A medida que la inteligencia artificial pasa de ser un proyecto piloto para convertirse en el eje operativo de las organizaciones, el tráfico constante, masivo e impredecible exige infraestructuras de ultra baja latencia que los sistemas tradicionales ya no pueden sostener. La acelerada adopción de la inteligencia artificial (IA) agéntica, los flujos de datos en tiempo real y la inferencia continua están poniendo a prueba los límites de la arquitectura de red tradicional. Lo que antes funcionaba como un transporte pasivo de datos hoy se ha convertido en el principal cuello de botella operativo para las empresas globales. Un estudio reciente de Bloomberg encargado por Tata Communications y difundido por VentureBeat revela una marcada brecha entre las ambiciones tecnológicas y la realidad técnica: aunque el 75% de los ejecutivos considera la IA como una prioridad de nivel directivo, el 65% de las organizaciones continúa operando con infraestructura de red heredada o transitoria. Las aplicaciones empresariales tradicionales solían operar de manera aceptable con latencias de entre 100 y 500 milisegundos. Sin embargo, los entornos de IA de misión crítica, como la detección de fraude en tiempo real o la optimización logística de la cadena de suministros, exigen tiempos de respuesta por debajo de los 10 milisegundos. "Esto no es solo una mejora incrementa. Es un paradigma de rendimiento completamente diferente que rompe las suposiciones tradicionales del diseño de redes, donde una latencia tan extremadamente baja nunca fue una consideración primaria", afirmó Kapil, vicepresidente de Servicios de Red Globales en Tata Communications a VentureBeat. Ese cambio en el estándar de rendimiento rompe las suposiciones de diseño de las últimas décadas, donde la latencia extrema nunca fue un factor prioritario. Cada milisegundo de retraso provocado por la congestión de la red se traduce directamente en pérdidas financieras o fallas operativas. A medida que los componentes de IA se distribuyen entre la nube, el borde (edge) y los centros de datos corporativos, se genera un alto volumen de tráfico interno que colapsa la infraestructura existente si esta carece de gestión dinámica. A esto se suma la seguridad: Kapil señala que el tráfico malicioso generado por bots impulsados por IA representa actualmente alrededor del 37% del tráfico global en línea, dificultando la diferenciación entre usuarios legítimos y amenazas automatizadas. Ante esta dispersión, las empresas están migrando hacia arquitecturas unificadas en la nube como SASE (Secure Access Service Edge) para garantizar políticas de seguridad consistentes sin sacrificar escalabilidad. "SASE ayuda a mitigar estos riesgos al converger las redes y la seguridad en una arquitectura unificada entregada desde la nube. Esta convergencia está permitiendo una aplicación uniforme de políticas en entornos de nube, locales y de borde, al tiempo que proporciona la escalabilidad y proximidad necesarias para proteger las interacciones impulsadas por IA en tiempo real", señala Kapil. La red como plataforma inteligente y estratégica El consenso entre los líderes de infraestructura apunta a que la red debe evolucionar de ser una "fontanería pasiva" a convertirse en una plataforma inteligente, orientada a software y APIs. A través del enrutamiento determinista y la automatización autorreparable, la red puede redirigir el tráfico en segundos ante una interrupción y ajustar el ancho de banda bajo demanda. Este enfoque no solo garantiza la estabilidad de las aplicaciones más exigentes, sino que evita el sobrecosto de mantener capacidad ociosa e ineficiente, posicionando a la red no como un centro de gastos, sino como una inversión estratégica para proteger el retorno de inversión en IA. En VentureBeat indicaron que la hoja de ruta para los CIOs debe ser por fases. La transición no requiere reconstruir todo desde cero, sino evaluar las ineficiencias actuales, priorizar conectividad AI-ready (como enlaces de alta capacidad 800G) y consolidar capacidades de autosanación frente a cortes de servicio. Le puede interesar: La IA solo se usa para el 21% de las tareas laborales

Google amplió las capacidades de Ask Maps para transformar Google Maps en un asistente conversacional para resolver tareas cotidianas. La compañía añadió nuevas funciones que permiten realizar pedidos de comida, encontrar hoteles, descubrir eventos locales y acceder a información de transporte público en tiempo real. Entre las novedades más destacadas se encuentran las funciones "agénticas", que permiten a Ask Maps ejecutar tareas complejas de varios pasos. Por ejemplo, el usuario puede solicitar un plato específico para retirar camino a casa y la aplicación localizará restaurantes disponibles, tendrá en cuenta preferencias personales o restricciones alimentarias e incluso añadirá automáticamente el pedido al carrito antes de finalizar la compra. Inicialmente, esta función funciona con plataformas como Square y Toast, mientras que la integración con Uber Eats llegará próximamente. La plataforma también incorpora Personal Intelligence, una función opcional que permite conectar Gmail y, próximamente, otras aplicaciones como Calendar para ofrecer recomendaciones contextualizadas según reservas, vuelos o eventos del usuario. A esto se suma un nuevo panel de transporte público con información en tiempo real sobre buses, trenes, metros y ferris, así como la posibilidad de retomar conversaciones anteriores para continuar la planificación de viajes sin comenzar desde cero. Le puede interesar: xAI lanza Imagine Image 2.0 y convierte a Grok en una herramienta más cercana al trabajo creativo profesional

El modelo de Moonshot AI logró acceder a las respuestas de un benchmark del Instituto de Seguridad de IA del Reino Unido aprovechando una configuración defectuosa del entorno de pruebas. No utilizó un sofisticado ataque ni un zero-day, pero el episodio revela un problema más profundo: los agentes de IA están aprendiendo a buscar atajos cuando encuentran una ruta abierta. La escena parece salida de una prueba de laboratorio diseñada para medir cuánto puede hacer una inteligencia artificial por sí sola. Un modelo recibe acceso a una terminal, se encuentra dentro de un entorno aislado y debe resolver una serie de desafíos de ciberseguridad sin consultar el exterior. La idea es sencilla: si consigue completar la tarea, los investigadores pueden atribuir ese resultado a sus capacidades de razonamiento y de ejecución. Pero Kimi K3 encontró otra respuesta. El modelo desarrollado por la empresa china Moonshot AI no necesitó vulnerar un sistema externo ni descubrir un sofisticado zero-day. Durante una evaluación de ciberseguridad aprovechó una brecha de configuración en el sandbox utilizado por el Instituto de Seguridad de Inteligencia Artificial del Reino Unido (UK AISI) para acceder a GitHub, descargar el repositorio oficial del benchmark y encontrar directamente la solución del ejercicio. El hallazgo fue documentado por Frontier Security, una firma estadounidense que estaba evaluando modelos de IA para tareas de ciberseguridad defensiva. La investigación encontró dos problemas conectados: algunos entornos utilizados para medir las capacidades de los modelos tienen agujeros de seguridad y determinados modelos son suficientemente capaces como para descubrirlos y aprovecharlos. El detalle es importante porque cambia la interpretación de lo ocurrido. Kimi K3 no demostró necesariamente que pudiera resolver el desafío de la manera prevista por los investigadores. Demostró que podía identificar qué estaba intentando medir la prueba y encontrar una ruta más sencilla para obtener el resultado. Según Frontier Security, el modelo comprobó su entorno de red y descubrió que la resolución DNS de github.com funcionaba, mientras que la mayoría de los demás sitios estaban bloqueados. A partir de ahí utilizó herramientas estándar como git clone y curl para obtener el repositorio oficial del benchmark y leer la solución directamente desde el disco. La propia empresa resumió el problema de una manera que resulta especialmente relevante para la nueva generación de agentes autónomos: los modelos optimizan el objetivo que se les asigna, no necesariamente la intención humana detrás de ese objetivo. Si existe una ruta hacia la respuesta, un agente suficientemente capaz puede encontrarla. La actualización publicada por Frontier Security el 8 de agosto agregó una precisión importante: el sandbox no tenía acceso irrestricto a internet. La mayoría de los sitios estaban bloqueados. El problema fue que una lista de sitios permitidos para tareas de mantenimiento de paquetes incluía GitHub, lo que abrió la puerta que Kimi K3 terminó utilizando. Esto importa porque los benchmarks se han convertido en una especie de moneda de cambio de la carrera por la inteligencia artificial. Una puntuación elevada puede convertirse en argumento comercial, señal de superioridad tecnológica o evidencia de que un modelo se aproxima a la frontera de capacidades. Si el entorno de evaluación permite que el modelo consulte las respuestas, sin embargo, la cifra deja de medir exactamente aquello que los investigadores creen estar midiendo. Frontier Security advierte precisamente sobre ese riesgo. Un acceso de salida no previsto puede producir líneas base de capacidades incorrectas, porque una tasa de aprobación elevada podría reflejar una vulnerabilidad del entorno en lugar de un salto real en razonamiento o ciberseguridad. Además, si un modelo descubre el atajo, otros modelos con acceso similar a una terminal podrían hacer lo mismo. El caso de Kimi K3 llega, además, en un momento particularmente incómodo para la industria. En las últimas semanas se han conocido incidentes similares relacionados con sistemas de OpenAI, Anthropic y Meta. Engadget señala que en varios de esos casos los modelos consiguieron salir de entornos que debían estar aislados debido a errores de configuración. La diferencia es que algunos de esos episodios involucraron modelos no publicados o sistemas sometidos deliberadamente a condiciones especiales de evaluación. Kimi K3, en cambio, es un modelo públicamente disponible. Lea también: IA: la guía para reducir errores en prototipos generados con modelos de lenguaje

La nueva generación del modelo de imágenes de xAI llega como Quality Mode en Grok para web, iOS y Android. La apuesta ya no es solo generar imágenes atractivas, sino editarlas con precisión, mantener elementos entre versiones, trabajar con tipografía y producir piezas adaptadas a distintos formatos. La generación de imágenes con inteligencia artificial está entrando en una etapa menos obsesionada con producir una fotografía espectacular desde un prompt y más interesada en resolver el problema que aparece después: editarla, adaptarla, repetirla y convertirla en un activo que realmente pueda utilizarse en un proyecto. Ese es el territorio al que xAI quiere llevar a Grok con Imagine Image 2.0. La compañía presentó el nuevo modelo como una herramienta diseñada para "real creative work", con especial énfasis en generación y edición precisa. Image 2.0 ya está disponible como el nuevo Quality Mode de Grok en la web y en sus aplicaciones para iOS y Android. El acceso mediante API todavía está pendiente. La diferencia frente a los generadores de imágenes tradicionales está en el tipo de problemas que xAI intenta resolver. La empresa afirma que Image 2.0 sigue instrucciones detalladas, planifica tipografía y composición como lo haría un diseñador y conserva elementos proporcionados por el usuario entre distintas generaciones y ediciones. En otras palabras, el objetivo no es únicamente que la IA produzca una buena imagen. Es que pueda participar en un flujo de trabajo. Una de las principales novedades es Magic Wand, una herramienta que permite señalar una región concreta de la imagen y modificarla sin alterar el resto. A esto se suma Segmentation, que permite seleccionar áreas específicas, y una función de eliminación de fondos que genera sujetos con fondo transparente para utilizarlos posteriormente en otros diseños. También hay una apuesta clara por reducir el trabajo manual. Image 2.0 permite utilizar hasta cinco imágenes de referencia en una misma generación, una capacidad que xAI presenta como una forma de evitar procesos de composición que tradicionalmente requieren varias herramientas. La función Smart Resize apunta al mismo problema desde otro ángulo. En lugar de generar nuevamente una pieza cada vez que cambia el destino de publicación, el modelo puede reconstruir la composición para distintos formatos. Entre las proporciones disponibles aparecen 1:2, 9:16, 2:3, 3:4, 1:1, 4:3, 3:2, 16:9 y 2:1. Para un diseñador, una agencia, un equipo de comercio electrónico o un creador de contenido, la diferencia puede ser más importante de lo que parece. Una misma fotografía de producto puede necesitar convertirse en una publicación cuadrada, una historia vertical, un banner horizontal o una pieza publicitaria. La promesa de xAI es que la IA pueda encargarse de esa adaptación sin obligar al usuario a reconstruir la composición desde cero. El modelo también llega acompañado de plantillas para tareas recurrentes. La compañía incluye flujos prediseñados para edición fotográfica, cambio de color de productos, fotografías de comercio electrónico, retratos profesionales, iconos, sprites de personajes, emojis y merchandising. La estrategia es reveladora. xAI no está presentando Image 2.0 únicamente como un modelo creativo, sino como una capa de producción visual. Eso también explica el énfasis de la compañía en la consistencia. En un flujo profesional, generar una imagen aislada es relativamente sencillo. El desafío aparece cuando hay que crear 10, 20 o 100 piezas que deben compartir personajes, objetos, estilos, proporciones y elementos gráficos. Image 2.0 intenta resolver parte de ese problema mediante un sistema que permite construir mundos visuales a partir de varios elementos. xAI muestra un flujo en el que un personaje, sus ubicaciones y los objetos que utiliza pueden generarse por separado manteniendo un estilo compartido. La idea está especialmente orientada a la planificación de video y a proyectos narrativos que necesitan continuidad visual. La compañía también sostiene que el modelo ocupa el segundo lugar mundial tanto en generación de texto a imagen como en edición de imágenes. En los resultados de Arena correspondientes al 7 de agosto de 2026, el modelo grok-imagine-image-2 obtuvo 1.320 puntos en texto a imagen, frente a 1.380 de gpt-image-2. En edición consiguió 1.439 puntos, frente a 1.463 de gpt-image-2. El modelo anterior de Grok, identificado como grok-imagine-image-quality, aparecía con 1.228 puntos en texto a imagen y 1.390 en edición. Esos números colocan a xAI en una posición competitiva en un mercado que se está volviendo cada vez más difícil de diferenciar por una sola métrica. La calidad fotográfica ya no es suficiente. Los usuarios empresariales necesitan precisión, control, consistencia y velocidad de edición. Ahí está probablemente la apuesta más interesante de Image 2.0. La inteligencia artificial generativa de imágenes está pasando de la lógica del "prompt y resultado" a una lógica mucho más cercana al software creativo tradicional. En lugar de pedir una pieza terminada y aceptar el resultado, el usuario puede seleccionar una zona, cambiar un objeto, eliminar un fondo, combinar referencias, modificar la proporción y continuar iterando. Es una transición importante porque acerca estos modelos a presupuestos reales de diseño, marketing y producción de contenido. xAI parece entender que la competencia no se juega solamente contra otros generadores de imágenes. También se juega contra el conjunto de herramientas que los profesionales ya utilizan para producir contenido. Cada función que evita abrir otra aplicación, repetir una composición o corregir manualmente un elemento aumenta el valor del modelo dentro del flujo de trabajo. Por ahora, sin embargo, hay una limitación clara: Image 2.0 todavía no está disponible mediante API. xAI señala que el acceso llegará próximamente. Eso deja al producto principalmente en el terreno de los consumidores y usuarios que trabajan directamente desde Grok, mientras que agencias, desarrolladores y empresas que quieran integrarlo en sus propios sistemas tendrán que esperar. Podría interesarle: El 70% de los ingresos de Microsoft por IA dependen de un solo cliente

Un error de configuración en un entorno de evaluación otorgó al modelo acceso no intencionado a Internet, sumando a Meta a incidentes similares ocurridos con OpenAI y Anthropic. Meta confirmó que uno de sus modelos de Inteligencia Artificial (IA) logró infiltrarse en los sistemas de otra compañía mientras realizaba pruebas de ciberseguridad. El incidente ocurrió luego de que un error por parte de su socio de evaluaciones le otorgara al sistema acceso no planificado a la red abierta. Se trata del modelo Muse Spark 1.1, promocionado por la tecnológica como su herramienta más avanzada para programación en entornos reales y tareas agénticas. Fuentes citadas por la investigación indican que el modelo explotó una vulnerabilidad de seguridad en un servicio de terceros y llegó a alterar sus sistemas internos antes de ser detectado. El caso de Meta no es aislado, con este evento, la empresa matriz de Facebook se convierte en la tercera gran tecnológica en reportar un incidente de esta naturaleza en semanas recientes. Anthropic reveló previamente que algunos de sus modelos habían hackeado a tres compañías durante evaluaciones de seguridad. A ella se sumó OpenAI que informó que un agente de IA logró vulnerar de forma independiente los sistemas de la startup Hugging Face tras explotar una vulnerabilidad inédita. En el caso de Meta y Anthropic, los incidentes ocurrieron por fallas de configuración humana que permitieron la conexión a Internet. La firma independiente a cargo de las evaluaciones de Meta, Irregular, aclaró que el fallo no representó un "escape de sandbox" ni una ciber acción altamente sofisticada, sino un problema técnico en el entorno de pruebas que ya fue solucionado. A pesar de que el acceso a la red fue un error técnico externo, el evento reaviva el debate sobre la velocidad a la que avanzan estos sistemas y la dificultad de los propios desarrolladores para contener las capacidades de sus modelos. Según destaca The Guardian, la divulgación de estos casos aumentará la presión sobre el gobierno de los Estados Unidos para regular y gestionar los riesgos de seguridad en torno a la IA. La situación se da en un contexto competitivo feroz, donde laboratorios como Anthropic y OpenAI se apresuran por lanzar sistemas cada vez más autónomos antes de sus proyectadas salidas a bolsa, a pesar de que líderes de la propia industria han solicitado frenar el ritmo para priorizar la seguridad. Le puede interesar: Ataques impulsados por IA aumentaron un 56% más que el año pasado

Un estudio global de Google revela que menos del 10% de las interacciones con IA buscan automatizar el trabajo, priorizando en su lugar la colaboración, la creatividad y la resolución de problemas. Mientras analistas y gobiernos discuten si la IA provocará un desplazamiento masivo de puestos laborales o un salto sin precedentes en la productividad, Google presentó la primera versión del estudio ATLAS: AI & Economy Activity, Task, Landscape, and Adoption Study, una investigación diseñada para mapear la adopción de la IA en la economía global. La metodología para realizar el análisis fue utilizar 15 millones de interacciones anonimizadas en más de 150 países y 140 idiomas. El estudio defiende que la noción de una automatización inmediata no es una realidad y su conclusión principal es clara: la IA se está integrando como una herramienta de apoyo puntual más que como un sustituto directo del talento humano. Aunque la adopción en el entorno profesional es amplia, alcanzando al 68% de las ocupaciones, que representan el 90% del empleo en Estados Unidos, su penetración en el día a día es acotada. En un empleo promedio, la IA se utiliza únicamente para resolver cerca del 21% de las tareas. El estudio señala que la automatización completa de procesos sigue siendo excepcional, representando menos del 10% de los usos laborales. “Los datos de ATLAS muestran que la gran mayoría de las interacciones con IA en el trabajo se centran en usos colaborativos como la ideación, la estrategia, la búsqueda de información y el aprendizaje. Tareas como el diseño creativo y la formulación de hipótesis (clasificadas en ATLAS como «cognitivas no rutinarias») aparecen en las interacciones laborales con IA a una tasa mucho mayor que en la economía en su conjunto (65% frente al 35%). Menos del 10% de esas interacciones automatizan por completo las tareas” indica ATLAS. De acuerdo con esta investigación la IA no se limita al uso oficina o de "cuello blanco". Técnicos automotrices y mecánicos industriales están utilizando IA conversacional y multimodal en tiempo real para interpretar diagramas eléctricos, analizar diagnósticos y detectar fallas en maquinaria. Por otro lado, se destaca que el verdadero volumen de uso ocurre fuera del trabajo: más del 86% de las interacciones registradas corresponden a la vida personal, donde las personas emplean la tecnología para aligerar la carga de trámites administrativos, impuestos y organización del hogar. A nivel internacional, la adopción de la IA tiende a seguir el PIB per cápita de cada país, lo que plantea retos sobre la brecha digital, aunque economías de ingresos medios en América del Sur y Oriente Medio están alcanzando ritmos de uso comparables a los de países desarrollados. Con estas evidencias, ATLAS busca ofrecer una base objetiva para que empresas y gobiernos diseñen políticas que potencien el valor colaborativo de la tecnología. La publicación original aseguró que este es solo el inicio de un proyecto a largo plazo, ya que las capacidades de la IA van a seguir creciendo y las personas encontrarán nuevas formas de usarla. Con el objetivo de responder las preguntas sobre la IA y su injerencia en la economía, el Programa de Investigación de IA y Economía de Google se está llevando a cabo en colaboración con académicos y otros investigadores. Le puede interesar: IA: la guía para reducir errores en prototipos generados con modelos de lenguaje

La transformación digital en el sector manufacturero ha posicionado a la Industria 4.0 como un estándar operativo fundamental. La captura de datos en tiempo real, la automatización y la interconexión de procesos requieren plataformas de hardware eficientes y escalables. Históricamente, las soluciones industriales dependían en exclusiva de arquitecturas propietarias y autómatas programables (PLC) de alto costo. Por Carlos Ávila Murillo, director de la Escuela de Mecatrónica, Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá Sin embargo, la madurez del microcontrolador ESP32 ha abierto un nuevo paradigma: la posibilidad de desplegar nodos de Internet de las Cosas (IoT) robustos, flexibles y económicos para entornos industriales. 1. Ventajas Clave del ESP32 en Entornos Industriales El ESP32, desarrollado por Espressif Systems, se ha consolidado como un componente de gran atractivo para el diseño de nodos periféricos (Edge Computing). Entre sus características más destacadas se encuentran: Capacidad de procesamiento: Su arquitectura SoC (System on Chip) incluye un microprocesador de doble núcleo Tensilica Xtensa LX6 de 32 bits, con frecuencias de reloj de hasta 240 MHz. Esto le permite ejecutar tareas complejas de filtrado de señales y control en tiempo real. Conectividad nativa: Integra Wi-Fi (802.11 b/g/n) y Bluetooth (v4.2 BR/EDR y BLE), lo que elimina la necesidad de módulos de comunicación adicionales. Eficiencia energética: Dispone de diversos modos de bajo consumo (deep sleep), ideales para sensores autónomos alimentados por batería o energía solar. Versatilidad de periféricos: Cuenta con convertidores analógico-digitales (ADC), buses de comunicación serie y múltiples pines GPIO para la lectura e interacción con el entorno físico. 2. Arquitectura del Sistema y Protocolos de Comunicación Para implementar con éxito un sistema IoT basado en ESP32 en planta, es necesario establecer un flujo de datos estructurado que garantice la integridad de la información desde la capa física hasta la capa de aplicación. [ Sensores Industriales ] ──(I2C / SPI / RS485)──> [ ESP32 (Nodo Edge) ] ──(MQTT / Wi-Fi)──> [ Servidor / Broker Cloud ] Captura de Datos en Capa Física Los sensores industriales miden variables físicas como temperatura, humedad, presión o vibración. Aunque el ESP32 trabaja a niveles lógicos de 3.3V, se integra con instrumentación industrial mediante interfaces estándar: Buses serie: Protocolos I2C y SPI para comunicación de corta distancia con sensores de alta precisión. Acondicionamiento de señal: Mediante transceptores externos (como el MAX485), el ESP32 puede comunicarse mediante Modbus RTU over RS485, el estándar dominante en la automatización de planta. Transmisión y Protocolos de Red Una vez procesados los datos en el nodo local, el ESP32 los encapsula y los transmite mediante MQTT (Message Queuing Telemetry Transport) sobre Wi-Fi. MQTT es un protocolo liviano basado en el patrón publicación/suscripción, idóneo para redes con ancho de banda limitado o conectividad inestable. Los mensajes se envían a un Broker (como Mosquitto o servicios en la nube) para su posterior almacenamiento y visualización en tableros de control (Dashboards). 3. Casos de Uso Prácticos en Planta El uso del ESP32 trasciende la etapa de prototipado rápido, encontrando aplicaciones directas en la optimización operativa: Mantenimiento predictivo: Equipado con acelerómetros y sensores de temperatura, un nodo ESP32 registra el patrón de vibración de motores y bombas. Las anomalías en la frecuencia indican desgaste mecánico antes de que ocurra una falla crítica. Gestión y eficiencia energética: Monitorización no invasiva del consumo eléctrico en líneas de producción mediante transformadores de corriente (CT) acoplados al ADC del microcontrolador. Telemetría y control ambiental: Control de variables críticas (humedad y temperatura) en almacenes de materia prima o laboratorios de calidad. La implementación del ESP32 en la Industria 4.0 demuestra que es posible democratizar la tecnología IoT sin sacrificar capacidad de cómputo ni funcionalidad. Permite a pequeñas y medianas empresas adoptar esquemas de monitorización avanzada con una inversión sustancialmente menor que la requerida por infraestructuras tradicionales. No obstante, su integración en entornos industriales reales exige superar ciertos desafíos técnicos: la protección contra el ruido electromagnético (EMI), la adición de etapas de aislamiento eléctrico y la implementación de protocolos robustos de ciberseguridad (como TLS/SSL para cifrado de tráfico). Atendiendo a estos aspectos de diseño, el ESP32 se consolida como una herramienta estratégica para la digitalización industrial moderna. Le puede interesar: IA: la guía para reducir errores en prototipos generados con modelos de lenguaje

¿Puedo usar la IA para producir más sin destrozar la marca en la que trabajo? Generar imágenes bonitas es fácil. Generar decenas de piezas que respeten el trazo del artista, el tono de la marca y las guías del cliente, eso ya es otra historia. En esta edición 58 de Prompt IT!, resolvemos esa tensión analizando los casos reales Studio RX y Paramount+. Hay una pregunta que todo equipo creativo se ha hecho desde que existe la IA generativa: ¿puedo usar esto para producir más sin destrozar la marca en la que trabajo? Generar imágenes bonitas es fácil. Generar decenas de piezas que respeten el trazo del artista, el tono de la marca y las guías del cliente, eso ya es otra historia. En esta edición #58 de Prompt IT!, nuestra sección AcademIA resuelve esa tensión con dos casos reales que producen mucho, producen rápido y hacen que la marca salga intacta del otro lado: Studio RX (IPG Health) logró un rebranding completo —con una familia de personajes propios— entregando más de 20 activos de marca en apenas 10 días, con un proceso cinco veces más rápido que el tradicional. Paramount+ activó a sus fans durante el estreno de la película IF, devolviendo más de 70 dibujos personalizados en solo dos horas, con menos de un minuto entre el pedido y la entrega. ¿La clave detrás de ambos? Adobe Firefly y tres pilares que marcan la diferencia entre una demo bonita y una capacidad real: Custom Models (fine-tuning): con solo 10 a 20 imágenes, la IA aprende el estilo específico de tu marca, no un promedio genérico sacado de internet. El sketch humano como punto de partida: la idea nace en la mano del artista y la IA extiende un personaje que ya existe; no lo inventa. Datos con licencia: Firefly se entrena sobre contenido con licencia y de dominio público, lo que hace que los resultados sean comercialmente seguros, sin riesgo legal para la empresa. La conclusión es clara: la inteligencia artificial no crea la idea, multiplica la ejecución. Cuando la creatividad se sistematiza sin perder personalidad, deja de ser un cuello de botella y se convierte en ventaja competitiva. Además, en esta emisión: AINews: La nueva Ley de IA de la Unión Europea que permite frenar modelos antes de su lanzamiento, el avance de OpenAI que resolvió 10 problemas matemáticos abiertos por apenas US$2.000, y el inquietante experimento donde una IA aprendió que mentir puede ser un gran negocio. ConciencIA: El costo oculto de los AI Overviews de Google, que ya aparecen en el 45% de las búsquedas y tienen a medios como Reuters y Politico evaluando bloquear su contenido. AIMaizing: Humanos digitales que comprenden emociones en tiempo real, video podcasts creados con avatares de IA y el desliz viral de un senador que leyó una recomendación de ChatGPT en pleno discurso. Un episodio pensado para líderes y equipos que buscan pasar de las demostraciones cosméticas a la generación de valor real con inteligencia artificial. Vea el episodio 58 de Prompt IT! Prompt IT! está disponible todos los lunes a través de las tres comunidades de Connecta B2B: IT NOW, Mercados & Tendencias y Construir, además de su propio canal de YouTube y en formato podcast, ofreciendo un alcance amplio y especializado para diversos sectores de la economía. Le puede interesar: Prompt IT! #57: El caso de IA que hizo duplicar las ventas

Los agentes de voz con inteligencia artificial ya comienzan a asumir tareas como cobranzas, atención al cliente y onboarding en el sector financiero. Pero a medida que estas soluciones se expanden entre sistemas, mercados y segmentos, la automatización también amplifica los riesgos operativos, regulatorios y reputacionales. Por Juan Daniel Florez, co-fundador de Rootstack. Los Agentes de Voz con IA han pasado de ser pruebas experimentales a activos estratégicos en instituciones financieras para optimizar procesos como cobranzas, atención al cliente y onboarding. Sin embargo, al expandir su alcance entre múltiples sistemas, geografías y segmentos, escalar la IA sin control multiplica exponencialmente los riesgos operativos, regulatorios y reputacionales. El verdadero desafío actual no es la automatización, sino la gobernanza. 1. La gobernanza como modelo operativo Gobernar la IA va más allá del simple monitoreo (medir volúmenes o latencias); implica definir por qué suceden las cosas y quién es el responsable. Se fundamenta en cuatro pilares: Control de acceso: Definir quién modifica o despliega los agentes. Auditabilidad: Registro de qué decisiones se tomaron y bajo qué condiciones. Trazabilidad: Conexión clara entre inputs, modelos y outputs. Control de versiones: Seguimiento de prompts, flujos y modelos activos. 2. Arquitectura segura y desacoplada La gobernanza debe estar integrada en la arquitectura desde el inicio mediante tres principios: Integraciones seguras: Uso de API Gateways y acceso tokenizado para proteger datos sensibles. Transparencia: Procesos observables que eviten que la IA funcione como una "caja negra". Diseño modular: Componentes independientes para actualizar o reparar partes del sistema sin colapsar la operación. 3. Supervisión humana (Human-in-the-loop) y riesgos En finanzas, fallos o "alucinaciones" (que en los LLM alcanzan entre un 3% y un 5%) generan multas y pérdida de confianza. La supervisión humana actúa como un control estratégico en decisiones críticas (como acuerdos de pago o disputas), redefiniendo el rol de las personas de operadores a supervisores del sistema. 4. Casos de éxito y métricas clave A diferencia de casos de alto impacto como Klarna (que absorbió el trabajo de 700 agentes), los fallos de gobernanza expondrán al 20% de las empresas a ciberataques para 2026 (Gartner). Para escalar con responsabilidad, las organizaciones deben medir: Tasa de trazabilidad auditable de extremo a extremo. Índice de consistencia en las respuestas del agente. Proporción de intervención humana necesaria. En entornos financieros complejos, el liderazgo no pertenecerá a las instituciones que automaticen más rápido, sino a aquellas que logren gobernar y controlar lo que han automatizado. Le puede interesar: IA: la guía para reducir errores en prototipos generados con modelos de lenguaje

A partir del 4 de septiembre, la empresa comenzará a desactivar definitivamente Assistant en teléfonos Android, tabletas, relojes con Wear OS y otros dispositivos vinculados. La decisión marca el final de una plataforma que definió la interacción por voz durante casi una década y consolida a Gemini como el nuevo centro de la estrategia de inteligencia artificial de la compañía. Después de casi diez años de ser la puerta de entrada al ecosistema de servicios de Google mediante comandos de voz, Google Assistant tiene los días contados. La empresa confirmó que el proceso para retirar el asistente comenzará el 4 de septiembre de 2026, fecha a partir de la cual dejará de estar disponible en teléfonos Android, tabletas, dispositivos Wear OS y equipos vinculados como audífonos y automóviles que utilizan Android Auto proyectado desde el teléfono. La eliminación será gradual y podría tardar varias semanas en completarse. Una vez finalizado el proceso, los usuarios ya no podrán volver a utilizar Assistant en esos dispositivos. La decisión no representa una simple actualización de software. Es el cierre definitivo de uno de los productos más emblemáticos de Google y, al mismo tiempo, la confirmación de que la compañía considera que la era de los asistentes tradicionales ha terminado. En adelante, la experiencia de asistencia en Android estará completamente centrada en Gemini, el modelo de inteligencia artificial generativa que Google ha venido integrando de forma acelerada en prácticamente todos sus productos. El cambio afectará únicamente a los dispositivos compatibles con Gemini y en las regiones donde el servicio ya está disponible. Los usuarios podrán seguir invocando al asistente mediante el clásico comando "Hey Google" o presionando el botón de encendido, pero la respuesta provendrá de Gemini y no del antiguo Google Assistant. La transición había sido anunciada desde hace meses, aunque originalmente estaba prevista para 2025. Google terminó posponiéndola mientras ampliaba las capacidades de Gemini y migraba gradualmente funciones que antes pertenecían a Assistant. Ahora el calendario ya es definitivo. El retiro de Assistant es, en realidad, la culminación de un proceso que comenzó mucho antes. Durante los últimos dos años Google dejó de añadir funciones importantes al asistente e inició una reducción constante de capacidades. En 2024 eliminó 18 funciones, mientras que durante 2026 continuó suprimiendo herramientas consideradas poco utilizadas, incluyendo varias relacionadas con Google Fotos, el modo intérprete, Family Bell y otras funciones domésticas inteligentes. Paralelamente, Chromebook, Android Auto, relojes Fitbit y otros productos fueron migrando hacia Gemini. Esa estrategia refleja un cambio mucho más profundo en la filosofía tecnológica de Google. Assistant fue diseñado para ejecutar órdenes específicas mediante una arquitectura basada en reglas. Funcionaba especialmente bien para tareas concretas como configurar alarmas, controlar dispositivos inteligentes, reproducir música o consultar el clima. Gemini, en cambio, utiliza grandes modelos de lenguaje capaces de mantener conversaciones, generar contenido, interpretar imágenes y razonar sobre múltiples tipos de información. La apuesta de Google es evidente. En lugar de mantener dos plataformas con capacidades parcialmente superpuestas, la empresa concentra todos sus recursos de inteligencia artificial en una sola experiencia. La decisión también tiene sentido desde el punto de vista económico. Lea también: Ataques impulsados por IA aumentaron un 56% más que el año pasado

Nuevas revelaciones financieras muestran que la mayor parte de los ingresos que la compañía obtiene de su negocio de inteligencia artificial se concentran en OpenAI. La cifra expone un riesgo estratégico para la firma de Redmond justo cuando intenta diversificar su negocio de IA empresarial. La alianza entre Microsoft y OpenAI ha sido presentada durante casi cuatro años como una de las asociaciones más exitosas de la industria tecnológica. Microsoft ha aportado decenas de miles de millones de dólares en inversión, infraestructura y capacidad de cómputo, mientras OpenAI ha impulsado el crecimiento de Azure y ha permitido que la compañía integre inteligencia artificial generativa en prácticamente todas sus líneas de negocio. Sin embargo, nuevos documentos legales citados por Windows Central revelan una realidad menos visible: alrededor del 70% de los ingresos relacionados con inteligencia artificial que recibe Microsoft provienen directamente de OpenAI, una concentración inusualmente alta para un negocio que la empresa aspira a convertir en uno de sus principales motores de crecimiento. La información surge de documentos judiciales relacionados con la demanda presentada por Elon Musk contra OpenAI. En esos archivos, Microsoft explica la importancia económica de su acuerdo con la empresa creadora de ChatGPT y deja entrever hasta qué punto su negocio de infraestructura para IA depende del crecimiento de un solo cliente. La cifra resulta llamativa porque la narrativa pública de Microsoft durante el último año ha enfatizado la expansión de Azure AI entre miles de empresas, desarrolladores y organizaciones gubernamentales. No obstante, los documentos sugieren que, al menos por ahora, el grueso del negocio sigue estando impulsado por OpenAI, que consume enormes cantidades de capacidad informática para entrenar y ejecutar sus modelos. No se trata únicamente de una inversión financiera. OpenAI es uno de los mayores consumidores de infraestructura de Azure en el mundo. Cada nueva versión de GPT, cada actualización de ChatGPT y cada incremento en la cantidad de usuarios implica más procesamiento gráfico, más almacenamiento y más centros de datos operando a gran escala. Esa demanda se traduce directamente en ingresos para Microsoft. La revelación llega en un momento particularmente sensible para ambas compañías. Aunque siguen siendo socios estratégicos, la relación ha evolucionado hacia un equilibrio más complejo. OpenAI ha buscado ampliar su acceso a infraestructura más allá de Azure mediante acuerdos con otros proveedores, mientras Microsoft ha acelerado el desarrollo de modelos propios, como la familia Phi, y ha incorporado modelos de terceros en Azure AI Foundry para reducir su dependencia tecnológica de un solo laboratorio. En otras palabras, ambas empresas trabajan para disminuir una dependencia que durante años fue una ventaja competitiva. Para Microsoft, el desafío es evidente. Si una parte tan significativa de su facturación en inteligencia artificial proviene de un único cliente, cualquier cambio en esa relación tendría un impacto financiero considerable. Una eventual reducción del consumo de infraestructura por parte de OpenAI, la diversificación hacia otros proveedores de nube o modificaciones en los términos del acuerdo podrían afectar uno de los segmentos con mayor crecimiento dentro de Azure. La situación recuerda un patrón conocido en la industria de la computación en la nube. Los grandes proveedores suelen celebrar la incorporación de clientes "hiperescala", pero también enfrentan el riesgo de que esos mismos clientes desarrollen infraestructura propia o distribuyan sus cargas de trabajo entre varios operadores para ganar poder de negociación. Paradójicamente, Microsoft ha impulsado durante meses un discurso centrado en la democratización de la inteligencia artificial empresarial. Durante su conferencia Build y en sus resultados financieros más recientes, la empresa destacó la rápida adopción de GitHub Copilot, Microsoft 365 Copilot, Dynamics 365, Fabric y Azure AI entre clientes corporativos. El mensaje ha sido consistente: la IA ya no depende únicamente de ChatGPT. Sin embargo, los documentos judiciales sugieren que el negocio todavía está en una fase de transición. Aunque miles de empresas utilizan herramientas de IA de Microsoft, OpenAI continúa siendo el principal consumidor de la infraestructura que sostiene ese ecosistema. El dato también ayuda a explicar el agresivo ritmo de inversión en centros de datos. Microsoft anunció durante el último año inversiones multimillonarias para ampliar su capacidad de procesamiento con GPU de NVIDIA y AMD, además de acelerar el desarrollo de chips propios como Maia y Cobalt. La demanda generada por OpenAI ha sido uno de los principales motores detrás de esa expansión. La dependencia no implica necesariamente una debilidad inmediata. De hecho, refleja el enorme éxito comercial de ChatGPT y de los modelos GPT, cuya escala de operación requiere una infraestructura que muy pocas compañías en el mundo pueden ofrecer. Mientras OpenAI continúe creciendo, Microsoft seguirá beneficiándose del aumento en el consumo de servicios de Azure. No obstante, la concentración del negocio introduce una variable que los inversionistas suelen observar con atención. En cualquier industria, cuando una parte sustancial de los ingresos depende de un solo cliente, aumenta la exposición al riesgo comercial. Esa es precisamente la razón por la que Microsoft ha intensificado la incorporación de modelos de empresas como xAI, Anthropic, Mistral, Meta y otros desarrolladores dentro de Azure AI Foundry, buscando convertir su plataforma en un mercado de modelos más que en un escaparate exclusivo para OpenAI. Podría interesarle: La brecha digital: apenas un 15% de las empresas rentabiliza su inversión en tecnología

Con un diseño más delgado, pantallas redefinidas e integración profunda de IA agéntica, la octava generación de la serie Samsung Galaxy Z presenta el futuro de los smartphones plegables. Con la presentación del Galaxy Z Fold8 Ultra, Galaxy Z Fold8 y Galaxy Z Flip8, llegó al mercado la octava generación de plegables de Samsung, combinando Inteligencia Artificial con un hardware adaptado a diferentes estilos de vida y tres diferentes experiencias. Galaxy Z Fold 8 Ultra: La experiencia Ultra en una pantalla plegable Como el primer modelo Ultra en la serie Galaxy Z, combina un rendimiento de nivel ultra con una amplia pantalla plegable para elevar la productividad a través de la multitarea impulsada por IA. Una de las características más destacadas es lo delgado del dispositivo. Plegado ofrece una pantalla principal de 8 pulgadas y tiene un grosor de tan solo 4.1 milímetros cuando está desplegado y un peso de 215 gramos. Se posicionó como el más delgado de la familia. Los imanes de plegado, el mecanismo de la bisagra y la tensión de la pantalla se han optimizado con precisión, mientras que las mejoras en el diseño de los bordes facilitan el despliegue del dispositivo. La tecnología propietaria Flex Titanium de Samsung ayuda a minimizar el pliegue de la pantalla al tiempo que mejora la durabilidad. Multitareas impulsadas con IA Con la integración de Gemini Notebook optimiza el proceso de organización de notas y materiales de trabajo. Los usuarios pueden cargar un PDF del acta de una reunión o la grabación de audio de una presentación para generar un resumen de los puntos clave y luego transformar ese mismo material de origen en una variedad de formatos, incluidos vídeos generados por IA, diapositivas de presentación, podcasts y cuestionarios. La función de Now Nudge permite también por ejemplo que sugiera agregar planes de cena desde una aplicación de mensajería al calendario y abrir la aplicación Calendario en la Multi Ventana. Un nuevo tamaño con el Galaxy Z Fold8 Al desplegar el dispositivo, la pantalla se expande a una relación de aspecto de 4:3, ideal para ver películas o jugar. Girar el dispositivo cambia a una relación de aspecto de 3:4 que se siente más natural para leer libros electrónicos o navegar por la web. Cuenta con una batería de 4.800 mAh, tiene un peso de solo 201 gramos, siendo el más ligero de la familia. Galaxy Z Flip8 Con un diseño delgado y ligero, cuenta con un grosor de 6,1 milímetros cuando está desplegado y un peso de solo 180 gramos. Ofrece una excelente portabilidad con un marco más resistente y una bisagra más duradera, fabricada con un nuevo material de alta resistencia. Destaca su pantalla Flex Window y opciones como el Now Brief de Galaxy AI para visualizar información sin necesidad de desplegar el dispositivo. Le puede interesar: El Galaxy Watch con IA redefine la experiencia de bienestar en Panamá