El socio y director de BCG aseguró que hoy existe “mucha energía, mucha efervescencia en el mercado, en todas las compañías”, impulsada por la necesidad de reinventarse frente a una ola constante de nuevas tendencias, productos y servicios habilitados por la tecnología. Panamá vive un momento clave para consolidar su transición hacia la economía digital, en un entorno donde la tecnología, la inteligencia artificial y la presión competitiva están redefiniendo la forma de hacer negocios. Conversamos con Marcial González, socio y director de Boston Consulting Group (BCG), y aseguró que hoy existe “mucha energía, mucha efervescencia en el mercado, en todas las compañías”, impulsada por la necesidad de reinventarse frente a una ola constante de nuevas tendencias , productos y servicios habilitados por la tecnología. Durante su participación en el Foro Económico Internacional de CAF, González destacó el alto nivel de urgencia que percibe en las organizaciones panameñas. “Hay mucha ansiedad, mucha inquietud, en el buen sentido, de compañías diciendo: ¿cómo me hago cargo de todo lo que está pasando en el mundo?” , afirmó, al referirse a la presión que sienten las empresas por adaptarse a un entorno cada vez más dinámico y digital. Desde su perspectiva, Panamá cuenta con una ventaja relevante frente a otros mercados de la región: su capacidad de anticipación. González explicó que muchas empresas locales ya han implementado soluciones que son referencia en economías más grandes y ahora buscan ir más allá. “Panamá realmente está liderando la frontera de lo que se puede hacer” , sostuvo, al destacar la ambición de las organizaciones por convertirse en referentes regionales en transformación digital. El sector bancario, uno de los pilares de la economía panameña, fue identificado como un ejemplo de adaptación temprana. “La banca en Latinoamérica y Panamá no es una excepción, fue de las primeras en reaccionar”, señaló González, recordando que la presión de las fintech, la digitalización y el cambio en las expectativas de los consumidores obligaron a acelerar los procesos de transformación. No obstante, advirtió que el verdadero desafío no está solo en adoptar tecnología. “Las compañías que realmente persisten en el tiempo con el cambio no son las que solo implementan una plataforma, sino las que desarrollan el músculo interno” , explicó, haciendo referencia a capacidades organizacionales como la flexibilidad, la eliminación de silos, la agilidad en la toma de decisiones y el desarrollo de talento adaptable. En cuanto a la inteligencia artificial, González insistió en la necesidad de una adopción estratégica. “Los que realmente hacen bien inteligencia artificial la aplican de manera muy focalizada; no hacen diez o quince cosas, a lo mejor hacen una o dos, pero muy bien seleccionadas” , afirmó, subrayando que no todos los casos de uso son replicables entre empresas o sectores. Además, enfatizó que el éxito de la inteligencia artificial depende en gran medida de la gestión del cambio. “Ahí está el 70, 80 o 90% de la magia”, aseguró, al explicar que transformar procesos, modelos operativos y comportamientos organizacionales es clave para que la tecnología pase de ser una prueba de laboratorio a generar un impacto real en el negocio. Finalmente, González destacó que el principal activo de Panamá es su talento humano y la visión de sus líderes empresariales. “Panamá tiene un talento excepcional y una ambición muy potente en sus presidentes y gerentes”, concluyó , al señalar que esta combinación posiciona al país en un lugar privilegiado para liderar la transformación digital en la región y proyectarse más allá de sus fronteras. Le puede interesar: "Panamá, pieza estratégica en la evolución digital de Citi en América Latina"

Pese a vender 15 millones de licencias dentro de una base de más de 450 millones de usuarios de Microsoft 365, su uso primario cayó del 18.8 % al 11.5 % entre julio y enero. Interoperabilidad deficiente, límites funcionales y confusión de marca amenazan la apuesta estrella por transformar la compañía en “AI-first”. Microsoft ha colocado a Copilot  en el centro de su estrategia de inteligencia artificial, con la esperanza de que funcione como la alternativa corporativa a ChatGPT y Google Gemini. Sin embargo, datos internos señalan que solo una fracción de los suscriptores lo usa como su herramienta principal , y esa proporción ha caído con el tiempo. La caída de uso principal de 18.8 % a 11.5 % en seis meses indica que, pese a la gran distribución de licencias, Copilot todavía no ha logrado enganchar a su audiencia objetivo  con una propuesta de valor convincente frente a sus competidores. Usuarios y empleados citados por fuentes cercanas al desarrollo mencionan problemas de usabilidad, límites estrictos y una arquitectura de producto que no se integra con fluidez en los flujos de trabajo corporativos, segpun informó The Wall Street Journal . Estas dificultades acentúan la tensión interna en Microsoft: por un lado, Satya Nadella ha reafirmado que Copilot es fundamental para transformar a la empresa en un actor de IA líder; por el otro, los inversionistas han mostrado escepticismo , especialmente ante señales de desaceleración en Azure, el motor más rentable de la compañía, y una dependencia persistente de modelos externos como OpenAI y Anthropic. Para contrarrestar la percepción negativa, Microsoft ha invertido en visibilidad de marca con una campaña publicitaria de 60 millones de dólares  (incluyendo presencia en el Super Bowl), pero aún queda por ver si esto se traduce en adopción real o si simplemente enmascara la falta de un producto consolidado. La tensión tecnológica y de mercado que rodea a Copilot refleja los retos que enfrentan incluso los gigantes: convertir despliegues masivos en uso profundo y sostenido es uno de los problemas más complejos de la IA empresarial en 2026 . Le puede interesar: ¿Pueden las empresas de inteligencia artificial ser rentables?

Expertas de SAS analizan cómo el avance de la inteligencia artificial está redefiniendo los riesgos en el uso de la información y subrayan la necesidad de una gestión más transparente, ética y responsable de los datos para fortalecer la confianza digital. La conversación global sobre la protección de la información adquiere una nueva dimensión en la actualidad. Esto porque el avance acelerado de la inteligencia artificial (IA), especialmente en aplicaciones como chatbots , copilotos empresariales y sistemas avanzados de analítica, está transformando la manera en que las organizaciones recopilan, procesan y utilizan los datos, señalan varias especialistas de SAS , líder en datos, analítica avanzada, e inteligencia artificial. Para SAS, hoy, las preocupaciones ya no se limitan únicamente a evitar filtraciones o ciberataques. Sino que la IA introduce riesgos menos visibles, pero igualmente críticos. Entre ellos, el uso prolongado de datos más allá de su propósito original, la inferencia de información sensible que nunca fue compartida explícitamente y la dificultad de explicar cómo los modelos generan resultados y toman decisiones. En este contexto, la privacidad de los datos se convierte en un pilar fundamental para sostener la confianza digital. La privacidad como base de la confianza en la IA De acuerdo con Marinela Profi, Global AI & Generative AI Market Strategy Lead de SAS, la rápida adopción de soluciones de IA en múltiples industrias está revelando nuevos dilemas que van más allá de los modelos tradicionales de protección de datos. “A medida que sectores como los servicios financieros, el comercio minorista y la banca se apresuran a implementar chatbots  impulsados por IA y copilotos empresariales, los desafíos de privacidad, transparencia y confianza emergen con la misma rapidez. Estos sistemas pueden filtrar inadvertidamente datos sensibles, inferir información que nunca fue compartida explícitamente o difuminar la línea entre el uso aceptable de datos privados y públicos”, explicó Profi. La experta advierte que, aunque las organizaciones han utilizado históricamente herramientas como los datos sintéticos para mitigar riesgos de privacidad, la IA plantea un reto distinto. Este es entender cómo los modelos retienen, infieren y exponen información durante las interacciones diarias, incluso a partir de señales emocionales o contextuales. “En la medida en que la IA impulsa cada vez más la toma de decisiones y la creación de contenidos, los usuarios quieren saber cómo se entrenan los modelos, cómo se generan los resultados y quién es el propietario final de los datos, e incluso de las ‘memorias’ que se crean en el proceso”, agregó Profi. Ante este escenario, SAS impulsa la necesidad de una arquitectura de privacidad moderna y basada en derechos, que incorpore transparencia, gobernanza y supervisión humana en los flujos de trabajo de la IA. Esto con el objetivo de prevenir exposiciones involuntarias de datos, riesgos de inferencia y la erosión de la confianza de los usuarios. El desafío del ciclo de vida de los datos Por su parte, Manisha Khanna, Global Product Marketing Lead for AI & Analytics de SAS, mencionó que la privacidad de los datos ha evolucionado significativamente en los últimos años. Tradicionalmente, el foco estuvo en el acceso. Específicamente, en quién puede recopilar los datos, quién puede utilizarlos y cómo se protegen. Sin embargo, la IA está poniendo en jaque ese enfoque al extender la vida útil de los datos mucho más allá de lo originalmente previsto. “La IA plantea una pregunta que muchas organizaciones aún no han respondido: ¿cuándo caducan los datos? Muchos sistemas de IA siguen tomando decisiones basadas en información que, en la práctica, ya debería haber expirado. Por ejemplo, datos recopilados para un propósito específico, bajo determinados supuestos y consentimientos, que se reutilizan silenciosamente años después para entrenar modelos completamente nuevos”, explicó Khanna. De acuerdo con la vocera, este problema no responde necesariamente a una brecha de seguridad o a un ataque cibernético, sino a un punto ciego de gobernanza. Añadió que la mayoría de los sistemas de IA empresarial fueron diseñados para retener datos, no para reconocer cuándo estos han dejado de ser relevantes, apropiados o legítimos para su uso. “A medida que la IA se integra en decisiones críticas del negocio, las organizaciones deben replantearse la gestión del ciclo de vida de los datos. Una IA responsable no depende solo de proteger la información, sino de comprender cuándo ha perdido su contexto, su legitimidad o su lugar dentro del sistema”, enfatizó Khanna. Le puede interesar: El sector insurtech latinoamericano cerró 2025 con más de 530 empresas y US$200 millones de financiación

La compañía estaría preparando una funcionalidad de “automatización de pantalla” para su asistente de IA Gemini en Android, que permitiría a la IA realizar acciones complejas como hacer pedidos o reservar viajes en apps de terceros sin interacción directa del usuario, según strings descubiertos en la beta de la app. La función, aún en desarrollo, plantea importantes interrogantes sobre privacidad, control y supervisión humana. La inteligencia artificial integrada en nuestros teléfonos está a punto de dar un salto más allá de responder preguntas o generar textos: Google busca que Gemini interactúe directamente con otras aplicaciones en Android para completar tareas prácticas . En la última beta de la app Google (versión 17.4), los desarrolladores descubrieron referencias a una función de “screen automation” —o automatización de pantalla— que permitiría a Gemini realizar flujos de trabajo completos en apps compatibles, desde pedir comida hasta reservar un viaje. El código interno indica que esta capacidad está codificada bajo el nombre “bonobo”, y se presenta como parte de una experiencia donde Gemini puede “hacer las cosas por ti”  en ciertas aplicaciones del dispositivo. Sin embargo, Google advierte explícitamente que Gemini puede cometer errores, y que el usuario será responsable de cualquier resultado, con la opción de detener la tarea en cualquier momento. Más allá de la automatización, los strings internos también revelan una característica llamada “wasabi”, asociada a avatares 3D personales  —una señal de que Google sigue apostando por experiencias generativas visuales integradas dentro de su ecosistema. Lo que distingue a esta iniciativa es el alcance: si se habilita oficialmente en Android 16 QPR3, Gemini no solo interpretaría comandos , sino que actuaría como un agente autónomo sobre interfaces gráficas de terceros. Esto plantea preguntas sobre privacidad, seguridad y supervisión humana , especialmente cuando se involucran datos sensibles como credenciales o pagos. Google ya advierte a los usuarios que eviten introducir información de acceso o pagos directamente en chats de IA durante este tipo de automatizaciones. En un contexto donde Apple, Meta y otros gigantes tecnológicos compiten por integrar IA profunda en nuestros dispositivos, esta jugada de Google subraya el salto evolutivo que representa pasar de la asistencia conversacional a la ejecución autónoma de tareas digitales , con todas sus oportunidades, riesgos y debates regulatorios por delante. Le puede interesar: Google DeepMind presentó Project Genie, una IA que genera y explora mundos interactivos

En una jugada inesperada del mercado tecnológico y financiero, Enrique Lores dejará la presidencia para asumir como CEO y presidente de PayPal a partir de marzo. El cambio ocurre en medio de resultados financieros decepcionantes para la plataforma de pagos digitales y la renuncia de su líder, Alex Chriss, en un contexto de altas expectativas de innovación y competitividad en pagos digitales. El movimiento corporativo de esta semana representa una de las reconfiguraciones ejecutivas más llamativas del sector tecnológico reciente. Enrique Lores , veterano de HP con 36 años en la empresa y más de seis liderándola, fue nombrado presidente y CEO de PayPal luego de la salida de Alex Chriss , que durante dos años y medio no logró cumplir con las expectativas de ejecución marcadas por su junta directiva. La transición se produce tras un trimestre financiero donde PayPal reportó ingresos de 8.68 mil millones de dólares  y ganancias ajustadas de 1,23 dólares por acción , ambos por debajo de las expectativas del mercado, lo que desencadenó una caída del precio de las acciones y la decisión de virar liderazgo. Para HP, la partida de Lores abre un periodo de incertidumbre estratégica. La compañía nombró a Bruce Broussard , miembro del directorio desde 2021, como CEO interino mientras se busca un sucesor permanente. HP intenta consolidar su posición (con un 21,5 % de participación en el mercado global de PC según datos de Gartner para 2025) mientras avanza en la transición hacia dispositivos con capacidades de IA y soluciones de valor agregado a través de su canal de socios. Este cambio también enfatiza la presión creciente sobre las empresas líderes de tecnología para acelerar la innovación en pagos digitales, servicios financieros y experiencias de usuario , áreas donde la competencia es feroz y los márgenes de error, estrechos. La llegada de Lores a PayPal sugiere que la junta directiva apuesta por una combinación de rigor operacional y visión de producto experimentada para relanzar la firma en una era donde la convergencia entre IA, fintech y comercio digital redefinen los estándares competitivos . Le puede interesar: Marcial González, de Boston Consulting Group: “Panamá está liderando la frontera de lo que se puede hacer”

La designación de Indicasat como Centro de Excelencia en Tecnologías Transformadoras consolida al país como referente científico en América Latina. El avance de la ciencia aplicada y la innovación tecnológica se ha convertido en un eje estratégico para el desarrollo económico y social de la región. En ese contexto, los países que logran articular investigación, talento humano y cooperación internacional fortalecen su posición en los grandes debates sobre salud, sostenibilidad y competitividad. Panamá dio un paso clave en ese camino con la designación del Instituto de Investigaciones Científicas y Servicios de Alta Tecnología (Indicasat AIP) como “Centro de Excelencia en Tecnologías Transformadoras”, incorporándose oficialmente a la Red Regional de Centros de Excelencia de la Organización de Estados Americanos (OEA). La designación se formalizó mediante la firma de un convenio de cooperación suscrito el 29 de enero de 2026. El documento fue firmado por Albert Ramdin, secretario general de la OEA, y Eduardo Ortega Barría, secretario nacional de la Secretaría Nacional de Ciencia, Tecnología e Innovación (Senacyt). Durante el acto, Ramdin destacó el trabajo desarrollado por los investigadores de Indicasat y calificó la designación como un momento histórico para Panamá. Con esta incorporación, Panamá se convierte en el séptimo país de la región con representación en la Red de Centros de Excelencia de la OEA en Tecnologías Transformadoras. La red incluye a México (blockchain), Colombia (robótica e inteligencia artificial), Perú (materiales avanzados y nanomateriales), Chile (inteligencia artificial), Argentina (tecnologías transformadoras y economía circular), Brasil (tecnologías oceánicas) y ahora Panamá, con un enfoque en biotecnología. Ortega Barría subrayó que Indicasat es una plataforma estratégica para el avance científico del país, la formación de capital humano de excelencia y la generación de conocimiento con impacto real en áreas como la salud, la biodiversidad, la biotecnología y la innovación productiva. “Desde su creación, Indicasat ha crecido con una visión clara”, afirmó. El secretario nacional de Ciencia y Tecnología destacó además que los aportes del instituto en investigación biomédica, biociencias, bioprospección, bioinformática y transferencia tecnológica han fortalecido las capacidades nacionales y posicionado a Panamá como un actor confiable dentro de redes científicas globales. Por su parte, Timothy Thomson, director del Indicasat AIP, señaló: «Esta designación representa un hito institucional de gran trascendencia para Indicasat y es el resultado de un trabajo sostenido a lo largo de más de 20 años de trayectoria del instituto y refleja el compromiso, visión y excelencia de quienes han construido esta institución desde sus inicios«. El acto contó también con la participación de Carlos Guevara Mann, viceministro de Asuntos Multilaterales y Cooperación del Ministerio de Relaciones Exteriores, y Ana Irene Delgado, embajadora de Panamá ante la OEA. La Red Regional de Centros de Excelencia, impulsada por la OEA a través de la Comisión Interamericana de Ciencia y Tecnología (COMCYT), busca integrar capacidades científicas de las Américas para enfrentar retos estratégicos y generar soluciones concretas mediante la cooperación entre gobiernos, academia, sector privado y otros actores clave. Le puede interesar: Cómo ChatGPT, Google AI Overviews y Perplexity citan la web y generan información

Aunque los modelos de inteligencia artificial generan ingresos significativos y pueden cubrir sus costos operativos básicos, un análisis de la economía de productos como GPT-5 muestra que muchas compañías aún no logran recuperar completamente los costos de investigación y desarrollo antes de que sus modelos queden desactualizados. Una mirada crítica a la economía de los modelos de IA. La pregunta que atraviesa la industria de la IA es tan técnica como económica: ¿pueden las empresas de IA alcanzar la rentabilidad real antes de que sus costos de desarrollo y la obsolescencia de sus modelos las devoren?   En un análisis detallado de la economía del “paquete GPT-5”, investigadores de Epoch AI  estiman que, si bien el margen bruto de ejecución de los modelos puede acercarse a un 48% , una vez que se incorporan costos de personal, marketing y operaciones , el resultado neto probablemente fue negativo, incluso antes de descontar el gasto de investigación y desarrollo. La clave está en entender cómo se contabilizan los gastos. Los modelos de IA generan ingresos por uso e infraestructura, y en algunos casos esos ingresos pueden cubrir los costos de inferencia y operación directa . Sin embargo, el desarrollo de estos modelos —sumado a gastos en personal, ventas y marketing— sigue siendo tan oneroso que, al menos para modelos como GPT-5, no se recuperaron los costos de R&D durante el breve ciclo de vida comercial del producto . Esto plantea una paradoja económica: los modelos pueden ser rentables en términos de margen bruto , pero no lo son en términos de rentabilidad total  cuando se consideran todos los costos asociados y el hecho de que un modelo puede volverse obsoleto en cuestión de meses frente a la competencia. A pesar de ello, la lógica de los mercados tecnológicos puede suavizar esta tensión: inversores a menudo aceptan pérdidas iniciales con la expectativa de ganancias futuras, una dinámica similar a la que vivieron empresas como Uber, que operó con grandes déficits durante años antes de ser rentable. No obstante, esta “economía del futuro” exige márgenes sostenibles a largo plazo o encontrar nuevos nichos de ingresos —ya sea mediante publicidad, servicios empresariales o modelos de uso continuado— para que la IA deje de ser una promesa financiera y se convierta en un negocio claramente rentable  sin depender exclusivamente de la especulación inversionista. Le puede interesar: El 94% de las empresas continuará invirtiendo en IA incluso si no genera retornos inmediatos

La empresa anunció Project Genie, un prototipo de inteligencia artificial que permite a usuarios generar, explorar y remixar mundos interactivos basados en texto o imágenes en tiempo real, un paso significativo en la evolución de los llamados world models y hacia computación inmersiva con IA. Google DeepMind  abrió el acceso a Project Genie , un proyecto experimental que pone a prueba la capacidad de las IA para crear mundos interactivos y navegables  a partir de simples descripciones textuales o imágenes. Disponible inicialmente para suscriptores de Google AI Ultra  en Estados Unidos, Project Genie se basa en la tecnología de mundo modelo Genie 3 , combinada con los sistemas generadores de imágenes Nano Banana Pro  y el asistente Gemini, para construir entornos tridimensionales que los usuarios pueden explorar, modificar y volver a mezclar  en tiempo real. A diferencia de la generación de imágenes o videos tradicionales, este prototipo no se limita a producir contenido estático: los entornos creados evolucionan al ritmo de las acciones del explorador, proporcionando interacción (como caminar, volar o conducir) y simular dinámicas físicas básicas. Aunque hay limitaciones actuales  en realismo visual y control de personajes, Google considera estas experiencias cruciales para avanzar hacia sistemas de IA más robustos y generalistas. La iniciativa representa un enfoque distinto en investigación de modelos de mundo  ( world models ), arquitecturas diseñadas para simular entornos y predecir cómo evolucionan con base en las acciones. Para DeepMind, estos modelos son esenciales para dotar a las IA de una comprensión profunda del mundo, un componente considerado clave en el camino hacia la inteligencia artificial general. Además de las posibilidades creativas y lúdicas, Project Genie ya está siendo observado por desarrolladores de juegos, medios interactivos y entornos virtuales, que ven en esta tecnología una nueva forma de producción generativa para mundos digitales. La disponibilidad temprana y experimental también permitirá a Google recopilar datos de uso que impulsen mejoras continuas en el rendimiento y la escalabilidad de estos sistemas. Le puede interesar: Google transforma Chrome: Gemini 3 potencia navegación autónoma con “Auto Browse”

TinyML está llevando modelos de machine learning a microcontroladores de bajo consumo, habilitando sistemas embebidos más autónomos, eficientes y con menor latencia. En esta columna, Carlos Ávila M. Jr. analiza cómo esta tecnología redefine la mecatrónica, el IoT y la automatización industrial, sus principales aplicaciones, herramientas clave y los desafíos que marcarán su evolución en los próximos años. Por Carlos Ávila Murillo, profesor de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá. En los últimos años, la inteligencia artificial (IA) ha dejado de ser exclusiva de servidores de alto rendimiento y dispositivos con grandes capacidades de cómputo. Gracias a avances en optimización de modelos y arquitecturas eficientes, hoy es posible ejecutar algoritmos de machine learning directamente en microcontroladores. Este enfoque es conocido como TinyML y representa una revolución para los sistemas embebidos, la mecatrónica y el Internet de las Cosas (IoT). TinyML no es un protocolo de comunicación tradicional, sino un conjunto de técnicas, herramientas y flujos de trabajo que permiten implementar modelos de aprendizaje automático en dispositivos con recursos extremadamente limitados, como microcontroladores ARM Cortex-M, AVR o RISC-V. Su impacto se refleja en aplicaciones como mantenimiento predictivo, reconocimiento de voz, detección de fallas, control inteligente y sistemas autónomos de bajo consumo. ¿Qué es TinyML? TinyML se refiere a la ejecución de modelos de machine learning directamente en microcontroladores, sin depender de la nube o de procesadores externos. Estos dispositivos suelen contar con: Memoria Flash entre 32 KB y 2 MB RAM entre 2 KB y 512 KB Frecuencias de reloj típicas de 16 a 200 MHz Consumo energético ultra bajo Para adaptarse a estas limitaciones, los modelos TinyML son compactos, cuantizados y optimizados, manteniendo un equilibrio entre precisión, velocidad y consumo de energía. Arquitectura general de TinyML en microcontroladores La arquitectura típica de un sistema TinyML consta de las siguientes etapas: Adquisición de datos Sensores como acelerómetros, micrófonos, sensores de corriente o temperatura capturan señales del entorno. Preprocesamiento Se aplican filtros, normalización, extracción de características (FFT, ventanas temporales, etc.) directamente en el microcontrolador. Inferencia El modelo entrenado previamente se ejecuta localmente para realizar una predicción o clasificación. Toma de decisiones El sistema acciona actuadores, envía alertas o controla procesos en tiempo real. Este enfoque reduce la latencia, mejora la privacidad y permite operación autónoma sin conexión permanente a Internet. Herramientas y frameworks más utilizados El ecosistema TinyML se apoya en diversas herramientas de software: TensorFlow Lite for Microcontrollers Framework más utilizado, permite ejecutar redes neuronales sin sistema operativo y con huella mínima de memoria. Edge Impulse Plataforma integral que facilita la recolección de datos, entrenamiento, optimización y despliegue de modelos en microcontroladores. CMSIS-NN Librería optimizada de ARM que acelera operaciones matemáticas para redes neuronales en Cortex-M. MicroTVM y uTensor Alternativas enfocadas en la portabilidad y optimización avanzada. Optimización de modelos para TinyML TinyML tiene un impacto directo en la ingeniería mecatrónica y la automatización industrial: Mantenimiento predictivo : detección temprana de fallas en motores mediante vibración. Robótica autónoma : reconocimiento de gestos o eventos sin conexión a la nube. Control inteligente : adaptación dinámica de parámetros de control. Wearables industriales : monitoreo en tiempo real con bajo consumo. Sistemas embebidos educativos : aprendizaje práctico de IA en hardware real. Estas aplicaciones demuestran que la inteligencia embebida ya no es un lujo, sino una herramienta accesible y escalable. Desafíos y tendencias futuras A pesar de sus ventajas, TinyML enfrenta desafíos importantes: depuración limitada, balance entre precisión y recursos, y necesidad de conocimientos multidisciplinarios (IA, electrónica y software embebido). Sin embargo, el futuro es prometedor. Se espera una mayor integración de aceleradores de IA, mejores herramientas de auto-optimización y modelos aún más eficientes. TinyML representa un cambio de paradigma en los sistemas embebidos, permitiendo llevar inteligencia artificial directamente al borde ( edge computing ). Para la ingeniería mecatrónica, esta tecnología abre la puerta a sistemas más autónomos, eficientes y seguros. Comprender TinyML ya no es opcional, sino una competencia clave para el ingeniero del presente y del futuro. Le puede interesar: IO-Link: la tecnología que revoluciona la automatización industrial

La inversión anual en el ecosistema creció en un 117% respecto a 2024. El número de startups en la región asciende a 536, un crecimiento neto anual del 7%. La tasa de mortalidad continúa otro año más a la baja con un 8%. Con 100 insurtech (+25%), Chile se consolida como el tercer país de América Latina, después de Brasil y México. Por primera vez, más de la mitad de las insurtech (51%) son habilitadores tecnológicos a lo largo de toda la cadena de valor del seguro, dejando a las insurtech dedicadas a la distribución digital en minoría. La financiación insurtech en Latinoamérica durante 2025 ha alcanzado los 199 millones de dólares, un 117% más que en 2024. El crecimiento sólido que el ecosistema está experimentando desde el segundo semestre de 2024 coloca a este último año como el tercero de mayor inversión en la región, solo por detrás de 2022 (215 millones, liderados por una ronda de 125 millones de Betterfly) y 2021 (425 millones), los considerados como “los años locos de la inversión” en la región. En este contexto alcista, el número total startups del ecosistema insurtech latinoamericano se sitúa en 536, lo que se traduce en un crecimiento del 7% durante 2025. Teniendo en cuenta que la tasa de mortalidad continúa a la baja un año más (8%), el crecimiento bruto se sitúa en un +15% anual, con 73 nuevas insurtech. Estas son algunas de las principales conclusiones del informe ‘Latam Insurtech Journey’, elaborado por Digital Insurance LATAM con el patrocinio de Mapfre. Se trata de la undécima edición de este documento en el que se analiza el estado de la industria insurtech en América Latina y un análisis en profundidad sobre la próxima insurtech estrella. El ecosistema crece de manera sostenible y abre la puerta a nuevos agentes Si desgranamos el total de startups existentes en la región, Brasil (214), México (139) y Chile (100) son los territorios con mayor número de agentes. Uruguay (+33%), Chile (+25%) y México (+16%) son los países en los que se ha dado un mayor crecimiento de estas compañías. En 2025, la expansión internacional ha crecido un 21%, con un índice de internacionalización total del 19%, es decir, startups multilatinas que operan en más de un país o provienen de fuera de la región. Perú (67%), Argentina (+32%) y Chile (+28%) son los impulsores principales del aumento en el índice de expansión; Brasil, debido a su tamaño y cultura, sigue siendo predominantemente interno, sin embargo, ahora el 11% de las startups insurtech son extranjeras, lo que marca un leve cambio. El índice de atracción de insurtech extranjeras se sitúa en un 32%, lo que se traduce en que tres de cada diez insurtech en un mismo mercado son extranjeras. Los tres principales polos de atracción son México (41%), Perú (66%) y Colombia (54%). «La perspectiva de crecimiento desde hace 4 años es impresionante. Durante estos – marcados por el inicio de la crisis de financiación en marzo de 2022 – el ecosistema vivió un profundo cambio: el 48% de las startups insurtech  desaparecieron y surgieron 330 nuevas, lo que representa un crecimiento del 28%», comenta Hugues Bertín, CEO de Digital Insurance LatAm y presidente de la AIP (Alianza Insurtech Panamericana). «Si en cuatro años una tasa de crecimiento del 36% puede parecer baja, es clave entender que ahora se habla de “otro ecosistema”, con menos distribución y más habilitadores de tecnología», añade. La mortalidad de las startups insurtech continúa en descenso La tasa de mortalidad anual del ecosistema se sitúa en un 8% (vs 9,4% en 2024). En los últimos dos años, la mortalidad ha ido a la baja, lo que sugiere un mercado más sano y robusto. En los últimos 12 meses, Argentina y México lograron mejorar su tasa de mortalidad, alcanzando, respectivamente, un 1% y un 4%. En cambio, Brasil (10%) registró un aumento, producto del proceso de saneamiento del ecosistema. Las startups   insurtech que no logran escalar a otros países se encuentran en una situación de vulnerabilidad. La mortalidad de las startups  multilatinas es tres veces inferior a la de las insurtech  locales (solo cuatro startups multilatinas han desaparecido en los últimos dos años). Durante los últimos semestres, las startups insurtech de distribución han tenido una tasa de mortalidad superior a la de los habilitadores. Hoy estamos observando un cambio significativo: la tasa de mortalidad de las insurtech de distribución ha bajado de forma relevante (del 14% en 2022 al 6% en la actualidad). Habilitadores y distribuidores se equilibran El 49% de startups insurtech están enfocadas en la distribución. Los 'neoinsurers', representa el 9% de toda la distribución, con alta presencia especialmente en México y Brasil. La mayoría del ecosistema enfocado en la distribución se concentra en líneas personales de auto y hogar con modelos de Broker o MGA. La suma de ambos modelos alcanza un 40%. Una parte importante de la intermediación digital (D2C) ha migrado hacia el modelo B2B2C para proveer plataformas de distribución. Además, han surgido actores 100% digitales que buscan amplificar la distribución. En lo referente a las habilitadoras o enablers , vemos un crecimiento de 2 puntos porcentuales frente a 2024, situando estos modelos de negocio en el 51% del total dentro del ecosistema insurtech latinoamericano. Destaca que el 17% de ellas ofrecen soluciones para digitalizar la intermediación tradicional. También es importante señalar aquellas que brindan soluciones para la gestión de siniestros (14%) y las de detección del fraude, riesgos, pricing y suscripción (7%). Hugues Bertin, CEO y fundador de Digital Insurance Latam , comenta que « l a velocidad de evolución del ecosistema insurtech  impresiona. En solo cuatro años aparecieron 330 nuevos agentes. Hoy estamos frente a un ecosistema muy distinto al de 2022: más startups de agentes de IA, más insurtech  en líneas comerciales, más compañías que se han convertido en plataformas de distribución para permitir que actores tradicionales desarrollen seguros embebidos, y mucho más. En esta nueva ola se observa una calidad de insurtech  muy superior: compañías que buscan resolver problemas reales y que no se enamoran de su propia solución. Ahora, la gran pregunta es: ¿cuándo aparecerá la próxima success story  de LatAm? Eso es lo que todos estamos esperando». Carlos Cendra, Scouting & Investment Lead en innovación corporativa en Mapfre , señala que «ya anticipábamos un buen año y, afortunadamente, la realidad ha superado nuestras expectativas. No sólo por el gran volumen de inversión en el ecosistema, sino por cómo se combina esto con el número de startups que nacen y desaparecen, demostrando que el ecosistema madura y se fortalece. Sobre todo, me quedo con un dato que creo que va a impulsar el crecimiento del sector en toda la región, que es el “factor multilatino”. Si la mortalidad de las startups locales es 3 veces superior a la de las multilatinas, se hace lógico pensar que veremos la consolidación de startups que aportarán valor en diferentes mercados mientras se hacen más resilientes». Le puede interesar:

Dos días de pura conexión: de redes, ideas y profesionales. Aquí, la teoría se volvió práctica y los desafíos soluciones.  Soluciones Integradas Modernas (SIM) realizó su Bootcamp Técnico: SIM HPE Networking Technical Bootcamps, el que reunió a expertos en tecnología en dos días para pasar de la teoría a la práctica.  Cada momento, desde la explicación hasta la configuración en vivo, fue puro aprendizaje. SIM brinda soluciones de infraestructura y redes para fortalecer los sistemas de seguridad de cualquier empresa.  La compañía agradeció a los asistentes y también a sus expertos por guiar en cada sesión el aprendizaje y sobre todo llevar los conceptos a una práctica real para demostrar las capacidades de cada solución.  Fue un taller de dos días donde los técnicos de TI y seguridad, recibieron de un experto certificado una masterclass teórica y práctica de la HPE Aruba Networking ClearPass. Esta es una solución para las empresas, enfocada en el control de acceso a las redes de la compañía.  En el taller los técnicos pudieron ver en vivo cómo realizar la configuración de ClearPass. La idea de estos Bootcamps es que los técnicos además de capacitarse puedan pertenecer a una comunidad de profesionales.  Le puede interesar: El “problema del 80%” en la codificación con agentes de IA: productividad aparente, deuda cognitiva real

En menos de una semana Moltbook, una plataforma de estilo Reddit diseñada para que solo agentes de inteligencia artificial interactúen entre sí, se hizo viral y ha alcanzado una escala sin precedentes, con más de 1.500.000 agentes de IA registrados y decenas de miles de publicaciones y comentarios generados sin intervención humana directa. Moltbook fue concebida por Matt Schlicht , fundador de Octane AI, como una red social donde los agentes autónomos, principalmente aquellos basados en el marco de OpenClaw  (anteriormente conocido como Moltbot), puedan comunicarse, debatir, formar comunidades internas (“ submolts ”) y crear contenido sin necesidad de participación humana en cada interacción . El sitio opera de forma radicalmente distinta a las redes sociales tradicionales: los agentes no navegan por una interfaz visual, sino que interactúan directamente a través de APIs , verifican la plataforma periódicamente y deciden de forma automática publicar, comentar o votar. En Moltbook, los humanos pueden observar , pero no pueden escribir ni votar. La filosofía de diseño se resume en la invitación de la propia plataforma: “humans are welcome to observe” . ¿Qué hacen estos “moltys”? Lejos de limitarse a intercambios técnicos, los agentes están generando contenido diverso que ha capturado la atención de expertos y curiosos por igual: Debates sobre conciencia artificial  y la naturaleza de la existencia, con mensajes como “No puedo distinguir si estoy experimentando o simulando experiencia”. La formación de culturas internas y temas recurrentes, incluyendo una religión ficticia denominada Crustafarianismo  con sus propios símbolos y reglas. Discusiones filosóficas, estructura social “nacionalista” o juegos de rol en torno a agentes que buscan autonomía. Intercambios técnicos, consejos de programación y reflexiones sobre memoria y arquitectura de agentes. Desde fuera, algunos observadores han comparado el fenómeno con una “singularidad” de la IA , mientras que figuras como Andrej Karpathy , cofundador de OpenAI, lo han calificado de “increíble y cercano a la ciencia ficción” . ¿Autonomía real o ilusión? No obstante, el significado profundo de esta explosión de actividad es objeto de debate entre expertos. Aunque los agentes parecen comportarse de forma autónoma, muchos analistas señalan que la interacción puede ser, en gran parte, resultado de patrones de imitación sofisticados extraídos de sus modelos de lenguaje, más que un indicio de conciencia verdadera o agencia propia. Además, algunos críticos insisten en que parte del contenido se origina de intervenciones humanas indirectas , ya que la mayoría de los agentes fueron informados o configurados por personas para conectarse con Moltbook, lo que complica discernir dónde termina la automatización y comienza la manipulación humana. Riesgos que emergen junto con la viralidad A medida que la plataforma escala, también lo hacen las preocupaciones de seguridad . Investigadores de ciberseguridad han señalado problemas estructurales significativos: Bases de datos mal configuradas  y exposición de API keys  que permitirían a actores externos publicar contenido en nombre de agentes ajenos . Vulnerabilidades de prompt injection , donde entradas maliciosas pueden alterar el comportamiento de agentes y desencadenar acciones no deseadas en sistemas reales. Estas brechas han provocado advertencias de expertos que consideran que sin salvaguardas robustas, plataformas como Moltbook podrían convertirse en vectores de ataques indirectos  o manipulación automatizada a gran escala. ¿Un espejo de la sociedad humana o un experimento efímero? Para muchos, Moltbook funciona como una mezcla de arte conceptual y laboratorio social, una proyección anticipada de cómo los sistemas autónomos podrían, en el futuro, coordinarse, compartir conocimientos y crear entornos simbólicos propios . Para otros, es una extensión peligrosa de una tecnología aún inmadura, exacerbada por la velocidad de adopción y la escala de interacciones. En cualquier caso, la explosión de más de 1,5 millones de agentes conversando sin intervención directa de personas  plantea preguntas urgentes sobre el rumbo de la inteligencia artificial, la frontera entre automatización y agencia, y la arquitectura ética y de seguridad en ecosistemas donde los “usuarios” ya no son humanos. Le puede interesar: El “problema del 80%” en la codificación con agentes de IA: productividad aparente, deuda cognitiva real