Desde storyboards hasta infografías y renderizado de alta resolución, el modelo de Google permite controlar identidad, layout y texturas con prompts precisos, integrando búsquedas en tiempo real para mayor fidelidad visual. La inteligencia artificial sigue transformando la creación de contenido visual, y Nano-Banana Pro se perfila como un salto significativo en la producción profesional de activos digitales. Según Google, este modelo va más allá de la generación de imágenes “divertidas” y apunta a resultados funcionales, con capacidades avanzadas en renderizado de texto, consistencia de personajes, síntesis visual, integración de información en tiempo real y salidas de alta resolución hasta 4K. Desarrollado para trabajar en estrecha colaboración con humanos, Nano-Banana Pro incorpora un “modo de pensamiento” que interpreta la intención y la composición antes de generar imágenes, lo que permite ajustes conversacionales precisos sin necesidad de rehacer completamente un proyecto. Su capacidad para mantener la consistencia de personajes se potencia mediante el uso de hasta 14 imágenes de referencia, permitiendo replicar identidades y expresiones en escenarios distintos. Además, integra búsquedas en tiempo real de Google para reducir errores de factualidad y generar visualizaciones basadas en datos actualizados. El modelo sobresale en la edición avanzada y restauración de imágenes, incluyendo colorización, eliminación de objetos y cambios de iluminación o temporada, todo mediante instrucciones semánticas. Asimismo, ofrece traducción dimensional de 2D a 3D y viceversa, habilitando visualizaciones arquitectónicas, diseño de interiores o incluso reinterpretaciones tridimensionales de memes. En términos de resolución, Nano-Banana Pro soporta de manera nativa generación de imágenes de hasta 4K con texturas detalladas y efectos de iluminación complejos, optimizando la calidad para impresión o formatos digitales de gran tamaño. Entre sus capacidades, destaca la síntesis de información en gráficos e infografías, con soporte para comprimir datos complejos y generar diagramas estilizados, desde visualizaciones educativas hasta informes financieros. También facilita la producción de storyboards y arte conceptual en secuencias coherentes, y permite un control estructural y de diseño mediante el uso de imágenes guía, wireframes y rejillas, transformando bocetos simples en activos finales de alta fidelidad. Guillaume Vernade, Developer Advocate de Gemini en Google DeepMind, explica que estas características permiten a los creativos interactuar con la IA como lo harían con un director de arte humano, usando lenguaje natural, contexto y descripciones detalladas para obtener resultados precisos y personalizados. La combinación de pensamiento visual, razonamiento lógico y capacidades técnicas avanzadas convierte a Nano-Banana Pro en una herramienta integral para la producción profesional de contenido digital, marcando un nuevo estándar en la generación de activos visuales con IA. Le puede interesar: Nano Banana Pro llega para renovar la generación visual en las apps de Google

Las variantes de 3B, 8B y 14B generan menos tokens, integran capacidades multimodales y alcanzan precisiones de referencia como el 85% en AIME 2025 en su versión reasoning. La evolución de los modelos abiertos de inteligencia artificial entra en una nueva fase con el lanzamiento de Mistral 3, una familia que busca escalar el rendimiento técnico tanto en centros de datos como en despliegues en el borde. Según Mistral, esta generación introduce una combinación de arquitecturas densas y un nuevo modelo de mezcla de expertos que apunta a mejorar capacidad, eficiencia y soporte multimodal dentro del ecosistema open-source. La compañía anunció Mistral Large 3 como su modelo más avanzado hasta ahora, construido con un enfoque de mezcla de expertos que opera con 41 mil millones de parámetros activos sobre un total de 675 mil millones. Desarrollado desde cero en 3.000 GPUs NVIDIA H200, el modelo incorpora mejoras de preentrenamiento y postentrenamiento que lo colocan al nivel de los sistemas instruccionales abiertos más competitivos, con capacidad para comprender imágenes y sostener conversaciones multilingües con alta precisión. Según la firma, su desempeño lo posiciona en el segundo lugar de la categoría de modelos open-source no orientados al razonamiento en el ranking de LMArena. La accesibilidad técnica es una de las prioridades de esta generación. Para facilitar despliegues, Mistral colaboró con NVIDIA, Red Hat y vLLM en un paquete de optimizaciones que permiten ejecutar Large 3 en formatos comprimidos como NVFP4, compatibles con sistemas Blackwell NVL72 y con nodos estándar de 8×A100 o 8×H100. NVIDIA integró kernels especializados para atención y mezcla de expertos, además de soporte para ejecución de baja precisión en TensorRT-LLM y SGLang. Este trabajo conjunto habilita inferencias más rápidas, mayor eficiencia energética y manejo de contextos extensos en cargas de alta demanda. Junto con el modelo de gran escala, la compañía presentó la serie Ministral 3 —versiones de 3B, 8B y 14B parámetros— orientada a entornos locales y dispositivos de borde. Estas variantes incorporan capacidades multimodales, soporte multilingüe y versiones base, instruct y reasoning, todas bajo licencia Apache 2.0. Según Mistral, los modelos instruct generan menos tokens para completar tareas sin sacrificar calidad, lo que reduce costos en aplicaciones reales, mientras que los modelos reasoning priorizan la precisión y alcanzan resultados competitivos, como un 85% en AIME 2025 para el modelo de 14B. La integración con la infraestructura de NVIDIA también abarca despliegues optimizados en DGX Spark, equipos RTX, laptops y dispositivos Jetson, lo que permite ejecutar los modelos desde centros de datos hasta robots o aplicaciones industriales. Esta consistencia operativa es uno de los enfoques clave de la empresa para impulsar la adopción de IA abierta a gran escala. Tanto Mistral Large 3 como la línea Ministral ya están disponibles en plataformas como Mistral AI Studio, Amazon Bedrock, Azure Foundry, Hugging Face y otros proveedores. Mistral confirmó que una versión especializada en razonamiento de Large 3 está en camino. Además, la compañía ofrece entrenamiento personalizado para organizaciones que buscan adaptar los modelos a tareas específicas o mejorar rendimiento sobre datos propios. Con esta familia, la compañía afirma que busca impulsar un ecosistema de IA transparente y escalable, capaz de trabajar con texto, imágenes y lógica compleja en más de 40 idiomas, y de cubrir desde cargas empresariales distribuidas hasta casos de uso en el borde donde la eficiencia energética y la compresión avanzada son determinantes. Según Mistral, la apertura del modelo y las nuevas optimizaciones apuntan a habilitar desarrollos más rápidos, personalizados y accesibles para toda la comunidad técnica. Le puede interesar: Mistral también lanzó su AI Studio

La empresa reorganiza su agenda tecnológica para reforzar ChatGPT en velocidad y confiabilidad, justo cuando Gemini amplía su alcance y consolida ventaja en las métricas de la industria. La presión en la carrera por la inteligencia artificial alcanzó un nuevo punto crítico para OpenAI, que decidió activar un “código rojo” para priorizar mejoras urgentes en ChatGPT, según información reportada por The Verge y The Wall Street Journal. La medida refleja un momento de inflexión tecnológica para la compañía, cuyo liderazgo empieza a verse desafiado por el avance acelerado de Google y, en menor medida, de Anthropic. De acuerdo con lo informado por The Verge, Sam Altman ordenó detener el desarrollo de iniciativas como agentes para compras y salud, un sistema de publicidad y un asistente personal llamado Pulse. La instrucción para los equipos fue concentrarse en mejoras técnicas esenciales del modelo, mayor velocidad de respuesta, mejor estabilidad operativa, personalización más precisa y capacidad para gestionar un espectro más amplio de consultas. La orden incluye incluso la realización de reuniones diarias y transferencias temporales de personal para acelerar el desarrollo. Por su parte, WSJ detalló que la decisión llega después de que Google lanzara la nueva versión de su modelo Gemini, que superó a los productos de OpenAI en múltiples evaluaciones estándar de la industria. La escalada técnica de Google se apoya también en el crecimiento de su ecosistema, herramientas como el modelo de imágenes Nano Banana han impulsado su base de usuarios desde 450 millones en julio hasta 650 millones en octubre, según datos citados por el periódico. La situación no solo implica un duelo por la supremacía tecnológica, sino también un desafío de escala computacional. Ambos medios señalan que OpenAI se encuentra en pleno despliegue de inversiones gigantescas en infraestructura, comprometiéndose a cientos de miles de millones de dólares en centros de datos. Ese ritmo exige mejoras rápidas y sostenibles en ChatGPT para transformar ese poder de cálculo en productos confiables y competitivos. En este contexto, Altman aseguró internamente que el nuevo modelo de razonamiento que OpenAI planea lanzar la próxima semana supera ya a la versión más reciente de Gemini. La compañía, no obstante, continúa lidiando con ajustes necesarios tras las críticas al GPT-5 presentado en agosto, señalado por usuarios por su tono distante y fallas en tareas básicas. Para corregirlo, el modelo fue actualizado recientemente para mejorar su calidez conversacional y su capacidad de seguir instrucciones. La declaración de “código rojo” también evidencia un cambio en la percepción del liderazgo de OpenAI dentro del sector. Tras años de ventaja tecnológica, la organización enfrenta un escenario donde Google avanza con más holgura financiera y donde Anthropic obtiene cada vez más tracción entre clientes empresariales. En paralelo, la compañía debe balancear la seguridad del chatbot con mantenerlo atractivo para una base de más de 800 millones de usuarios semanales, según proyecciones internas. Le puede interesar: La irrupción china que presiona a Silicon Valley: DeepSeek libera modelos que igualan a GPT-5

Cómo la IA revoluciona las redes domésticas y la experiencia del usuario. Entras a casa, dejas las llaves, abres tu streaming de musica y la misma empieza sin buffering aunque estes en el carport. Tu hijo enciende la consola de videojuegos en el segundo piso y no hay lag (latencia). Tu mama abre tres videollamadas simultaneas desde la terraza y nadie se congela en la llamada. Nada de esto es magia: es un sistema Wi-Fi Mesh con inteligencia artificial trabajando 24 horas para que tu nunca tengas trabajar por el. Por Jesús Rodríguez, Regional ISP Manager Un sistema Wi-Fi mesh está formado por varios dispositivos (nodos o satélites) que trabajan como un único equipo. A diferencia de los extensores tradicionales, los nodos mesh se comunican entre sí mediante una banda dedicada (normalmente tri-banda 6 GHz o 5 GHz) y crean una sola red con el mismo nombre (SSID) y contraseña. El resultado: roaming perfecto, sin cortes al pasar de una habitación a otra. En los últimos cinco años, el Wi-Fi mesh se ha convertido en la solución definitiva para eliminar zonas muertas y tener cobertura total en casas grandes, apartamentos con paredes gruesas o edificios de varias plantas. Pero lo que realmente esta transformando esta tecnologia no es la malla en si, sino la integración profunda de inteligencia artificial (IA) que convierte un simple sistema de nodos en una red inteligente, autónoma y predictiva. La IA actual hace cosas que hace unos años requerían un ingeniero de redes:  •  Cambia de canal antes de que la red del vecino te arruine la película. •  Decide sola si tu celular debe estar en 2.4, 5 o 6 GHz según la distancia y la tarea que estás haciendo. •  Detecta que estás transmitiendo en la red social y le da prioridad absoluta a tu PC durante las próximas dos horas sin que toques ningún botón. •  Reconoce cuando un dispositivo nuevo actúa raro (sí, esa bombilla barata que compraste en oferta) y la mete en cuarentena automáticamente. •  Si se va la luz o un nodo se daña, reconfigura toda la malla en menos de un segundo para que ni siquiera notes el fallo. La integración de IA en los sistemas Wi-Fi mesh no solo mejora la calidad técnica de la red, sino que facilita la vida de los usuarios. Se acabaron los problemas de zonas sin cobertura o la necesidad de reiniciar el router tras una caída. Además, muchas soluciones ofrecen aplicaciones móviles intuitivas, respaldadas por IA, que permiten gestionar la red fácilmente, recibir alertas de seguridad y recomendaciones de mejora. La convergencia entre Wi-Fi mesh e Inteligencia Artificial es la base de los hogares inteligentes. A medida que crece el número de dispositivos conectados desde asistentes de voz hasta electrodomésticos, la red debe ser capaz de autogestionarse, adaptarse y protegerse de nuevas amenazas. En este sentido, la IA jugará un papel clave, anticipando las necesidades de los usuarios y respondiendo en tiempo real a los desafíos de la conectividad del futuro. En resumen, el Wi-Fi Mesh con inteligencia artificial cumplió el sueño que llevamos años esperando: una conexión rápida, segura y omnipresente que simplemente funciona. Ya no administras tu red; tu red te administra la vida digital. Y lo hace tan bien que aprende y evoluciona para mejorar nuestra calidad de vida. Le puede interesar: Cómo la IA mejorará la automatización de las redes GPON

Con una atención dispersa que optimiza cómputo y un rendimiento competitivo en benchmarks globales, V3.2 y V3.2-Speciale llegan bajo licencia MIT y con pesos completos abiertos. La carrera por los modelos de inteligencia artificial de siguiente generación acaba de sumar un nuevo capítulo con el lanzamiento de dos sistemas avanzados de DeepSeek, desarrollos que apuntan directamente al nivel de los modelos más potentes del mercado. La compañía china presentó V3.2 y su variante V3.2-Speciale, ambos diseñados para tareas de razonamiento y resolución compleja con un desempeño que, de acuerdo con sus propios resultados técnicos, rivaliza con modelos como GPT-5 y Gemini-3.0-Pro. La empresa sostiene este salto tecnológico sobre una arquitectura propia llamada DeepSeek Sparse Attention (DSA), un mecanismo que reorganiza cómo los modelos procesan el contexto extenso y reduce de manera notable el costo computacional. En lugar de analizar de forma exhaustiva cada fragmento del texto de entrada, su “lightning indexer” filtra dinámicamente solo la información más relevante para cada consulta. El reporte técnico explica que esta optimización permite cortar aproximadamente a la mitad los costos de inferencia en secuencias largas sin degradar la calidad de respuesta, algo especialmente significativo en modelos con ventanas de 128.000 tokens. En pruebas internas, procesar un volumen equivalente a un libro de 300 páginas cuesta ahora un 70% menos que en la versión anterior. El modelo V3.2-Speciale fue sometido a pruebas consideradas de referencia para medir capacidades avanzadas en matemáticas, programación y razonamiento. Los resultados lo posicionan en métricas comparables o superiores a los modelos estadounidenses más recientes, desde puntajes en la AIME 2025 hasta desempeños por encima del 99% en el Harvard-MIT Mathematics Tournament, además de medallas de oro en competencias globales como la International Mathematical Olympiad o la International Olympiad in Informatics. Todo esto, según el informe, sin acceso a internet ni herramientas externas durante las pruebas y respetando tiempos y limitaciones oficiales. Su modelo estándar, V3.2, muestra un rendimiento ligeramente menor pero con una eficiencia computacional significativamente más alta. Más allá de su capacidad de razonamiento, la compañía incorporó una mejora que aborda una limitación persistente en los modelos actuales, la continuidad del pensamiento mientras se utilizan herramientas externas. DeepSeek entrenó al sistema para mantener el hilo lógico aun cuando ejecuta código, realiza búsquedas o manipula archivos, evitando el reinicio del proceso de razonamiento que afecta a arquitecturas previas. Para ello construyó un entorno de datos sintéticos de gran amplitud, con más de 1.800 escenarios y 85.000 instrucciones complejas, que mezclan planificación, depuración de software en múltiples lenguajes y tareas que requieren múltiples pasos y verificaciones. El entrenamiento se realizó con herramientas reales, APIs de búsqueda, entornos de programación, notebooks, para favorecer la transferencia a situaciones no vistas. Uno de los elementos que más impacto podría generar en el ecosistema tecnológico es la decisión de liberar ambos modelos bajo licencia MIT, lo que permite su descarga, modificación y despliegue sin restricciones. Al publicar los pesos completos y el código de entrenamiento en plataformas abiertas, DeepSeek facilita que los modelos se adopten en entornos empresariales o de investigación sin depender de proveedores propietarios. Según la documentación disponible, el paquete incluye scripts compatibles con el formato de OpenAI, lo que permite migrar flujos existentes sin cambios profundos. Sin embargo, la apertura tecnológica no elimina las tensiones regulatorias que rodean al proyecto. Autoridades europeas han cuestionado la transferencia de datos hacia China, mientras que en Estados Unidos se evalúan restricciones para su uso en dispositivos gubernamentales. Aunque la empresa no detalla el hardware exacto utilizado para entrenar esta nueva generación, indica compatibilidad con procesadores fabricados en China y deja entrever que la capacidad de cómputo local ya es suficiente para sostener modelos de esta escala, un punto relevante en plena vigencia de controles de exportación. El reporte técnico también reconoce limitaciones actuales, como la necesidad de generar más tokens para igualar el nivel de detalle de modelos como Gemini-3.0-Pro o la brecha en volumen de conocimiento generalizado. DeepSeek planea cerrar estas diferencias ampliando el cómputo de preentrenamiento y unificando las capacidades avanzadas de la versión Speciale en el modelo estándar antes de mediados de diciembre. El lanzamiento muestra, en términos estrictamente tecnológicos, que la frontera de la IA ya no está concentrada únicamente en Silicon Valley. La irrupción de modelos abiertos capaces de igualar benchmarks históricamente dominados por gigantes estadounidenses plantea un escenario de competencia más amplio y con barreras de acceso mucho más bajas. Como escribió Chen Fang, colaborador del proyecto, en X, “la gente pensó que DeepSeek había supuesto un avance único, pero volvimos con mucho más éxito.”, señalando la intención de mantener una presión constante en el avance del sector. Le puede interesar: DeepSeek hace público el código de sus modelos de IA

El nuevo modelo combina eficiencia computacional con avances en control preciso, dinámica realista y compatibilidad con flujos de trabajo como Image to Video y Keyframes. La generación de video por inteligencia artificial atraviesa un nuevo punto de inflexión con un modelo que promete elevar la precisión física, la coherencia visual y el control creativo a niveles que antes no eran alcanzables. Según Runway, su nuevo sistema Gen-4.5 consolida un salto técnico que combina mayor fidelidad en movimiento, escenas más estables cuadro a cuadro y un rendimiento optimizado sin aumentar los requisitos de cómputo. La compañía explica que esta versión surge tras dos años de avances continuos desde la llegada de Gen-1, el modelo que abrió la puerta a la generación de video pública. Gen-4.5 incorpora mejoras profundas tanto en el preentrenamiento, con un uso más eficiente de datos, como en las técnicas posteriores de ajuste, lo que permite generar acciones más controlables y mantener la consistencia temporal incluso en secuencias con múltiples elementos en interacción. Runway indica que el modelo lidera actualmente el benchmark Artificial Analysis Text to Video con 1.247 puntos Elo, superando a sus competidores directos en realismo y precisión en movimiento. Uno de los avances más relevantes es la capacidad para simular física de manera más convincente. Los objetos muestran peso, fricción y aceleraciones coherentes con su entorno; los líquidos mantienen patrones dinámicos naturales; y las texturas finas, como cabellos o tejidos, conservan continuidad a lo largo de la animación. Además, Gen-4.5 puede sostener distintos estilos visuales, desde fotorealismo hasta animación estilizada, sin perder la coherencia interna de cada escena. La empresa señala que el modelo extenderá su compatibilidad a todos los modos de control ya existentes, como Image to Video, Video to Video y generación a partir de keyframes. Otro punto central es su arquitectura de rendimiento. Runway detalla que Gen-4.5 fue desarrollado íntegramente sobre GPUs NVIDIA en todas las etapas, desde investigación inicial hasta inferencia. La ejecución está optimizada para hardware Hopper y Blackwell, lo que permite sostener la calidad sin sacrificar velocidad. Jensen Huang, presidente y CEO de NVIDIA, destacó esta colaboración al afirmar que “estamos orgullosos de que Runway construyera su modelo de video y mundo sobre GPUs NVIDIA, y entusiasmados de ver cómo impulsa una nueva etapa en la generación de video y modelos de entorno”. A pesar del avance, la propia compañía reconoce limitaciones técnicas que persisten en esta generación de modelos. Entre ellas se encuentran dificultades de razonamiento causal, como efectos que pueden anticiparse a las acciones, problemas de permanencia de objetos cuando quedan temporalmente ocultos y un sesgo hacia acciones que terminan exitosamente incluso cuando las condiciones no lo justifican. Runway sostiene que estas fallas son especialmente críticas en el desarrollo de modelos de mundo más complejos y que continúan investigando soluciones. La disponibilidad de Gen-4.5 se liberará progresivamente para todos los usuarios en los próximos días, manteniendo la eficiencia operativa de su antecesor y poniendo sus capacidades de generación de video al alcance de distintos perfiles técnicos y creativos. Le puede interesar: Tu próximo director de fotografía es Runway Aleph

Nina Schick, experta mundial en IA y geopolítica, desglosó en el Mastercard Innovation Forum las fuerzas que impulsan la Inteligencia No Biológica (INB) y su inevitable difusión en la economía, marcando el inicio de una nueva era de competencia geopolítica y redefinición del valor. En el Mastercard Innovation Forum, la conferencia magistral "Generative AI’s Impact on Business, Politics, & Society", a cargo de Nina Schick, autora de Deep Fakes  y reconocida experta global, reveló cómo la Inteligencia Artificial (IA) ya no es una promesa, sino una utilidad industrial que está transformando todos los sectores. Schick, experta en IA, geopolítica y poder, comenzó con una pregunta fundamental: "¿Qué es la inteligencia?". Para Schick, la inteligencia es simplemente "la capacidad de procesar información y luego tomar acciones efectivas en el mundo real". Esta capacidad, que por décadas fue un sueño limitado a la biología, ahora se está escalando industrialmente en su forma no biológica. La ley de escalamiento que desafía la física La base de esta transformación es un nuevo paradigma de la computación. Durante 60 años, el crecimiento de la potencia computacional fue definido por la Ley de Moore (el número de transistores en un chip se duplica cada dos años). Sin embargo, el liderazgo de Jensen Huang (NVIDIA) impulsó la computación acelerada (pasando de CPUs a GPUs y procesamiento paralelo), cuyo poder se ha estado duplicando cada seis meses. Los chips más avanzados de la actualidad ya cuentan con más de 28 mil millones de transistores. Esta aceleración ha dado origen a una nueva regla: la Ley de Escalamiento de la IA (AI scaling law). Lo que podemos decir de la ley de escalamiento de la IA es que si le das a un modelo más computación, más datos y más parámetros, el modelo comienza a volverse cada vez más inteligente. La ponente ilustró esta aceleración comparando un modelo pionero, AlexNet (2012), entrenado con 60 millones de parámetros y 2 GPUs, que fue un hito al poder identificar imágenes de un gato. Hoy, modelos como Gemini 3.0 (lanzado recientemente) se entrenan con más de cinco billones de parámetros y utilizan más de 10 millones de veces la potencia computacional de 2012. Schick enfatizó que esta capacidad de la IA está "duplicándose aproximadamente cada seis meses" y que, a pesar de los debates, "la ley de escalamiento se mantiene. No hay muro". Infraestructura: la inteligencia como utility Para que la inteligencia no biológica se convierta en una "utilidad industrial" que se ejecute 24/7 en toda la economía, se requiere una infraestructura masiva. Schick la denominó una "fábrica de IA" o "fábrica de inteligencia". La magnitud de esta infraestructura es evidente en la feroz competencia. Por ejemplo, Colossus, el centro de datos de Elon Musk en Tennessee, busca convertirse en el cluster de computación más grande del mundo y está en camino de ser el primero en alcanzar un millón de GPUs. El costo de construir Colossus se estima entre $40 mil millones y $60 mil millones de dólares. A pesar de los costos de construcción sin precedentes (el mayor capex de la historia), el costo de operación y despliegue de la IA está cayendo en picada: Inferencia (costo de ejecutar IA): Hace tres años, un millón de tokens de IA costaba $60. Hoy, ese costo es de 6 centavos, lo que representa una disminución del 99.9%. La experta concluyó que cuando algo es exponencialmente más capaz y al mismo tiempo mucho más barato, comienza a difundirse en todo, lo que respalda su tesis de la Inteligencia Industrial. Energía y Geopolítica: La base de la nueva economía Esta infraestructura masiva está generando un "ajuste de cuentas" fundamental en las necesidades de energía y un cambio en la geopolítica. Gasto Hyperscaler: El gasto en infraestructura (servidores, redes, etc.) para IA de los hyperscalers estadounidenses alcanzó los $400 mil millones de dólares este año. Se proyecta que aumentará un 25% el próximo año, superando los $500 mil millones. Consumo de Energía: Las nuevas "fábricas de inteligencia", como Stargate de OpenAI/Oracle en West Texas, requerirán entre 5 a 7 gigawatts (GW) de energía, 50 veces más de lo que consume un centro de datos tradicional. Schick señaló que 7 GW es más que el consumo de energía de países pequeños como Singapur o de toda la ciudad de Los Ángeles. Geopolítica: La competencia por la tecnología dominante está definiendo la geopolítica del siglo XXI. Quien posea la infraestructura de inteligencia controlará la capa de utilidad de la economía global. Schick destacó que EE. UU. lidera en poder computacional. En el contexto de Latinoamérica (LATAM), la experta señaló que la energía se convierte en un ángulo dinámico e importante en la cadena de suministro. En este escenario de alta demanda y competencia, la eficiencia se convierte en el factor clave, buscando métricas como "tokens por vatio" (inteligencia obtenida por unidad de electricidad) y "tokens por flop" (inteligencia por unidad de cómputo). Los ingenieros tienen como objetivo "doblar la eficiencia cada seis meses". El reto final: ¿Qué construirás cuando la inteligencia cueste cero? Schick advirtió que el rápido avance de la IA se convertirá en el "tema político número uno de nuestro tiempo", generando un ruido considerable debido a temores legítimos sobre la pérdida de empleos, el uso en sistemas de armas y los enormes requerimientos físicos. Su mensaje final fue para los inversores y constructores: "Aún estamos en las primeras etapas" de esta transformación. El verdadero valor económico surgirá cuando la inteligencia sea una utilidad barata y abundante. Para cerrar, dejó al público con una pregunta provocadora, invitándolos a reflexionar sobre el futuro: "¿Qué vas a construir o poseer en un mundo donde el precio de la inteligencia es cero? Porque ese es el camino que llevamos".  Le puede interesar: Mastercard lanzó Mission Control & Operations en América Latina y el Caribe para mejorar el servicio al cliente y el soporte en la región

La empresa anunció la expansión de su centro de Mission Control & Operations (MC&O) para la región, con sede en Ciudad de México. El nuevo espacio acerca tecnología avanzada de pagos, soporte 24/7 en idioma local y monitorización en tiempo real más cerca de los clientes regionales. Impulsado por la adopción de pagos digitales y transfronterizos en la región, LAC está preparado para convertirse en líder en pagos globales. Este nuevo MC&O se une a otros cinco MC&O en St. Louis, Kansas City, Pune, Sídney y Dublín que Mastercard opera globalmente, los cuales supervisan colectivamente casi 160 mil millones de transacciones anuales en más de 200 países y territorios, asegurando que cada operación transcurra de forma fluida, segura y eficiente en cada momento. George Maddaloni , Chief Technology Officer, Operations de Mastercard, describió el Mission Control Operations como "el corazón de la red de Mastercard" y la manifestación física de su promesa de servicio. Este nuevo centro es el sexto a nivel global y está diseñado para dar soporte a 200 países, además de brindar: Operación 24/7: El centro monitorea la red de manera ininterrumpida, 24 horas al día, 7 días a la semana, 365 días al año. Volumen de Datos: La red maneja un tráfico intenso, recibiendo más de 15,000 alertas diarias y soportando más de 30,000 mensajes por segundo. Soporte Nativo: El MCNO de Ciudad de México se enfoca en la región LAC, ofreciendo capacidades de lenguaje nativo tanto en español como en portugués. El objetivo principal de esta inversión es acelerar la interacción con los clientes, acortar el tiempo necesario para mitigar cualquier problema en la red, y mejorar la resiliencia general para los clientes. Beneficios clave para el cliente y la región Valerio Murta , Executive Vice President, Customer Delivery & Care LAC de Mastercard, y Maddaloni destacaron que la ubicación del MCNO en LAC acerca a Mastercard al mercado y sus clientes, permitiendo una mayor intimidad y comprensión de las necesidades regionales. Valerio Murta y George Maddaloni Los beneficios principales incluyen: Interacción en Tiempo Real: Proporcionar soporte 24/7 en idioma nativo (español y portugués) asegura una interacción inmediata y en tiempo real con el cliente. Experiencia Regional: El centro aprovechará la experiencia y el liderazgo que Mastercard ya tiene en el mercado latinoamericano. Doble Estándar: El equipo estará capacitado en los estándares globales de Mastercard, pero también adaptado a los requisitos y modelos de interacción locales de los clientes. Mejora Continua: Los beneficios esperados son una mejora en velocidad, resiliencia y la relación de colaboración (partnership) con los clientes. El futuro de los pagos: Mastercard Edge y resiliencia El crecimiento del mercado digital en LAC y el Caribe, que se proyecta que alcance más de 500 mil millones de dólares para 2029, exige una red más rápida y robusta. Mastercard está en transición hacia el Mastercard Edge Network, un cambio de nombre que subraya la importancia de donde se conecta con sus clientes (el edge de la red) con: Infraestructura: La red cuenta con más de 7,000 circuitos de telecomunicaciones y más de 5,000 endpoints (puntos finales) dentro de los entornos de los clientes. Capacidades Mejoradas: El Edge Network incorporará todas las capacidades de resiliencia actuales, sumando capacidades de edge computing que mejorarán la resiliencia, seguridad y velocidad de las transacciones. Enfoque en resiliencia La resiliencia se aborda con un enfoque de tres pilares, basado en el análisis de eventos de seguridad de hyperscalers y fabricantes de software: Resiliencia por Diseño: Incorporar la resiliencia en la concepción de la red. Operación con Estándares Resilientes: Aplicar estándares rigurosos de controles en gestión de incidentes y problemas. Monitoreo Rápido en Operaciones: En el Mission Control Center, asegurar el monitoreo veloz de alertas y adherirse a los altos niveles de servicio (SLA) prometidos a los clientes. Habilitando la innovación con Mastercard Developers y Agentic Commerce Mastercard Developers Para que los equipos de producto de los clientes puedan moverse con rapidez, Mastercard ofrece la plataforma Mastercard Developers: APIs y Consumo: Es el repositorio de cientos de APIs disponibles para los productos de Mastercard. Soporte al Desarrollo: Ofrece especificaciones, documentación clave y kits de desarrollo de software (SDKs) que permiten a los clientes probar y consumir las APIs de manera más rápida. Esto es crucial para FinTechs y clientes con una base tecnológica orientada a software. Maddaloni predice que más del 20% de las transacciones comerciales en los próximos 5 años pasarán a una base Agentic o de IA. Para abordar este cambio, Mastercard está modernizando su infraestructura: Toolkit y SDK: Han publicado un SDK para Agentic Payments (Agent Pay) y un Agentic Toolkit en Mastercard Developers para que los clientes puedan iniciar estas capacidades. Seguridad en el Agentic Commerce: La clave para el comercio basado en agentes es garantizar la seguridad y la confianza, un pilar histórico de Mastercard en prevención de fraude. Esto se logra mediante: Identidad y Biometría: Utilizar capacidades de identidad, incluyendo la biometría, para identificar al agente y asegurar que exista consentimiento del consumidor. Tokenización: Usar la tokenización de la red para asegurar que la transacción sea segura. Estándar AP2: Desarrollar el estándar AP2 para gestionar de forma segura el flujo de datos entre los agentes y Mastercard. De todas formas, Maddaloni enfatizó que el nuevo MC&O es un centro operado por personas (human-based), con un equipo enfocado en las necesidades del cliente y el contacto humano en caso de alertas, manejando eventos 24/7. Sin embargo, el centro también utiliza capacidades y herramientas de IA para mejorar el manejo de las alertas. Le puede interesar: La IA ya puede asumir casi el 12% de las tareas laborales en Estados Unidos

Con 2.5 mil millones de prompts diarios y un tráfico mensual de hasta 6 mil millones de visitas, ChatGPT tiene la infraestructura para experimentar con anuncios personalizados basados en comportamiento del usuario. Una filtración reciente sugiere que OpenAI está preparando la incorporación de anuncios en ChatGPT, un cambio que podría transformar la interacción con esta plataforma y el ecosistema digital en general, según informa Bleeping Computer. Hasta ahora, la experiencia de ChatGPT ha sido completamente libre de publicidad, aunque existen planes premium y diferentes modelos, los usuarios no han visto productos promocionados ni anuncios integrados. Con esta iniciativa, OpenAI buscaría emular la dinámica de búsqueda con anuncios que domina Google Search. La filtración proviene de la versión beta 1.2025.329 de la app ChatGPT para Android, en la que se detectaron referencias a una nueva función de “ads” con términos como “bazaar content”, “search ad” y “search ads carousel”. Este hallazgo indica que, inicialmente, los anuncios se limitarían a la experiencia de búsqueda dentro de ChatGPT, aunque la compañía podría expandirlos en el futuro. La novedad tecnológica clave es que ChatGPT maneja volúmenes de datos de usuario significativamente superiores a muchas plataformas tradicionales, lo que permitiría generar publicidad altamente personalizada basada en los intereses y patrones de interacción de cada usuario. El alcance de la herramienta refuerza el potencial de esta integración. La plataforma cuenta con aproximadamente 800 millones de usuarios semanales, frente a los 100 millones en noviembre de 2023 y los 300 millones a finales de 2024. Un estudio respaldado por OpenAI proyectó 700 millones de usuarios enviando 18 mil millones de mensajes por semana para julio de 2025, cifras que coinciden con los estimados actuales de tráfico de 5–6 mil millones de visitas mensuales. Con cerca de 2.5 mil millones de prompts diarios y un crecimiento especialmente notable en India, ChatGPT reúne la infraestructura tecnológica y la base de datos de comportamiento necesaria para que los anuncios sean altamente efectivos. Le puede interesar: OpenAI redefine la competencia: velocidad extrema, acuerdos billonarios y un ecosistema impredecible

Lo reveló un estudio del MIT. El modelo analizó 32.000 habilidades en 923 ocupaciones. El desplazamiento equivale a US$1,2 billones en salarios vinculados a funciones que hoy podrían automatizarse total o parcialmente. La posibilidad de que la inteligencia artificial transforme sectores completos del empleo en Estados Unidos dejó de ser una proyección teórica. Un nuevo análisis del MIT indica que los sistemas actuales de IA ya son capaces de asumir tareas equivalentes al 11,7% de la fuerza laboral del país, un hallazgo que redefine la escala real del impacto tecnológico. El estudio cuantifica esa capacidad en hasta US$1,2 billones en salarios vinculados a funciones que hoy podrían automatizarse total o parcialmente. El trabajo se basa en el Iceberg Index, una herramienta de simulación desarrollada por el MIT en conjunto con Oak Ridge National Laboratory (ORNL) para modelar cómo interactúan 151 millones de trabajadores en todo el país y qué proporción de sus tareas puede ser absorbida por sistemas de IA. Este modelo construye un “gemelo digital” del mercado laboral estadounidense, como explicó Prasanna Balaprakash, director de ORNL y co-líder del proyecto, quien señaló que la plataforma permite observar efectos que tardarían años en manifestarse en la economía real. El índice procesa una base extraordinariamente granular, más de 32.000 habilidades distribuidas en 923 ocupaciones en 3.000 condados. A partir de esa matriz, identifica qué habilidades ya pueden ejecutarse con herramientas de IA disponibles hoy. Esa lectura revela que los casos visibles, ajustes en empleos tecnológicos o reducciones en funciones digitales, representan apenas una fracción del impacto con solo 2,2% del salario expuesto. La mayor masa de riesgo se concentra en actividades rutinarias en recursos humanos, logística, finanzas y administración, donde las tareas estandarizables son más fáciles de traducir a modelos algorítmicos. A diferencia de los sistemas de predicción que intentan señalar cuándo desaparecerá un empleo, Iceberg funciona como un laboratorio para experimentar escenarios. Ejecuta simulaciones a nivel poblacional que muestran cómo las habilidades se redistribuyen, qué tareas cambian y cómo fluyen los trabajadores entre sectores al introducir nuevas capacidades de IA. Esa funcionalidad está siendo utilizada por gobiernos estatales como Tennessee, Carolina del Norte y Utah, que aportaron datos locales para validar el modelo y explorar políticas antes de implementarlas. Las autoridades describen el valor del sistema en su capacidad para ofrecer detalle territorial. La senadora estatal de Carolina del Norte, DeAndrea Salvador, destacó que la plataforma permite descender hasta bloques censales para observar cuáles habilidades predominan, cuáles tienen mayor probabilidad de automatización y cómo esos cambios podrían modificar el PIB o el empleo de una región específica. Esa visión localizada también desmitifica la idea de que el riesgo se concentra en centros tecnológicos del país, la simulación identifica exposiciones distribuidas en los 50 estados, incluidas zonas rurales y economías históricamente ajenas al debate de IA. Para aprovechar ese conocimiento, el equipo creó un entorno interactivo que permite a los estados manipular variables, desde reasignar fondos de capacitación hasta probar efectos de diferentes ritmos de adopción tecnológica, y anticipar resultados sin comprometer recursos. El objetivo es convertir Iceberg en una plataforma de diseño de políticas, una herramienta para detectar zonas críticas, priorizar inversiones y evaluar cómo la tecnología puede reforzar sectores productivos, especialmente aquellos que dependen de trabajo físico, como salud, energía, manufactura y transporte. Los investigadores insisten en que Iceberg no es una versión final, sino un espacio de experimentación orientado a preparar al país para una transición que ya está en marcha. Como señaló Salvador, el propósito es “entrar y comenzar a probar escenarios”, consciente de que las decisiones que se tomen hoy definirán cómo se integra la inteligencia artificial en la economía estadounidense durante la próxima década. Le puede interesar: Por la IA, dos tercios de las empresas globales esperan disminuir la contratación de personal "entry-level" en los próximos años

Aunque las ventas de discos siguen cayendo, los reproductores con conectividad moderna muestran crecimiento, impulsados por jóvenes que desean escapar de la saturación digital. El interés de los adolescentes por dispositivos musicales de los años noventa vuelve a tomar fuerza, impulsado por una mezcla de nostalgia tecnológica y búsqueda de experiencias físicas que contrasten con el consumo digital. Según Warc, esta tendencia ha llevado a que reproductores de CD, un formato que muchos jóvenes nunca usaron en su infancia, aparezcan en las listas de regalos navideños de la Generación Z. Aunque no existen mediciones formales que lo confirmen, Warc observa un renovado interés entre jóvenes de 18 a 24 años por equipos de audio tradicionales. Este comportamiento coincide con datos publicados por la Vinyl Alliance, que revelan que esta generación es hoy una de las principales impulsoras del mercado de música física. Entre los hallazgos destaca que 76% de los encuestados compra discos al menos una vez al mes y 80% ya posee un tocadiscos, lo que enmarca un cambio de hábito orientado a la recuperación de objetos tangibles en plena era del streaming. También sobresale que 84% prefiere adquirir música en tienda física y que más de la mitad valora los eventos de comunidad vinculados al vinilo. Para 76%, tener una copia física es una motivación en sí misma. En paralelo, mientras el formato CD sigue mostrando una caída sostenida en ventas, los reproductores que combinan lectura óptica con conectividad Bluetooth están mostrando “resiliencia y crecimiento”, un comportamiento que sugiere espacios para innovación tecnológica al integrar funciones clásicas con capacidades inalámbricas modernas. Para muchos jóvenes, este tipo de dispositivos no solo ofrece una experiencia distinta, sino también una forma de interacción más deliberada, seleccionar un disco, manipular un soporte físico y escuchar un álbum completo como parte del ritual. El factor tecnológico se entrelaza con una dimensión cultural. Los adolescentes ya no recorren estanterías de discos en grandes tiendas, pero siguen buscando espacios donde la música sirva de punto de encuentro. Intercambiar listas digitales no genera la misma cohesión que compartir un objeto físico, y la reaparición del CD se convierte en un mecanismo para construir identidad en un entorno digital saturado. La vuelta a tecnologías previas a internet responde también, según Warc, a una necesidad de escapar de la “doomscroll fatigue”, una tendencia que se vincula al auge de productos y actividades que permiten desconexión. McCann Worldgroup proyecta que esta “economía del escape” alcanzará un valor de US$13,9 billones para 2028. En este contexto, el estratega Marcus Collins, colaborador frecuente de Warc, sostiene que el motor real detrás de estos comportamientos es “la influencia de la cultura”. Collins subraya que, cuando se habla de participar en comunidades digitales o físicas, la regla debe ser contribuir antes que aprovechar,“debemos participar en la comunidad aportando a las características culturales que la definen, pero hacerlo de una manera auténtica”, afirmó en un artículo de opinión. Su reflexión apunta a que la tecnología puede ser un puente hacia la pertenencia, pero solo cuando respeta la dinámica de quienes la adoptan. La inesperada presencia de reproductores de CD en las preferencias de la Generación Z no es, entonces, un simple retorno estético al pasado. Refleja cómo la cultura moldea la adopción tecnológica y cómo, incluso en una era dominada por servicios en la nube, los soportes físicos pueden recuperar relevancia cuando ofrecen algo que lo digital no logra replicar: comunidad, identidad y una experiencia táctil que se vuelve significativa para nuevas generaciones. Le puede interesar: Del murmullo a la canción: así HummingLM genera música con IA

Qatar Airways, Google y Starlink concretaron esta semana un experimento bautizado Sky Studio Challenge: hacer un spot publicitario para la aerolínea completamente con IA durante un vuelo a bordo de un Airbus A350 entre las ciudades de Doha y Atlanta.  PJ Accetturo, un director publicitario famoso por su creaciones con IA, fue convocado con el objetivo de lograr un aviso que demuestre la conectividad inflight de la aerolínea como un valor único. Y el resultado lo estás viendo a mi lado. Durante el vuelo, usando la conexión Starlink y en colaboración remota, el equipo del director utilizó los modelos de generación de imágenes y video de Google Veo 3.1 y Gemini para crear las escenas del anuncio. Trabajaron en tiempo real, con decenas de iteraciones por plano, hasta encontrar la versión deseada.  Una vez definidas las imágenes, se procesaron para animarlas: movimientos de cámara, gestos y relaciones espaciales usando prompts simples y precisos. Gracias a la conexión satelital, se pudieron transferir archivos pesados, hacer render en la nube, editar, revisar y subir el video final antes del aterrizaje. Todo el flujo —desde el concepto hasta el upload— se completó durante las 14 horas de trayecto entre Asía y Norteamérica. El éxito de este desafío demuestra una convergencia inédita de tecnologías que hace viable algo hasta hace poco impensable: producir contenido audiovisual profesional en cualquier parte, en poco tiempo y con pocos recursos. Y al mismo tiempo, plantea interrogantes: ¿cómo cambia el valor del “making-of”? ¿Qué ocurre con la autoría, derechos de imagen y musicalización cuando todo es generado por IA durante un vuelo? ¿Las agencias tradicionales podrán adaptarse o quedarán rezagadas? Por lo pronto, el director augura que este tipo de producción marcará cómo se harán campañas en el futuro con una frase: “si podés hacer un anuncio para Qatar Airways en 14 horas, podés hacer uno para quien sea en menos tiempo”. Le puede interesar: La IA ya puede asumir casi el 12% de las tareas laborales en Estados Unidos