acelera procesos, también introduce consistencia y capacidad de aprendizaje continuo. Otro frente clave es la observabilidad. Los sistemas de IA están permitiendo detectar anomalías antes de que se conviertan en fallas críticas. Esto transforma el enfoque de TI, que pasa de reactivo a predictivo. La infraestructura deja de ser un sistema que se repara y se convierte en uno que se anticipa. Pero el cambio más profundo está en la toma de decisiones. Los CIO están utilizando IA para analizar grandes volúmenes de datos operativos y generar insights accionables. Esto redefine el rol del área de TI, que deja de ser un soporte técnico para convertirse en un socio estratégico del negocio. Esta estrategia responde además a una de las presiones con las que más están batallando los líderes empresariales, hacer más con menos, anális destacan que el 57% de los CIOs se enfrentan a la presión de mejorar la productividad y el 52% a la de reducir costes. "Quiero reinventar la forma en que el departamento de TI interactúa con nuestros socios comerciales para ser más receptivos y ágiles, de modo que podamos ofrecer valor con mayor frecuencia y estar mucho más centrados en el cliente. Queremos innovar más rápido, ofrecer más y lograr más”, explica Anisha Vaswani , directora de información y atención al cliente de Extreme Networks a CIO.com. Sin embargo, la adopción no está exenta de tensiones. La integración con sistemas legacy, la gestión de datos y la necesidad de nuevas habilidades son barreras significativas. Además, la dependencia creciente de modelos de IA plantea interrogantes sobre gobernanza, seguridad y transparencia. “El departamento de TI se encuentra en una posición única: se les pide que lleven a cabo una transformación en toda la organización, además de en el propio departamento de TI. Tienen esa doble presión”, añade Alex Wyatt , director de la consultora West Monroe. Puede interesarle: “Tokenmaxxing”: la extraña obsesión que revela el verdadero cuello de botella de la IA

En un momento en que Costa Rica acelera su apuesta por la economía del conocimiento, la mirada del sector académico y tecnológico del país se dirige hacia Ciudad de Panamá, donde se celebrará la Cumbre de Educación Superior de las Américas – Inn•kind FiEd Latam 2026, los días 20 y 21 de mayo en el Hotel RIU Plaza Panamá. El encuentro reunirá a líderes de América Latina para debatir el futuro de la educación superior en un contexto marcado por la inteligencia artificial, una discusión especialmente relevante para Costa Rica, que busca consolidarse como hub regional de talento digital y servicios avanzados. Durante dos jornadas, expertos internacionales analizarán los retos que enfrenta la región ante la disrupción tecnológica. Para el ecosistema costarricense —donde convergen universidades, empresas multinacionales y centros de innovación— temas como la hiperconectividad, el 6G y el metaverso en la educación representan no solo desafíos, sino oportunidades estratégicas para fortalecer la competitividad del país. “La educación superior no puede seguir operando bajo los mismos supuestos de hace una década. Estamos ante una transformación estructural que exige decisiones valientes, colaboración regional y una visión mucho más conectada con la realidad productiva”, afirmó Adriana Angarita, presidenta de Inn•kind FiEd Latam 2026. La participación de figuras internacionales como Gabriel Dutra Álvarez, Fernando Valenzuela, Elena Estavillo, Fernando Vargas y Cecilia Joy aportará insumos clave para países como Costa Rica, donde la alineación entre formación universitaria y demanda laboral se ha vuelto una prioridad nacional. El programa incluye paneles como “Universidades en jaque: reinventar el modelo institucional para una nueva era” y “La industria construye el talento del futuro a través de sus propios retos”, debates que dialogan directamente con los desafíos costarricenses: reducir la brecha entre academia e industria, actualizar marcos de acreditación y responder a la creciente demanda de habilidades digitales. Uno de los ejes centrales será la discusión sobre regulación en tiempo real frente a tecnologías emergentes. Para Costa Rica, que ha avanzado en políticas de innovación pero aún enfrenta tensiones regulatorias, este espacio representa una oportunidad para nutrirse de experiencias regionales y construir consensos que impulsen su ecosistema educativo. “La discusión ya no es solo tecnológica, es profundamente humana. Se trata de redefinir qué significa formar talento en un mundo donde la inteligencia artificial ya toma decisiones, evalúa competencias y transforma industrias completas”, agregó Angarita. La cumbre contará además con la moderación de la reconocida periodista Glenda Umaña, quien conducirá conversaciones sobre ética, inclusión y gobernanza digital, temas particularmente sensibles para sociedades como la costarricense, donde el acceso equitativo a la educación es un pilar del desarrollo. Más allá del intercambio académico, el encuentro servirá como plataforma para la firma de acuerdos interinstitucionales y la creación de alianzas entre universidades, sector productivo y actores públicos. Para Costa Rica, estas conexiones podrían traducirse en nuevas oportunidades de cooperación, movilidad académica y transferencia de conocimiento. “Panamá se está consolidando como un punto de encuentro para las grandes conversaciones del continente. Esta cumbre no solo convoca a pensar, sino a actuar y a construir soluciones concretas para el futuro de la educación”, concluyó Angarita. La realización de Inn•kind FiEd 2026 refuerza el posicionamiento de Centroamérica como hub regional de innovación académica, mientras países como Costa Rica observan —y participan— en una conversación clave: cómo rediseñar la educación superior para sostener el crecimiento económico, la inclusión social y la competitividad en la era de la inteligencia artificial. Le puede interesar: Arquitectura, datos e IA: la banca redefine su ruta en el Banking Tech Summit Panamá 2026

A medida que los agentes autónomos ganan protagonismo en las empresas, expertos advierten que la gestión de identidades y accesos se perfila como el mayor desafío de seguridad en la era de la IA operativa. La irrupción de agentes de inteligencia artificial en entornos corporativos está redefiniendo no solo cómo se ejecuta el trabajo, sino también cómo se protege. El problema ya no es únicamente quién accede a los sistemas, sino qué entidades automatizadas lo hacen en nombre de la organización. Un análisis reciente de CIO plantea que las empresas enfrentan un entorno de riesgo intensificado, donde los agentes de IA requieren identidades propias, credenciales y niveles de autorización comparables a los de cualquier empleado humano. La complejidad surge de inmediato. A diferencia de los usuarios tradicionales, estos agentes pueden operar de forma continua, escalar tareas de manera exponencial y ejecutar acciones en múltiples sistemas sin intervención directa. Esto multiplica la superficie de ataque y exige repensar los modelos clásicos de gestión de identidad y acceso. El desafío no es teórico. Las organizaciones ya están implementando agentes capaces de tomar decisiones, interactuar con datos sensibles y activar procesos críticos. Sin un control granular sobre sus permisos, estos sistemas pueden convertirse en vectores de riesgo, ya sea por errores, vulnerabilidades o uso indebido. En este contexto, la gestión de identidades evoluciona hacia un modelo híbrido, donde humanos y agentes coexisten bajo marcos de gobernanza unificados. Esto implica definir políticas específicas para agentes, monitorear su comportamiento en tiempo real y establecer mecanismos de auditoría que permitan rastrear cada acción ejecutada. La urgencia también responde a un cambio estructural. La seguridad ya no se limita a proteger accesos, sino a garantizar que las decisiones automatizadas sean trazables y alineadas con las políticas de la organización. El resultado es una redefinición del perímetro corporativo. Ya no se trata solo de usuarios y dispositivos, sino de sistemas autónomos que actúan con capacidad operativa. En ese nuevo escenario, la identidad deja de ser un atributo administrativo y se convierte en el eje de la confianza digital. Lea también: Del piloto al impacto real: por qué la gobernanza se convierte en el cuello de botella de la IA empresarial

A medida que los modelos de IA se integran en procesos productivos continuos, surge la necesidad de coordinar múltiples componentes interconectados. En ese escenario emerge MLOps: una combinación de Machine Learning y Operations, la disciplina que lleva los modelos de IA desde el laboratorio hasta la operación empresarial real y sostenida. Por Fabiola Montero, Profesora de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá La ciencia de datos ha recorrido un largo camino desde sus primeros pasos en entornos académicos hasta convertirse en una disciplina de ingeniería operativa que sustenta decisiones críticas en organizaciones globales. A medida que los modelos de IA se integran en procesos productivos continuos, surge la necesidad de coordinar múltiples componentes interconectados: captura de datos en tiempo real, procesamiento secuencial de datos, entrenamiento periódico de modelos, validaciones sistemáticas y entrega confiable de predicciones las 24 horas. En ese escenario emerge MLOps —una combinación de Machine Learning y Operations, es decir, la disciplina que lleva los modelos de IA desde el laboratorio hasta la operación empresarial real y sostenida— no como tecnología aislada, sino como extensión operativa de la ciencia de datos que proporciona la infraestructura necesaria para escalar el análisis más allá del prototipo experimental. La industrialización de la ciencia de datos requiere trascender la ejecución manual de scripts o notebooks —documentos interactivos donde se escribe y ejecuta código— aislados. MLOps introduce pipelines —flujos de trabajo automatizados donde cada etapa del proceso se ejecuta en secuencia y de forma coordinada— declarativos y versionados, donde cada paso —captura, validación, ingeniería de características, entrenamiento, evaluación y despliegue— se define explícitamente con dependencias lógicas y mecanismos de recuperación ante fallos. Herramientas como Apache Airflow, Prefect y Dagster permiten modelar estos flujos como secuencias ordenadas de tareas, garantizando que un modelo solo se entrene cuando los datos de entrada hayan sido validados y las transformaciones necesarias completadas exitosamente, eliminando errores que comprometen la integridad analítica. La gobernanza de estos flujos de trabajo se fortalece mediante la supervisión continua que ofrecen las plataformas modernas de MLOps, capaces de monitorear en tiempo real métricas operativas como la duración de cada etapa, las tasas de error, la calidad de los datos entrantes y el deterioro del rendimiento del modelo en producción. Esta visibilidad permite detectar problemas antes de que impacten decisiones críticas, como la propagación silenciosa de datos corruptos o la pérdida gradual de precisión por desplazamiento de distribución —fenómeno que ocurre cuando los datos del mundo real cambian con el tiempo y el modelo deja de ser preciso porque fue entrenado con información que ya no refleja la realidad actual. MLOps no automatiza ciegamente todos los procesos, sino que establece puntos de control estratégicos donde el juicio humano permanece esencial. El reentrenamiento automático puede activarse ante el deterioro de métricas, pero la decisión de desplegar un nuevo modelo en producción suele requerir validación humana, especialmente en sectores regulados como finanzas o salud. Esta combinación de automatización selectiva y supervisión experta equilibra eficiencia operativa con responsabilidad ética, un balance que los directivos de tecnología de la región no pueden ignorar. La capacidad de replicar resultados es otro pilar donde MLOps fortalece la práctica de la ciencia de datos. Al registrar y controlar conjuntamente código, datos de entrada, configuraciones y entornos de ejecución mediante herramientas como MLflow —plataforma para rastrear experimentos y gestionar modelos de IA— y DVC —herramienta de control de versiones diseñada específicamente para datos y modelos de machine learning— es posible reconstruir exactamente cómo se generó cualquier predicción o modelo, incluso meses después. Esta capacidad de seguimiento resulta crítica en entornos donde normativas como el GDPR —el Reglamento General de Protección de Datos de la Unión Europea, referencia global en materia de privacidad— exigen capacidad de auditoría sobre decisiones automatizadas. La arquitectura modular que promueve MLOps facilita además la colaboración entre equipos multidisciplinarios. Los científicos de datos pueden enfocarse en el desarrollo de modelos, los ingenieros de datos en la construcción de procesos de captura de datos confiables, y los especialistas en infraestructura en la gestión de recursos computacionales, todo dentro de un marco coordinado donde las interfaces entre componentes están claramente definidas. Esta separación de responsabilidades sin fragmentación del sistema global es esencial para escalar iniciativas analíticas en organizaciones complejas. Sin embargo, la implementación efectiva de MLOps requiere madurez organizacional más allá de la adopción de herramientas. Implica definir políticas claras sobre calidad de datos, criterios para el despliegue de modelos, protocolos de respuesta ante fallos y asignación explícita de responsabilidades entre roles como el Data Owner —responsable de la calidad y gobernanza de los datos— y el ML Engineer —encargado de construir y mantener la infraestructura que lleva los modelos a producción. Sin este marco de gobernanza, incluso las plataformas técnicas más sofisticadas pueden desaprovecharse o generar complejidad adicional sin aportar valor real. Desde una perspectiva estratégica, el AI Act —la ley europea que regula el uso de la IA según su nivel de riesgo— hace que MLOps reconfigure el perfil profesional del científico de datos contemporáneo. Ya no basta con dominar algoritmos y estadística: se requiere comprensión de arquitecturas distribuidas, prácticas de ingeniería de software y principios de operación de sistemas a escala. Esta evolución no resta valor al conocimiento estadístico profundo, sino que lo contextualiza dentro de un ecosistema más amplio donde la robustez operativa determina el impacto real de los análisis generados. La industrialización de la ciencia de datos mediante MLOps no representa una ruptura con la disciplina original, sino su maduración natural hacia la operación sistemática. Los principios que siempre han definido la buena ciencia de datos —rigor metodológico, validación empírica, interpretación contextual— se preservan y fortalecen mediante infraestructuras que garantizan resultados confiables, verificables y consistentes en entornos productivos. MLOps no sustituye al científico de datos ni al líder de tecnología que toma decisiones sobre su organización: les proporciona la base operativa necesaria para que sus análisis trasciendan el laboratorio y generen valor sostenido en entornos productivos complejos y cambiantes. Le puede interesar: Más allá del aprendizaje automático: el valor del razonamiento lógico en la IA

La artista presentó nuevas solicitudes de marca para proteger frases grabadas y una imagen icónica de escenario. La decisión refleja cómo las celebridades comienzan a usar propiedad intelectual para defenderse del avance de la IA generativa. Taylor Swift dio un paso legal con impacto tecnológico. La cantante presentó tres solicitudes de marca en Estados Unidos para proteger elementos ligados a su identidad: dos registros sonoros con frases dichas por ella y una imagen tomada durante una presentación de su gira Eras Tour. El objetivo es claro: blindarse frente al uso no autorizado por sistemas de inteligencia artificial. Las frases registradas serían “Hey, it’s Taylor Swift” y “Hey, it’s Taylor”, mientras que la imagen la muestra tocando una guitarra rosa con vestuario de escenario. No se trata de merchandising tradicional. La maniobra apunta a un problema creciente: modelos capaces de clonar voces, recrear rostros y fabricar contenidos falsos con apariencia convincente. Swift ya fue blanco de campañas engañosas y contenidos explícitos generados artificialmente. También circuló desinformación política vinculada a su imagen. En ese contexto, registrar atributos distintivos puede ampliar herramientas legales frente a imitaciones “confusamente similares”, una zona donde copyright y derecho de imagen muchas veces resultan insuficientes. La relevancia excede al mundo del espectáculo. Lo que está en juego es cómo se protege la identidad en la economía sintética. Durante décadas, la propiedad intelectual defendió canciones, logos, películas y personajes. Ahora empieza a extenderse hacia la voz humana, los gestos reconocibles y la presencia digital. Según reportes, Swift ya posee más de 50 marcas relacionadas con su nombre, letras, álbumes y frases comerciales. Esto muestra una estrategia sofisticada de control de activos intangibles, algo cada vez más valioso en una era donde copiar es barato y escalar falsificaciones cuesta casi nada. El caso también puede anticipar una tendencia. Actores, músicos, deportistas y creadores podrían avanzar con registros similares para monetizar licencias legítimas o bloquear usos abusivos de IA generativa. En enero pasado, por ejemplo, Matthew McConaughey registró como marca su famosa frase "All right, all right, all right" de la película Dazed and Confused de 1993, además de otros usos no autorizados de su imagen y voz. La industria tecnológica suele discutir innovación en términos de velocidad. El caso Swift recuerda otro factor decisivo: gobernanza. Porque cuando cualquiera puede imitar a cualquiera, la autenticidad pasa a ser uno de los bienes más escasos del mercado. Vea también: Así es la primera tienda física gestionada por un agente de IA en el mundo