La marca anunció una transformación profunda de su plataforma de podcasts al incorporar soporte nativo para video esta primavera, habilitando reproducción fluida entre formatos, descargas offline y nuevas formas de monetización. Apple decidió mover piezas en el tablero de los medios digitales al revelar una actualización sustancial de Apple Podcasts  que habilitará capacidades de video nativo con tecnología HLS (HTTP Live Streaming)  en su ecosistema de aplicaciones. Esta actualización llegará a dispositivos con iOS 26.4, iPadOS 26.4 y visionOS 26.4 en fase beta para desarrolladores, y se espera su despliegue general durante la primavera de 2026. El cambio permitirá a los usuarios alternar sin interrupciones entre escuchar y ver episodios, además de descargar contenido de video para consumo offline, una característica que consolida la convergencia entre audio tradicional y experiencias visuales inmersivas. Este movimiento estratégico busca responder a un patrón de consumo que ya está evolucionando: según Edison Research, alrededor del 37 % de los adultos consumen video podcasts mensualmente, y plataformas como YouTube  ya reportan más de mil millones de espectadores activos mensuales en contenido de podcast. El enfoque no es únicamente técnico sino también económico. Apple ha diseñado funciones que permiten a los creadores mantener el control total sobre la distribución y monetización de sus programas, incluida la inserción de anuncios dinámicos dentro de los videos. La empresa no cobrará por la distribución de podcasts, aunque sí aplicará tarifas basadas en impresiones a las redes de publicidad que participen en el nuevo ecosistema de anuncios en video. Con esta apuesta, Apple busca reposicionarse frente a rivales como Spotify , que ya ha integrado video en su plataforma, y YouTube , cuyo dominio en video de larga duración es innegable. Al ofrecer una solución integrada y de alta calidad técnica, Apple está apostando a retener tanto a creadores veteranos del podcasting como a nuevas audiencias que ahora esperan experiencias audiovisuales completas. Le puede interesar: Microsoft prueba agentes de investigación y análisis en Copilot para llevar IA al trabajo cotidiano

La región experimenta un crecimiento sostenido impulsado por hubs estratégicos en Brasil, México y Chile, y subregiones como América Central con Guatemala en la delantera, obligando a repensar el diseño y la eficiencia energética de las instalaciones. El mercado de centros de datos en América Latina atraviesa un momento de transformación sin precedentes. Lo que inició como una red de cuartos de comunicaciones tradicionales ha evolucionado hacia ecosistemas complejos que deben soportar cargas de trabajo críticas y tecnologías de vanguardia. En el marco del GSIC 2026, Víctor Juárez, BDM de Data Centers para Panduit Latam, analizó las proyecciones y desafíos técnicos que definen el futuro de esta industria en la región. Hubs de inversión y proyecciones de crecimiento La inversión en infraestructura digital no se distribuye de manera uniforme, sino que se concentra en nodos estratégicos que sirven como puertas de enlace para la conectividad regional. Juárez identifica tres hubs principales donde el arribo de capital es masivo: Brasil, México y Chile. Estos mercados lideran la adopción de centros de datos de hiperescala (Hyperscale), fundamentales para soportar servicios en la nube a gran escala. Las proyecciones para estos hubs son optimistas, con una estimación de crecimiento constante: Tasa de crecimiento:  Se espera que el sector mantenga un incremento anual del 10% hasta el año 2030. Emergentes:  Existe un segundo bloque de países con un dinamismo significativo para sus respectivas subregiones, destacando los casos de  Perú, Colombia, Guatemala y Ecuador. El impacto disruptivo de la Inteligencia Artificial Si bien la transformación digital ha sido el motor histórico, la irrupción de la Inteligencia Artificial (IA) ha cambiado las reglas del juego en cuanto a demandas físicas. Juárez advierte que las infraestructuras tradicionales no son suficientes para los requerimientos de la IA, la cual exige una capacidad sustancialmente superior en dos áreas críticas: energía y enfriamiento. "La Inteligencia Artificial, como mínimo, está demandando cuatro veces más energía y cuatro veces más enfriamiento que un centro de datos tradicional", resaltó el entrevistado.  Este incremento exponencial ha llevado a la industria a pasar de una fase de "sensibilización" y "diseño conceptual" a una etapa de ejecución real. Actualmente, no solo los grandes operadores de hiperescala están invirtiendo en estas capacidades, sino que la comunidad de integradores de sistemas ya está desarrollando maquetas y centros productivos específicos para IA. Repensar el diseño: Del gabinete tradicional al enfriamiento líquido La densidad de potencia requerida por los nuevos servidores de IA obliga a reestructurar los componentes más fundamentales del centro de datos. El gabinete de 60 centímetros de ancho, aunque sigue siendo útil para comunicaciones, resulta insuficiente para las nuevas necesidades. La tendencia actual se dirige hacia: Dimensiones mayores:  Gabinetes más anchos, profundos y altos con una mayor capacidad de carga física. Enfriamiento avanzado:  Infraestructura preparada para recibir manifolds de distribución de enfriamiento líquido, una técnica necesaria para disipar el calor generado por procesadores de alto rendimiento. Sustentabilidad y repatriación:  Aunque la nube es un fenómeno dominante, factores como la ciberseguridad están obligando a algunas empresas a "repatriar" parte de su infraestructura física para tener un control más directo. El horizonte tecnológico: Computación Cuántica Mirando hacia el futuro, la industria ya empieza a vislumbrar el siguiente gran salto: los centros de datos de computación cuántica. Aunque Juárez aclara que no tendrán un nivel comercial masivo de inmediato como los centros de hiperescala, representarán un segmento especializado con el potencial de transformar la experiencia humana mediante curas para enfermedades, predicciones climáticas precisas y aplicaciones agrícolas avanzadas. Para Panduit, el reto es acompañar esta evolución mediante una escucha activa de la "voz del cliente" y el desarrollo de un portafolio que incluya soluciones de distribución de energía de última generación, como el sistema FMPS (Fault Managed Power System). La infraestructura física, lejos de ser estática, es un organismo vivo que debe adaptarse a la velocidad del software y la inteligencia, garantizando que el motor digital de América Latina cuente con una base sólida, escalable y eficiente. Vea la entrevista completa: Le puede interesar: La IA no reduce la carga laboral: la intensifica

La empresa está experimentando con agentes “Researcher” y “Analyst” dentro de su funcionalidad emergente llamada Tasks en Copilot, con el objetivo de automatizar flujos de trabajo complejos y ofrecer capacidades avanzadas de investigación y análisis dentro del entorno de productividad. Microsoft continúa su evolución de Copilot más allá de un asistente de chat hacia un conjunto de agentes funcionales que ayudan a automatizar tareas complejas en el día a día del trabajo. Informes recientes señalan que la compañía está probando internamente dos agentes, denominados Researcher  y Analyst , como parte de una nueva sección llamada Tasks  que consolidaría diversas capacidades de agente bajo un mismo techo. Estos agentes estaban ya disponibles como funciones individuales dentro de Microsoft 365 Copilot  desde mediados de 2025, orientados a investigaciones profundas y análisis de datos avanzados respectivamente. Researcher aprovecha modelos capaces de ejecutar investigaciones de múltiples pasos combinando fuentes web y datos internos, mientras que Analyst usa modelos de razonamiento para interpretar datos complejos, incluso con ejecución de Python para análisis más sofisticados. La novedad más significativa en la prueba actual es la unificación de estos agentes con un modo adicional llamado “Auto”, diseñado para ejecutar flujos de trabajo completos de forma programada o recurrente. Los usuarios podrían crear tareas que se ejecuten de manera diaria, semanal o mensual, desde crear presentaciones hasta generar resúmenes o realizar análisis detallados de conjuntos de datos. Esta estrategia de Microsoft responde no solo a tendencias tecnológicas —en las que los agentes de IA autónoma se vuelven cada vez más centrales— sino también a la demanda de empresas por soluciones que reduzcan la fricción entre herramientas de productividad tradicionales y capacidades de IA más avanzadas. Si bien aún no hay una fecha oficial de lanzamiento de Tasks , estos experimentos internos muestran que la compañía está apostando a una integración más profunda de IA en el flujo de trabajo diario, desplazando la IA desde un rol reactivo de asistencia hacia uno proactivo de automatización y cotrabajo. Le puede interesar: GPT-5.2 revoluciona la física teórica: un modelo de IA propone y demuestra una fórmula inédita

Mientras el 37% de las empresas planea eliminar puestos de nivel inicial con inteligencia artificial, el gigante tech apuesta por el camino inverso: anunció que triplicará la contratación "entry-level" en Estados Unidos en 2026, rediseñando esos roles para hacerlos más estratégicos y orientados al cliente en lugar de tareas automatizables. En un momento en que buena parte del sector corporativo revisa sus plantillas bajo la promesa de eficiencia impulsada por inteligencia artificial, IBM decidió jugar a contramano. Según reportó Bloomberg , la compañía planea triplicar su contratación de empleados de nivel inicial en Estados Unidos en 2026 , una señal potente en un mercado donde el talento junior empieza a verse como una variable de ajuste más que como una inversión de largo plazo. La decisión no es menor si se la contrasta con la tendencia dominante: el 37% de las empresas prevé reemplazar roles de entrada con IA , en especial aquellos vinculados a tareas repetitivas, administrativas o de bajo valor agregado. Es decir, justo el tipo de trabajo con el que históricamente comenzaban muchos jóvenes profesionales. IBM, sin embargo, no solo rechaza esa lógica, sino que la invierte. Del trabajo rutinario al rol estratégico La clave del movimiento no está únicamente en la cantidad de contrataciones, sino en la redefinición del concepto de “entry-level”. Según detalló la compañía, los nuevos empleados junior no serán destinados a tareas que hoy pueden automatizarse —procesamiento de datos, soporte básico o flujos administrativos—, sino a roles estratégicos y de contacto directo con clientes , áreas donde la empresa considera que la IA todavía no puede reemplazar la sensibilidad humana, la negociación contextual y la comprensión profunda de necesidades complejas. En otras palabras, IBM no niega el impacto de la automatización. Lo asume. Y a partir de allí reorganiza el tablero. En lugar de usar la IA como excusa para reducir plantilla, la utiliza como catalizador para rediseñar el trabajo humano. Si las herramientas generativas y los sistemas automatizados pueden asumir las tareas mecánicas, el talento joven puede empezar su carrera en posiciones con mayor exposición estratégica desde el día uno. El riesgo invisible: un vacío de mandos medios en 3 a 5 años Detrás de la jugada hay también una lectura estructural del mercado laboral. La directora de Recursos Humanos de IBM advirtió que recortar la contratación temprana puede generar un déficit crítico de mandos medios en un plazo de 3 a 5 años . La ecuación es sencilla: si hoy se dejan de formar cohortes junior, mañana no habrá suficientes perfiles con experiencia interna para ocupar posiciones de liderazgo intermedio. Cuando ese cuello de botella aparezca, las empresas se verán obligadas a salir al mercado a “cazar” talento ya formado, un proceso que suele ser más costoso, más lento y más complejo de integrar culturalmente . Desde esa perspectiva, la apuesta de IBM funciona como una especie de arbitraje temporal del talento: invertir ahora, cuando otros retraen la contratación, para asegurarse liderazgo interno cuando el resto enfrente escasez. Es una lógica contracíclica aplicada al capital humano. Una apuesta ideológica (y pragmática) sobre el futuro del trabajo Hay también un componente cultural en la decisión. En un momento en que la narrativa dominante sugiere que la IA sustituirá capas enteras de trabajadores, IBM sostiene que los humanos —especialmente los más jóvenes y tecnológicamente nativos— seguirán siendo centrales en un mundo potenciado por inteligencia artificial . El razonamiento tiene coherencia estratégica: si la IA incrementa la productividad individual, entonces cada empleado puede generar más valor. Bajo esa lógica, no necesariamente se necesita menos gente; se necesita gente mejor equipada, apoyada por sistemas inteligentes. Le puede interesar: El miedo a la IA sacude los mercados de crédito: ¿burbuja o riesgo real?

La red social liderada por Elon Musk está probando internamente su sistema de pagos X Money y planea habilitar funciones de trading de acciones y criptomonedas directamente desde el feed, integrando “Smart Cashtags” que permitirán a los usuarios ejecutar transacciones sin salir de la app.  La plataforma social X  continúa su expansión desde red de microblogging hacia una “super-app” financiera. Según reportes recientes, la compañía está ultimando pruebas internas de su sistema de pagos, denominado X Money , con la intención de lanzar una beta externa abierta a usuarios en uno o dos meses , junto con herramientas nativas de trading de acciones y criptomonedas . El elemento más disruptivo (y potencialmente polémico) serán los llamados “Smart Cashtags” , una funcionalidad que permitirá a los usuarios interactuar con símbolos bursátiles y de criptoactivos dentro de sus timelines y ejecutar transacciones sin cambiar de contexto. Esta integración representa un salto audaz en la convergencia entre redes sociales y servicios financieros, un terreno donde competidores globales han luchado sin consolidar un dominador claro. La visión de Elon Musk para X es ambiciosa: convertir la plataforma en un espacio donde los usuarios puedan manejar “toda su vida financiera” , desde pagos cotidianos hasta inversiones y trades en tiempo real. Musk ha enfatizado internamente que la idea es que X pueda servir tanto para enviar dinero entre amigos como para facilitar inversiones, una narrativa alineada con la aspiración de transformar X en un hub integral de actividad digital y económica. Este impulso financiero ocurre mientras crece la discusión sobre el papel de las redes sociales como intermediarios de servicios financieros. Analistas señalan que la integración profunda de trading y pagos podría atraer a cientos de millones de usuarios a participar del ecosistema de activos digitales, justo cuando X ya supera en usuarios globales a muchas plataformas de criptoactivos tradicionales , generando expectativas tanto de liquidez como de volatilidad potenciadas por la naturaleza social del feed. La combinación de pagos, social y trading plantea preguntas regulatorias inmediatas, especialmente en mercados con leyes estrictas sobre intermediación financiera y servicios cripto. En este cruce sensible, X tendrá que equilibrar innovación con cumplimiento, un desafío que definirá en gran medida su posición en la carrera por las aplicaciones financieras del futuro. Le puede interesar: El miedo a la IA sacude los mercados de crédito: ¿burbuja o riesgo real?

OpenAI anunció que su modelo generó un resultado original en física teórica al derivar una fórmula para amplitudes de gluones que antes se consideraban nulas en ciertas condiciones, trabajo que fue formalmente demostrado y verificado junto con investigadores de instituciones como el Institute for Advanced Study, Harvard y Cambridge.  GPT-5.2 de OpenAI ha producido (y formalmente probado) una nueva fórmula en el dominio de la teoría de campos cuánticos . El resultado, presentado en un preprint titulado “Single-minus gluon tree amplitudes are nonzero” , desafía una suposición largamente aceptada de que ciertas configuraciones de gluones (las partículas portadoras de la fuerza nuclear fuerte) tendrían amplitudes de dispersión nulas. La investigación no es un simple ajuste cosmético: tras calcular casos específicos manualmente hasta n=6n=6n=6 gluones usando métodos tradicionales, los autores emplearon versiones de **GPT-5.2 Pro para simplificar expresiones complejas y conjeturar una fórmula general válida para todos los valores de nnn . Una versión interna del modelo pasó cerca de 12 horas “razonando” metódicamente, produciendo una demostración verificable que fue posteriormente confirmada analíticamente mediante técnicas estándar como la relación de recursión de Berends-Giele y el teorema suave (soft theorem). Más allá del detalle técnico, la implicación es profunda: por primera vez un sistema de inteligencia artificial contribuye proactivamente a un problema de la física teórica que según testimonios de físicos expertos no había sido resuelto claramente por métodos convencionales durante más de una década . El hallazgo también ha sido extendido preliminarmente a gravitones, las hipotéticas partículas mediadoras de la gravedad, abriendo la puerta a nuevos desarrollos en campos tradicionalmente resistivos a automatizaciones numéricas o algebraicas. El anuncio ha generado un debate intenso en comunidades científicas y tecnológicas. Por un lado, hay entusiasmo por la demostración de que la IA puede participar en descubrimientos matemáticos y estructurales novedosos ; por otro, voces críticas advierten que el uso de términos como “nuevo resultado” puede estar sobredimensionado si no se traduce en una comprensión física más profunda o aplicaciones experimentales claras. Lo que está fuera de discusión es que la colaboración hombre-máquina ha avanzado de forma espectacular y plantea preguntas cruciales sobre cómo se hace ciencia en la era de la IA avanzada. Le puede interesar: Gemini 3 Deep Think: Google refuerza AI con razonamiento profundo para ciencia y lógica

Peter Steinberger, ingeniero detrás del asistente de IA viral OpenClaw, se unió a OpenAI para impulsar el desarrollo de sistemas de agentes personales autónomos, mientras el proyecto OpenClaw se transforma en una fundación open-source respaldada por la empresa.  OpenAI ha fichado a Peter Steinberger , el desarrollador austriaco detrás del asistente de IA OpenClaw , un agente de código abierto que ganó tracción viral por su capacidad de ejecutar tareas concretas (como gestionar correos, programar itinerarios o interactuar con servicios web) sin intervención humana constante. El anuncio, hecho por el CEO de OpenAI, Sam Altman, en la plataforma X , sitúa a Steinberger al frente del desarrollo de la “próxima generación de agentes personales” , sistemas autónomos que no solo responden a comandos, sino que llevan a cabo secuencias de acciones coordinadas y contextualizadas en función de objetivos definidos por el usuario. Altman ha señalado que estos agentes multi-agente “rápidamente se convertirán en el núcleo de lo que ofrecemos como productos”. La trayectoria de OpenClaw, lanzado originalmente en noviembre de 2025 bajo nombres como Clawdbot y Moltbot, fue meteórica: el proyecto superó las 100.000 estrellas en GitHub  y atrajo 2 millones de visitas a su página en una sola semana , reflejo de un entusiasmo inusual por herramientas que llevan la IA más allá de la simple generación de texto hacia ejecuciones reales de tareas técnicas. Steinberger, quien optó por no  convertir OpenClaw en una empresa tradicional pese a su popularidad, explicó que su objetivo es “cambiar el mundo” y que unirse a OpenAI ofrece la escala y recursos necesarios para difundir estos agentes a una audiencia masiva. Como parte del acuerdo, OpenClaw se convertirá en una fundación independiente respaldada por OpenAI , garantizando que el proyecto se mantenga de código abierto y accesible para la comunidad global de desarrolladores. Este fichaje ocurre en un contexto de intensa competencia en IA: mientras gigantes como Google y Anthropic apuestan por modelos conversacionales avanzados, la creciente atención hacia agentes autónomos (capaces de “hacer” en vez de solo “decir”) redefine el foco estratégico. En este sentido, OpenAI busca consolidarse como referente en sistemas que integran modelos de lenguaje avanzados con capacidades de acción autónoma, un horizonte que muchos expertos consideran el próximo gran paso para la IA práctica. Le puede interesar: GPT-5.2 revoluciona la física teórica: un modelo de IA propone y demuestra una fórmula inédita

En medio del auge de las redes neuronales y los modelos entrenados con volúmenes masivos de datos, suele olvidarse que la Inteligencia Artificial también se construyó (y aún se sostiene) sobre fundamentos de lógica, planificación y razonamiento estructurado. En esta columna, la profesora Fabiola Montero, de la Universidad de Panamá, recupera el valor de esos enfoques clásicos que permiten a las máquinas explicar sus decisiones, operar con reglas claras y enfrentar la incertidumbre con modelos formales. Por Fabiola Montero, Profesora de la Facultad de Informática, Electrónica y Comunicación Universidad de Panamá. Antes de que el aprendizaje automático se consolidara como la tendencia principal en la Inteligencia Artificial, los sistemas inteligentes se construían a partir de reglas claras y procesos lógicos. En lugar de entrenarse con grandes cantidades de datos, estos programas resolvían problemas paso a paso, evaluando opciones y tomando decisiones de manera estructurada. Aunque hoy la atención se centra en las redes neuronales —modelos inspirados en el funcionamiento del cerebro humano que aprenden a partir de datos—, estos métodos siguen siendo fundamentales para explicar cómo una máquina llega a una decisión. Uno de los enfoques clásicos lo conforman los algoritmos de búsqueda de soluciones. En este caso, un problema se representa como un conjunto de posibles escenarios, y el sistema explora distintas rutas hasta encontrar el objetivo. Estos métodos han sido clave en planificación automática, juegos de lógica y validación de sistemas. Cuando el número de posibilidades es demasiado grande, se utilizan estrategias más inteligentes para no explorar todo al azar. Aquí aparecen los llamados métodos heurísticos, que priorizan las opciones que parecen más prometedoras. Un ejemplo conocido es el algoritmo A*, utilizado en sistemas de navegación y aplicaciones de mapas para calcular la mejor ruta combinando lo recorrido con lo que falta por recorrer. Sus aplicaciones abarcan desde navegación robótica hasta los sistemas de mapas inteligentes que utilizamos cotidianamente.  Otro grupo importante es el de los algoritmos de planificación automática. Más que encontrar un camino, estos sistemas organizan una secuencia de acciones para alcanzar un objetivo. Para ello utilizan modelos formales que describen qué acciones son posibles y qué efectos producen, permitiendo construir estrategias coherentes paso a paso. Este tipo de enfoque es clave en áreas como la robótica industrial y la logística, donde coordinar correctamente cada paso determina que una tarea se complete con éxito. También están los sistemas basados en lógica, que constituyen otro pilar fundamental. Basados en razonamiento formal: si se cumplen ciertas condiciones, entonces se puede llegar a una conclusión.  Durante años, este enfoque permitió crear sistemas expertos capaces de apoyar decisiones en áreas como la medicina o el derecho. Su ventaja principal es que cada decisión puede explicarse claramente, aunque pueden volverse rígidos en entornos muy cambiantes o con información incompleta, donde la incertidumbre demanda enfoques más flexibles.  Además del aprendizaje automático, la Inteligencia Artificial ha desarrollado métodos específicos para tratar la incertidumbre. En lugar de ofrecer respuestas absolutas, estos modelos calculan probabilidades según la información disponible. Las redes bayesianas, por ejemplo, muestran cómo se relacionan distintos factores y permiten ajustar las conclusiones cuando aparece nueva evidencia. De esta manera, brindan resultados más realistas en escenarios donde no todo es blanco o negro. Existen también modelos diseñados para tomar decisiones en varios pasos, considerando lo que puede ocurrir en el futuro. En escenarios donde cada acción influye en la siguiente y hay incertidumbre, se utilizan los llamados procesos de decisión de Markov. Estos sistemas analizan distintas opciones, evalúan sus posibles consecuencias a lo largo del tiempo y buscan la estrategia más conveniente. Hoy suelen combinarse con aprendizaje por refuerzo —un enfoque en el que las máquinas aprenden mediante prueba y error— y con redes neuronales. Sin embargo, también pueden funcionar de manera independiente cuando las reglas del entorno están claramente definidas. El valor de estos métodos va más allá de lo práctico. Nos recuerdan que la Inteligencia Artificial no es solo entrenar redes neuronales con millones de datos. También incluye formas estructuradas de razonamiento basadas en lógica, optimización y probabilidad. Son especialmente útiles cuando los datos son escasos, las reglas están claras o se necesita explicar cada decisión. Desde el punto de vista académico, estos enfoques amplían nuestra comprensión de la Inteligencia Artificial. Nos muestran que la IA no surge únicamente del entrenamiento con grandes volúmenes de datos, sino también del uso de reglas claras, lógica y exploración sistemática de soluciones. En una época dominada por modelos complejos y poco transparentes, estos métodos recuerdan que es posible construir sistemas más comprensibles, donde cada decisión puede explicarse paso a paso. Lejos de desaparecer, estos enfoques clásicos hoy se combinan con técnicas modernas. Robots que usan visión artificial pueden apoyarse en sistemas de planificación lógica para decidir cómo actuar. Sistemas industriales integran reglas explícitas con modelos de aprendizaje automático. Esta combinación da lugar a soluciones más robustas y comprensibles. En conclusión, el razonamiento lógico sigue siendo una base esencial de la Inteligencia Artificial. Reforzar su importancia implica apostar por sistemas más explicables, confiables y alineados con principios éticos. En un mundo cada vez más automatizado, no basta con que las máquinas predigan con precisión: también necesitamos que puedan explicar sus decisiones y actuar con responsabilidad.  Le puede interesar: El miedo a la IA sacude los mercados de crédito: ¿burbuja o riesgo real?

La empresa anunció el despliegue de una actualización de su modelo de IA que eleva sus capacidades de razonamiento en problemas complejos de matemática, ciencia e ingeniería. Disponible para suscriptores de Gemini AI Ultra, este modo alcanza puntuaciones líderes en benchmarks de nivel competitivo y muestra la apuesta de Google por avanzar en IA más allá de respuestas superficiales. En un movimiento que subraya la renuencia de los gigantes tecnológicos a ceder terreno en la carrera de IA, Google ha lanzado Gemini 3 Deep Think , una versión mejorada del motor de razonamiento avanzado dentro de su familia de modelos Gemini. Esta actualización, ya activa para suscriptores de AI Ultra , está diseñada para abordar problemas que tradicionalmente desafían a las IA (desde álgebra abstracta hasta simulaciones científicas) mediante técnicas de razonamiento paralelo que exploran múltiples hipótesis simultáneamente. Los resultados de los benchmarks, como Humanity’s Last Exam  (~41 % sin uso de herramientas) y ARC-AGI-2  (~45,1 % con ejecución de código), reflejan un salto significativo respecto a generaciones previas, posicionando a la IA en un terreno más cercano al razonamiento humano avanzado. Estos desempeños no sólo representan cifras en pruebas controladas, sino que marcan un cambio de paradigma en cómo un modelo de IA puede abordar problemas donde no existe una respuesta única o evidente . El acceso a Deep Think dentro de la app Gemini permite a suscriptores seleccionar este modo y aprovechar capacidades que antes estaban limitadas a tareas más básicas. Aunque inicialmente reservado para el nivel Ultra, esta jugada técnica también posiciona a Google como competidor directo de OpenAI y otros laboratorios que impulsan capacidades de IA generativa y agente. La llegada de Deep Think ocurre en un contexto donde la IA ya no se limita a generar texto o código, sino que aspira a razonar, planificar y ayudar en la resolución de problemas de alto nivel intelectual . Esta evolución, junto con mejoras en integración y herramientas de productividad, apunta a una nueva era donde los modelos de lenguaje podrán apoyar directamente la investigación científica, la ingeniería avanzada y la toma de decisiones complejas en sectores profesionales. Le puede interesar: OpenAI lanza GPT-5.3-Codex-Spark: IA ultrarrápida para codificación en tiempo real

La caída sostenida de las acciones del sector de software, impulsada por preocupaciones sobre la disrupción de la inteligencia artificial, ha empezado a filtrarse en los mercados de crédito de Estados Unidos. Con cerca de 235 mil millones de dólares en préstamos vinculados a software, un 16 % del total de los US$$1,5 billones en deuda corporativa, analistas advierten de un creciente riesgo de volatilidad, aunque descartan un colapso sistémico inmediato. Wall Street no sólo está lidiando con temores sobre la sostenibilidad de las valoraciones tecnológicas, sino que esas inquietudes ahora se reflejan en los mercados de crédito más opacos y menos líquidos . Según una nota de Morgan Stanley , la reciente caída de títulos de software desencadenada por el avance implacable de herramientas de IA ha empujado a que casi la mitad de los préstamos a empresas de software (46 %) venza en los próximos cuatro años , comparado con menos de 35 % en el mercado general. Además, 30 % vence antes de 2028 , poniendo presión sobre los plazos de refinanciación. El núcleo de la preocupación no está en un aumento repentino de morosidad —los analistas creen que los defaults no se dispararán a corto plazo — sino en la volatilidad de los precios de los préstamos y la dificultad de valoración en un segmento dominado por empresas privadas con calificaciones crediticias bajas . De hecho, la mayoría de esos préstamos están clasificados con ratings por debajo de “BB”, con 50 % en B- o peor y 26 % en CCC , lo que denota mayor riesgo asociado a firmas con estructuras financieras más frágiles. Este fenómeno se da en el contexto de una venta masiva de acciones de software, que según reportes recientes representa una pérdida de cerca de US$$2 billones en capitalización bursátil  desde su punto más alto, y ha tenido consecuencias en industrias que van más allá del puro sector tecnológico. Desde bienes raíces hasta servicios financieros tradicionales, la percepción (correcta o exagerada) de que la IA podría trastocar modelos de negocio enteros ha generado un “sell-first, think-later mentality” entre inversores. La historia de los mercados de crédito frente a la disrupción tecnológica apenas comienza. Lo que parece una tormenta de corto plazo podría reconfigurar cómo las estructuras de deuda privada evalúan el valor futuro de los activos ligados al ritmo de adopción y transformación por IA. Le puede interesar: La IA no reduce la carga laboral: la intensifica

La firma presentó GPT-5.3-Codex-Spark, una versión ligera y ultra-rápida de su agente de programación Codex, diseñada para trabajar en tiempo real con desarrolladores. Capaz de generar más de 1000 tokens por segundo y con un contexto de hasta 128 k tokens, esta preview para usuarios Pro marca un nuevo hito en la interacción IA-humano en desarrollo de software. OpenAI continúa su intensificación en el espacio de agentes de código , con el lanzamiento de Codex-Spark , un modelo optimizado para latencia mínima y colaboración instantánea con desarrolladores. Disponible hoy como vista previa de investigación para suscriptores de ChatGPT Pro , Codex-Spark se distingue por su velocidad (más de 1000 tokens por segundo) y una arquitectura que prioriza la interactividad en tiempo real , permitiendo que los desarrolladores vean y ajusten resultados con extrema rapidez. A diferencia de GPT-5.3-Codex , su hermano mayor que sobresale en tareas complejas autónomas, Codex-Spark está orientado a trabajar de inmediato con el código existente : hacer ediciones específicas, refactorizar lógica y mejorar interfaces con mínima latencia. Su ventana de contexto de 128 k tokens —suficiente para mantener largas sesiones de trabajo— y su enfoque de “solo texto” reflejan una decisión deliberada de priorizar velocidad sobre multimodalidad  en esta fase de lanzamiento. Este modelo es el primer fruto visible de la asociación técnica entre OpenAI y Cerebras , cuyo chip Wafer Scale Engine 3 se utiliza para ofrecer capacidades de inferencia de muy baja latencia, complementando las GPU tradicionales. La infraestructura mejorada incluye una reducción del 80 % del overhead por viaje de ida y vuelta entre cliente y servidor , y disminuciones del 30 % en el overhead por token y 50 % en el tiempo al primer token visible . La estrategia de OpenAI con Codex-Spark es doble: mantener la capacidad de tareas largas y autónomas  en modelos más grandes, mientras se introduce una modalidad de respuesta ultrarrápida  para el desarrollo interactivo. Este enfoque híbrido podría redefinir el flujo de trabajo de programadores, acortando el ciclo entre idea y ejecución práctica e impulsando nuevas formas de colaboración entre humanos y agentes de IA. Le puede interesar: Los anuncios llegaron a ChatGPT

Más allá del cifrado tradicional, la esteganografía ha convertido archivos cotidianos en transportes secretos para el cibercrimen, desafiando las herramientas de seguridad actuales. Para la informática forense, el reto ya no es solo descifrar datos, sino detectar su mera existencia en un océano de información multimedia, lo que obliga a redefinir los protocolos de investigación y custodia de la prueba digital. Por Aneyka Esilka Hurtado Mena, Profesora de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá. La seguridad informática ha centrado históricamente sus esfuerzos en la criptografía, esa práctica de "cerrar la puerta y tirar la llave" para que los datos sean ilegibles. Sin embargo, el escenario actual presenta una amenaza más sutil y peligrosa. La esteganografía ha dejado de ser una curiosidad académica para convertirse en una herramienta operativa del cibercrimen moderno. A diferencia del cifrado, que alerta sobre la importancia del contenido, esta técnica busca ocultar la existencia misma del mensaje, permitiendo que gigabytes de información sensible viajen ocultos a plena vista dentro de archivos que parecen totalmente inofensivos. El principal desafío para el investigador forense radica en la naturaleza discreta de estas alteraciones. Los atacantes aprovechan la redundancia de datos en formatos multimedia comunes, como imágenes JPEG o archivos de audio WAV. Al modificar únicamente el Bit Menos Significativo (LSB, por sus siglas en inglés,  Least Significant Bit ), un cibercriminal puede incrustar información sin alterar la apariencia visual o auditiva del archivo. Para un sistema de seguridad perimetral, el archivo es legítimo y funcional; para la empresa, es una brecha de seguridad invisible que no dispara ninguna alarma convencional. Este fenómeno representa un golpe directo a las estrategias corporativas de Prevención de Pérdida de Datos (DLP,  Data Loss Prevention ). Las organizaciones invierten grandes sumas en sistemas que monitorean la salida de información basándose en palabras clave o estructuras de archivos conocidas. Sin embargo, si un empleado desleal fragmenta una base de datos y la oculta dentro de una serie de fotografías promocionales de alta resolución, los sistemas DLP interpretarán el tráfico como una actividad normal de marketing. Es una exfiltración silenciosa que puede durar meses sin ser detectada. El dolor de cabeza técnico se intensifica dentro del laboratorio forense. Las herramientas estándar de análisis, diseñadas para buscar firmas de virus conocidas o anomalías evidentes en los metadatos, suelen ser ciegas ante la esteganografía bien ejecutada. Detectar estas manipulaciones exige un cambio de paradigma: dejar de buscar "lo malo" y empezar a buscar "lo estadísticamente improbable". Se requieren análisis matemáticos avanzados para identificar desviaciones sutiles en los histogramas de color que, aunque invisibles al ojo humano, revelan una intervención artificial en los bits del archivo. Además, la fragilidad de esta evidencia digital plantea riesgos críticos en la cadena de custodia. Mientras que en una investigación forense tradicional la copia de archivos es un proceso rutinario, en la esteganografía, acciones tan simples como abrir una imagen con un visor que aplique 'mejoras automáticas' o subirla a una nube que la comprima, pueden alterar la estructura de bits y destruir irremediablemente la carga útil. Por ello, los protocolos de adquisición deben ser extremadamente rigurosos, priorizando la obtención de copias exactas 'bit a bit' (imagen forense) y evitando cualquier manipulación previa al análisis. La validación probatoria en un tribunal añade otra capa de complejidad al problema. No basta con que el perito extraiga los datos ocultos; debe demostrar la intencionalidad del acusado. Un sospechoso puede alegar razonablemente que descargó una imagen de internet sin saber que contenía información oculta. Por ello, el informe pericial debe ser capaz de vincular el archivo portador con herramientas de esteganografía específicas encontradas en los dispositivos del investigado, estableciendo un nexo causal técnico que descarte la coincidencia o el error de software. Una tendencia emergente que preocupa profundamente es el uso de la esteganografía para distribuir malware y controlar redes de robots. Los atacantes están incrustando scripts maliciosos dentro de los metadatos de archivos legítimos o utilizando técnicas de "poliglotismo", es decir imágenes que se pueden ejecutar como archivos válidos en múltiples formatos. Estos archivos evaden los escáneres antivirus estáticos y sólo ejecutan su carga maliciosa cuando son procesados en la memoria del sistema objetivo, lo que exige una evolución hacia la forense de memoria volátil para capturar la amenaza en el momento de su ejecución. La irrupción de la Inteligencia Artificial (IA) ha acelerado esta carrera armamentista tecnológica. Ya existen algoritmos generativos que no sólo ocultan datos, sino que crean imágenes sintéticas alrededor de la información que se desea esconder. Esto genera contenedores "matemáticamente perfectos" que burlan el estegoanálisis tradicional. Mientras los defensores usan IA para automatizar la detección, los atacantes la usan para perfeccionar el camuflaje, elevando constantemente la barrera técnica necesaria para realizar una investigación exitosa. Otro frente crítico es la llamada 'esteganografía de red'. En este escenario, la información no se oculta en archivos guardados en el disco duro, sino dentro de los propios canales de comunicación, manipulando el Protocolo de Control de Transmisión/Protocolo de Internet (TCP/IP), que es el estándar base para enviar datos en la red. Los atacantes aprovechan los tiempos de espera o cabeceras de estos paquetes de datos para insertar información oculta. Dado que esta evidencia es efímera y desaparece al terminar la transmisión, los análisis forenses posteriores resultan inútiles, obligando a implementar un monitoreo en tiempo real capaz de inspeccionar cada fragmento de la comunicación al detalle. En conclusión, la informática forense debe evolucionar rápidamente para no quedar obsoleta. Ya no es suficiente con saber recuperar archivos borrados o analizar logs de acceso. El investigador moderno necesita una base sólida en estadística, ciencia de datos y comportamiento de redes para enfrentarse a una realidad donde la evidencia más peligrosa es, precisamente, la que no se ve. Sólo mediante la actualización constante y el uso de herramientas especializadas podremos iluminar las zonas oscuras donde el cibercrimen intenta esconder sus secretos. Le puede interesar: IA agéntica: el nuevo frente de la seguridad informática