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 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

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

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

La empresa lanzó un nuevo acelerador de inteligencia artificial enfocado en tareas de inferencia masiva. Diseñado para ofrecer alto rendimiento con eficiencia energética, este chip promete ser el núcleo de implementaciones de IA en servicios en la nube y soluciones empresariales, consolidando la apuesta de la empresa por la infraestructura de IA propia. En la carrera por el hardware que impulse la próxima generación de servicios de IA, Microsoft  acaba de dar un paso estratégico con el anuncio del Maia 200 , un acelerador de inferencia que marca su entrada propia en el terreno de chips especializados para cargas de trabajo de IA. La inferencia (el proceso de ejecutar modelos de IA entrenados para generar predicciones en tiempo real) es uno de los principales cuellos de botella para servicios que van desde respuestas conversacionales hasta personalización en aplicaciones empresariales. Con Maia 200 , Microsoft busca abordar esa demanda con eficiencia de un extremo a otro de su pila: desde su nube Azure hasta aplicaciones propias de productividad. Aunque aún no se detallan métricas comparativas frente a otras soluciones en el mercado (como los chips de NVIDIA o los ASIC de Google), la arquitectura del Maia 200 fue concebida para equilibrar rendimiento, consumo energético y latencia , tres factores críticos en el despliegue a gran escala de servicios de inferencia de IA. La movida refleja un cambio más amplio en la industria: las grandes plataformas tecnológicas ya no dependen exclusivamente de proveedores externos de hardware para cargas de IA, sino que diseñan sus propios aceleradores  para optimizar la integración entre software, servicios en la nube y aplicaciones empresariales. Es una tendencia que ya vimos con Apple y Google en dispositivos móviles, y ahora se replica en la infraestructura para IA en la nube. Al integrar Maia 200 en sus centros de datos y soluciones propias, Microsoft no solo busca mejorar la latencia de sus servicios de IA, sino reducir costos operativos  a largo plazo y ofrecer una propuesta más competitiva frente a otras nubes públicas que dependen de chips de terceros. Este anuncio también es estratégico frente a la proliferación de modelos de IA cada vez más sofisticados y exigentes en potencia de cálculo: desde enormes LLM hasta modelos multimodales. El Maia 200 se coloca como un pilar tecnológico  para sostener esa próxima generación de servicios con IA intensiva, tanto para clientes corporativos como para desarrolladores que usan Azure como plataforma de despliegue. Le puede interesar:

La inteligencia artificial ha entrado de lleno en la informática forense, y no es para menos: ayuda muchísimo a procesar montañas de evidencia digital que a un humano le tomaría años revisar. Pero claro, en cuanto estas máquinas empiezan a tener más autonomía y a decidir por su cuenta, la cosa se complica. Surgen dudas serias sobre cómo rastrear esas decisiones, explicarlas ante un juez o saber a quién culpar si fallan. Por Aneyka Esilka Hurtado Mena, Profesora de la Facultad de Informática, Electrónica y Comunicación de la Universidad de Panamá. Usamos IA porque no nos queda otra: hay tantos datos hoy en día que sin ayuda automatizada nos ahogaríamos. Es una herramienta brutal para ahorrar tiempo, sí, pero cambia las reglas del juego. El problema real llega cuando la IA deja de ser solo un asistente y empieza a tomar el mando. Ganamos velocidad, pero es peligroso confiar ciegamente en sus conclusiones sin que nadie las revise. En nuestra área, un error de interpretación no es un simple "bug"; puede arruinar una investigación entera. Es un arma de doble filo: detecta cosas que nosotros no vemos y procesa terabytes volando, pero a menudo le falta ese "olfato" humano para entender el contexto, sobre todo cuando los datos están incompletos o son confusos, algo que pasa casi siempre en la vida real. La llegada de la IA al mundo forense no fue por moda, sino por pura supervivencia operativa. El volumen de datos digitales ha crecido a un ritmo tan acelerado que el análisis exclusivamente humano ya no da abasto; tuvimos que automatizar para optimizar recursos y no colapsar. Sin embargo, esto no implica simplemente añadir una herramienta más al inventario, sino asumir un cambio profundo que está redefiniendo la dinámica tradicional de las investigaciones desde la base. El verdadero punto de quiebre aparece cuando la tecnología deja de ser un simple soporte y empieza a influir en decisiones automatizadas. Si bien esa autonomía dispara la eficiencia, también introduce riesgos serios si aceptamos sus conclusiones sin la debida supervisión. En informática forense, equivocarse en una interpretación no es un simple "bug" técnico irrelevante; es un factor determinante que puede alterar por completo el rumbo y la validez de una investigación. Al final, estamos ante un arma de doble filo. Por un lado, la capacidad para procesar terabytes en tiempo récord y detectar anomalías invisibles al ojo humano es una ventaja indiscutible. Pero por otro, la máquina sigue atada a sus reglas y datos de entrenamiento. Ahí es donde suele fallar: le cuesta leer el contexto, especialmente cuando la información es ambigua o está incompleta, algo que, por desgracia, es el escenario más frecuente en los casos reales. La reconstrucción de eventos, pilar de la informática forense, se ve particularmente afectada por estas limitaciones. A diferencia del investigador humano, que puede integrar contexto y experiencia, los sistemas automatizados operan dentro de parámetros definidos. Esto incrementa el riesgo de falsos positivos o conclusiones parciales que, sin revisión adecuada, pueden desviar la investigación. A este problema se suma la opacidad de muchos modelos de IA, conocida como el efecto de “caja negra”. Cuando no es posible explicar cómo un sistema llegó a una conclusión, la evidencia pierde fuerza técnica y legal. En el ámbito forense, la explicabilidad no es opcional, ya que la validez de los resultados depende de su capacidad de ser auditados y comprendidos. Otro desafío relevante es la falta de consistencia en los rastros de decisión automatizada. En muchos casos, los sistemas no generan registros claros y completos de los pasos que llevaron a un resultado. Esta carencia dificulta la verificación independiente, limita las auditorías y reduce la confianza en los hallazgos generados por IA. Desde una perspectiva de seguridad informática, estos riesgos pueden abordarse mediante el uso de guardrails . Estos mecanismos funcionan como controles preventivos que delimitan qué puede hacer un sistema automatizado, bajo qué condiciones y con qué nivel de acceso. Aplicados correctamente, permiten reducir la superficie de ataque, mantener control operativo y asegurar la trazabilidad de las acciones del sistema. La atribución de responsabilidad es otro punto crítico. Cuando una decisión forense se apoya en sistemas autónomos, resulta más complejo determinar quién responde ante un error: el desarrollador, el operador o la organización que implementó la tecnología. Sin marcos claros, se genera un vacío legal y ético que afecta la credibilidad de las investigaciones. En este contexto, la evolución de los modelos forenses tradicionales se vuelve indispensable. Integrar trazabilidad, explicabilidad y registros completos como principios básicos permite aprovechar los beneficios de la IA sin comprometer la integridad de la investigación. La informática forense enfrenta así el desafío de adaptarse a la autonomía tecnológica, manteniendo el control, la transparencia y la confianza en los procesos. Le puede interesar: IA agéntica: el nuevo frente de la seguridad informática

El gigante del comercio está en conversaciones avanzadas para concretar un movimiento que podría convertirla en el principal inversor de una ronda de capital de 100.000 millones, mientras la startup de ChatGPT explora nuevas fronteras de crecimiento y posibles opciones de salida a bolsa. En una señal de cuánto ha escalado la competencia por liderazgo en inteligencia artificial, Amazon.com  se ha embarcado en negociaciones para aportar hasta 50.000 millones de dólares  en la próxima ronda de financiación de OpenAI , según informaron fuentes cercanas a la operación. La cifra, que representaría casi la mitad de los 100.000 millones de dólares  que OpenAI pretende recaudar, colocaría a Amazon como el mayor inversor individual de la empresa creadora de ChatGPT . Los términos aún están sujetos a cambios, pero las conversaciones —lideradas por los CEOs Andy Jassy  (Amazon) y Sam Altman  (OpenAI)— revelan la magnitud de la apuesta estratégica. De confirmarse, esta inversión podría elevar la valoración de OpenAI hasta aproximadamente 830.000 millones de dólares , un salto que ubicaría a la compañía entre las más valiosas del sector tecnológico global. Además de Amazon, otros grandes actores como SoftBank, que podría aportar hasta 30.000 millones , y Nvidia o Microsoft están implicados en discusiones para participar en esta gigantesca ronda. El posible acuerdo se produce en un contexto donde OpenAI ha consolidado su influencia en la IA conversacional y generativa, pero también enfrenta presiones de rentabilidad, costos crecientes en infraestructura y la necesidad de competir con ofertas de Google, Meta y otros rivales. La participación de Amazon —históricamente vinculada a su negocio de infraestructura en la nube AWS — sugeriría además una integración más profunda entre los servicios de IA y la provisión de computación de alto rendimiento. Aun así, la operación ocurre en paralelo con despidos significativos y reestructuraciones internas  en Amazon, incluidas reducciones de plantilla de miles de empleados, subrayando el equilibrio que las grandes tecnológicas buscan entre eficiencia operativa y apuestas de largo plazo por la inteligencia artificial. Le puede interesar: El 94% de las empresas continuará invirtiendo en IA incluso si no genera retornos inmediatos