BYD y la carrera por la batería de estado sólido: el próximo salto del coche eléctrico #BYD #bateria #solido #coche #electrico #electriccar

 La próxima gran batalla del vehículo eléctrico ya no se juega solo en el diseño, el software o el precio. Se juega, sobre todo, en la batería. BYD, uno de los fabricantes que más ha acelerado la transición eléctrica en los últimos años, planea empezar a producir baterías totalmente de estado sólido en pequeños lotes a partir de 2027, con el objetivo de escalar hacia una producción masiva alrededor de 2030.

La promesa es enorme: más autonomía, mayor seguridad, cargas más rápidas y menor degradación. Frente a las baterías actuales de ion-litio con electrolito líquido, las de estado sólido sustituyen ese componente por un electrolito sólido, lo que podría permitir densidades energéticas superiores y reducir algunos riesgos asociados al sobrecalentamiento. BYD trabaja especialmente en tecnologías basadas en electrolitos de sulfuro, una de las vías más prometedoras para llevar esta química al mercado.

Pero BYD no está sola. SAIC Motor, junto a Qingtao Energy, también apunta a 2027 para la producción comercial de baterías de estado sólido, con una densidad energética anunciada por encima de 400 Wh/kg y autonomías potenciales superiores a los 1.000 km. Changan, Chery y Dongfeng también han presentado prototipos o planes similares, algunos con promesas de hasta 1.500 km de autonomía CLTC, aunque estas cifras deben leerse con prudencia hasta que lleguen a vehículos reales y condiciones de uso comparables.

El patrón es claro: China quiere mantener su liderazgo en el coche eléctrico controlando la próxima generación de baterías. Si la primera fase de la electrificación estuvo marcada por el coste, la escala y la integración vertical, la siguiente puede estar marcada por la densidad energética, la seguridad y la capacidad de industrializar tecnologías que durante años parecían siempre “a cinco años vista”.

En el caso de BYD, lo más probable es que las primeras baterías de estado sólido lleguen antes a sus marcas premium, como Denza, Yangwang o Fang Cheng Bao, antes de bajar progresivamente a modelos más accesibles. Es una estrategia lógica: introducir primero una tecnología cara en vehículos de mayor margen y, después, escalarla cuando la producción y los costes lo permitan.

La batería de estado sólido no significa que las actuales baterías LFP o NMC vayan a desaparecer de inmediato. Más bien apunta a un escenario de convivencia tecnológica: baterías más baratas y robustas para modelos de volumen, y baterías de mayor densidad para vehículos premium, largas distancias o aplicaciones donde el peso y la autonomía sean críticos.

La gran pregunta ya no es si la batería de estado sólido llegará al coche eléctrico. La pregunta es quién conseguirá fabricarla antes, con costes competitivos y a gran escala. Y en esa carrera, BYD, SAIC, Changan y Chery muestran que China no quiere limitarse a vender más coches eléctricos: quiere dominar también la tecnología que definirá su próxima década.

TED-ED: ¿Serán posibles algún día los blásters láser? (por Christopher Baird) #TED #Ciencia #Física #Tecnología #Láseres

 Las películas de ciencia ficción están llenas de armas futuristas que disparan rayos de energía visibles, como los icónicos blásters láser de muchas sagas espaciales. Pero, ¿podrían existir realmente armas de este tipo en el mundo real, o pertenecen únicamente al terreno de la ficción?

En esta lección de TED-Ed, el físico Christopher Baird analiza la ciencia detrás de los láseres y explica por qué los blásters tal como aparecen en las películas son poco probables en la realidad. Un láser real no dispara “proyectiles” visibles como si fueran balas de luz; en realidad es un haz de luz extremadamente concentrado que viaja a la velocidad de la luz, lo que significa que no se vería como un rayo que atraviesa lentamente el espacio.

Además, los láseres reales requieren grandes cantidades de energía y sistemas de enfriamiento, lo que hace difícil miniaturizarlos en armas portátiles como las que aparecen en la ciencia ficción. Aunque existen tecnologías basadas en láser para usos industriales, médicos o incluso militares, su funcionamiento es muy diferente de los blásters cinematográficos.

El vídeo también explora otros desafíos físicos, como la dispersión del haz en la atmósfera, la dificultad de generar pulsos de energía tan intensos en dispositivos compactos y la enorme cantidad de potencia necesaria para causar los efectos que vemos en la pantalla.

Al final, la lección muestra cómo la física ayuda a distinguir entre lo que es tecnológicamente posible y lo que pertenece al imaginario de la ciencia ficción, recordándonos que incluso las ideas más espectaculares del cine pueden ser una puerta para aprender más sobre cómo funciona realmente el universo.

TED-Ed:  Will laser blasters ever be possible? - ¿Serán posibles algún día los blásters láser? by Christopher Baird

Quote sobre cómo la tecnología ha transformado el mundo (leído en Abundancia by Ezra Klein y Derek Thompson) #Tecnología #Innovación #Progreso #Historia #Ciencia

A menudo percibimos el progreso como algo gradual, casi imperceptible en el día a día. Sin embargo, cuando ampliamos la perspectiva histórica, la magnitud del cambio resulta sorprendente. Lo que hoy consideramos normal —desde la medicina moderna hasta los sistemas de conservación de alimentos— es en realidad el resultado de transformaciones relativamente recientes.

Ezra Klein y Derek Thompson lo ilustran con una comparación muy gráfica:

"Hoy en día, la esperanza de vida media de un estadounidense es de unos ochenta años. En consecuencia, el mundo de 2025 está a solo tres vidas contemporáneas de distancia del de 1785: la longitud temporal que salvarían tres octogenarios si se cogieran de la mano."

Y continúan describiendo lo radical que era ese mundo de hace apenas tres vidas:

"Si nos retrotrajéramos tres vidas atrás, hasta llegar a la década de 1780, entraríamos en un mundo sin coches, papel higiénico o producción de jabón a gran escala. En el ámbito gastronómico, era un mundo anterior a los abrelatas, la pasteurización o la refrigeración. En medicina, un mundo sin antibióticos, anestesia o vacunas de ningún tipo."

La conclusión es contundente:

"Pero lo que más distingue el mundo de ayer del actual no es la biología ni la psicología, es la tecnología. Si el mundo ha cambiado es porque lo hemos cambiado."

— Abundancia: Cómo construimos un mundo mejor, Ezra Klein y Derek Thompson

Mirado así, el progreso no es una fuerza abstracta. Es el resultado de decisiones, descubrimientos, innovación y trabajo humano acumulado a lo largo de generaciones. En apenas tres vidas, hemos transformado radicalmente las condiciones materiales de la existencia.

La IA no transforma empresas: las empresas se transforman para poder usar la IA (by McKinsey)

Durante los últimos años muchas organizaciones han hablado de inteligencia artificial como si fuera una herramienta más que añadir al catálogo tecnológico. Primero llegaron los pilotos, después los asistentes internos, luego los copilotos y ahora los agentes. Pero el problema de fondo sigue siendo el mismo: tener IA no significa estar transformado por la IA.

Un artículo reciente de McKinsey resume muy bien esta idea en doce temas que distinguen a las empresas realmente “reconfiguradas” para la inteligencia artificial. La tesis es clara: las compañías que avanzan no son necesariamente las que compran mejores modelos, sino las que construyen capacidades duraderas para rediseñar productos, servicios, procesos y formas de trabajar. (McKinsey & Company)

1. Del piloto a la capacidad

El primer aprendizaje es incómodo: la tecnología por sí sola no crea ventaja competitiva. La ventaja aparece cuando una organización aprende a utilizar esa tecnología de forma repetible, gobernada y conectada con el negocio.

Muchas empresas siguen atrapadas en el “pilot purgatory”: pruebas interesantes, demos llamativas y casos de uso aislados que no escalan. El informe de MIT NANDA sobre GenAI en empresas señalaba precisamente que gran parte de las iniciativas no estaban generando impacto medible en cuenta de resultados, no tanto por fallos del modelo, sino por mala integración con procesos reales. (MLQ)

La clave no es preguntar “¿qué herramienta de IA usamos?”, sino “¿qué capacidad queremos construir?”. Puede ser mejorar la atención al cliente, acelerar desarrollo de software, optimizar operaciones, reducir tiempos de análisis o enriquecer decisiones comerciales. Pero sin esa conexión con un punto económico claro, la IA se convierte en una moda cara.

2. La IA como transformación organizativa

La segunda idea importante es que toda transformación de IA es una transformación de personas. No basta con desplegar licencias, abrir accesos o publicar una política interna. Hay que cambiar hábitos, roles, incentivos, métricas y formas de colaboración.

McKinsey insiste en que los líderes senior deben desarrollar capacidades tecnológicas y de IA como prioridad absoluta. Esto no significa que todos deban programar modelos, sino que deben entender lo suficiente para tomar decisiones estratégicas: dónde invertir, qué riesgos aceptar, qué procesos rediseñar y cómo medir el valor. (McKinsey & Company)

Stanford HAI también muestra que la adopción empresarial de IA se ha acelerado: en 2024, el 78% de las organizaciones declaraban usar IA, frente al 55% del año anterior. Pero adopción no equivale a madurez. Usar IA ya no diferencia; lo que diferencia es saber integrarla en el sistema operativo de la empresa. (hai.stanford.edu)

3. Datos, confianza y escala

El tercer bloque es quizá el más importante: sin datos gobernados y sin confianza, no hay IA que pueda escalar. Los modelos necesitan contexto, datos internos, reglas de negocio, trazabilidad y mecanismos de control.

IBM identificaba entre las principales barreras para la adopción de IA la falta de habilidades, la complejidad de los datos y las preocupaciones éticas. Es decir, los obstáculos no son solo técnicos; son organizativos, culturales y de gobierno. (filecache.mediaroom.com)

Por eso McKinsey coloca entre sus doce temas la necesidad de hacer los datos fáciles de consumir, diseñar para la adopción, construir para escalar y asumir que sin confianza no hay derecho a desplegar IA. Esta idea conecta directamente con marcos como el NIST AI Risk Management Framework, que define una IA confiable como válida, segura, resiliente, transparente, explicable, respetuosa con la privacidad y justa. (NIST AI Resource Center)

Conclusión: la IA exige una empresa más madura

La gran paradoja de la inteligencia artificial es que cuanto más potente es la tecnología, más importantes se vuelven las capacidades humanas y organizativas. La IA puede automatizar tareas, generar contenido, analizar datos o proponer decisiones, pero no puede sustituir la necesidad de estrategia, criterio, gobierno y responsabilidad.

Las empresas que quieran aprovechar la IA no deberían empezar por comprar más herramientas, sino por revisar tres preguntas básicas: dónde está el valor económico, qué procesos deben rediseñarse y qué capacidades internas deben construirse para sostener ese cambio.

La IA no premia a quien experimenta más, sino a quien aprende mejor. Y quizá esta sea la verdadera diferencia entre las empresas que simplemente “usan IA” y las que realmente se están reconfigurando para competir en una nueva etapa tecnológica.

¿Cuánto tarda un hacker en romper una contraseña en 2025? #password #contraseña #palabraclave #hacker

 La evolución del hardware y de la computación paralela está cambiando radicalmente el panorama de la ciberseguridad. Lo que hace unos años podía tardar meses o años en descifrarse mediante ataques de fuerza bruta, hoy puede resolverse en cuestión de minutos.

Una reciente estimación basada en sistemas equipados con 12 GPUs RTX 5090 y utilizando bcrypt (coste 10) muestra hasta qué punto el poder de cómputo ha aumentado. El resultado es claro: las contraseñas simples ya no ofrecen prácticamente ninguna protección.

El problema de las contraseñas cortas

Los datos muestran que las contraseñas con pocos caracteres son extremadamente vulnerables.

Por ejemplo:

• Una contraseña de 6 caracteres solo con letras minúsculas puede romperse en 46 minutos.
• Si contiene mayúsculas y minúsculas, el tiempo aumenta a 2 días, pero sigue siendo relativamente corto.
• Con números, mayúsculas y minúsculas, una contraseña de 7 caracteres puede descifrarse en aproximadamente un año.

En otras palabras: la longitud de la contraseña es uno de los factores más determinantes en su seguridad.

La importancia de la complejidad

Añadir diferentes tipos de caracteres incrementa exponencialmente el número de combinaciones posibles.

Por ejemplo, para una contraseña de 8 caracteres:

• Solo letras minúsculas: 3 semanas
• Mayúsculas y minúsculas: 15 años
• Letras y números: 62 años
• Letras, números y símbolos: 164 años

Este salto demuestra cómo cada nueva categoría de caracteres multiplica la dificultad de descifrado.

El verdadero salto: contraseñas largas

El cambio más importante llega cuando las contraseñas superan los 10 o 12 caracteres.

Con combinaciones completas (mayúsculas, minúsculas, números y símbolos):

• 10 caracteres: hasta 803.000 años
• 12 caracteres: hasta 3 billones de años
• 14 caracteres: del orden de trillones de años

En este punto, incluso con enormes capacidades de cómputo, el ataque de fuerza bruta se vuelve prácticamente inviable.

Qué significa esto para empresas y usuarios

Este tipo de estudios refuerza una realidad que los equipos de seguridad llevan años destacando: la estrategia de contraseñas debe evolucionar.

Las buenas prácticas actuales incluyen:

1. Usar contraseñas largas
Idealmente de 12 a 16 caracteres o más.

2. Combinar diferentes tipos de caracteres
Mayúsculas, minúsculas, números y símbolos.

3. Evitar patrones predecibles
Nombres, fechas o secuencias comunes.

4. Implementar autenticación multifactor (MFA)
Incluso si una contraseña se compromete, el acceso sigue protegido.

5. Utilizar gestores de contraseñas
Permiten generar claves largas y únicas para cada servicio.

Más allá de la contraseña

La realidad es que la contraseña por sí sola ya no es suficiente. El aumento constante del poder computacional, combinado con bases de datos filtradas y técnicas de ataque automatizadas, obliga a adoptar una estrategia de seguridad por capas.

La autenticación multifactor, las claves hardware y los sistemas passwordless están emergiendo como el siguiente paso en la evolución de la identidad digital.

Conclusión

La pregunta ya no es si una contraseña puede ser descifrada, sino cuánto tardará en ocurrir.

En un mundo donde el hardware avanza cada año, la mejor defensa sigue siendo una combinación de contraseñas largas, complejas y autenticación adicional.

Porque en ciberseguridad, la diferencia entre segundos y siglos puede depender de unos pocos caracteres más.

Quote sobre las fuerzas que gobiernan el mundo (leído en "No tan rápido" by Doug Hill) #quote #libro #DougHill #fuerzas #gobernar #musno #tecnologia #ciencia #capitalismo

En su libro "No tan rápido", Doug Hill plantea una reflexión provocadora sobre quién dirige realmente el mundo contemporáneo. En un momento del texto afirma:

"En cualquier caso, creo que es acertado decir que las fuerzas combinadas de la tecnología, la ciencia y el capitalismo (da igual cómo la dividamos) gobiernan actualmente el mundo.
NO TAN RÁPIDO- Doug Hill

La frase parece sencilla, pero contiene una idea profunda sobre la estructura de poder de nuestra época. No se refiere únicamente a gobiernos o instituciones políticas, sino a un entramado mucho más amplio donde innovación, conocimiento científico y dinámicas económicas se retroalimentan hasta convertirse en la principal fuerza que moldea la sociedad.

Si observamos el mundo actual, es difícil no darle la razón. La tecnología define la manera en que trabajamos, nos comunicamos, compramos, aprendemos e incluso cómo tomamos decisiones. La ciencia impulsa avances que transforman industrias enteras: desde la medicina personalizada hasta la inteligencia artificial o la transición energética. Y el capitalismo actúa como el motor que acelera la adopción de estas innovaciones, financiando, escalando y distribuyendo nuevas soluciones a una velocidad sin precedentes.

Este triángulo —tecnología, ciencia y capitalismo— no solo impulsa progreso, también redefine el equilibrio de poder. Grandes empresas tecnológicas poseen hoy una capacidad de influencia comparable a la de muchos Estados. Las decisiones sobre algoritmos, datos o infraestructuras digitales afectan a millones de personas. La ciencia, por su parte, se ha convertido en un factor estratégico para la competitividad de los países, mientras que el capital decide qué innovaciones prosperan y cuáles quedan en el camino.

Sin embargo, el planteamiento de Hill también invita a una reflexión crítica. Si estas fuerzas gobiernan el mundo, surge una pregunta inevitable: ¿quién gobierna a esas fuerzas?

La tecnología no es neutral. Los algoritmos reflejan las prioridades de quienes los diseñan. La ciencia depende de financiación, agendas de investigación y marcos regulatorios. Y el capitalismo, aunque extraordinariamente eficiente para escalar soluciones, tiende a priorizar aquello que genera retorno económico frente a lo que genera valor social a largo plazo.

Por eso, uno de los grandes desafíos de nuestro tiempo consiste en equilibrar este poder. No se trata de frenar la innovación ni de cuestionar el progreso científico o económico, sino de introducir mecanismos que aseguren que estas fuerzas trabajan al servicio de la sociedad. Regulación inteligente, ética tecnológica, gobernanza de datos, sostenibilidad y responsabilidad corporativa son elementos clave en este nuevo contrato social.

En definitiva, la observación de Doug Hill describe con bastante precisión el mundo en el que vivimos: uno donde la política ya no es el único centro de gravedad del poder. Hoy el verdadero impulso transformador proviene de la interacción entre conocimiento, innovación y capital. Comprender esa dinámica es esencial para navegar el siglo XXI y, sobre todo, para asegurarnos de que el futuro que estamos construyendo sea también un futuro que queramos habitar.

Quote de Alfred D. Chandler sobre la mano invisible de las fuerzas de mercado (by "No Tan Rápido" by Doug Hill)

 En el post que os propongo hoy os traigo una cita o quote extraída del libro "No Tan Rápido" by Doug Hill sobre la mano invisible de las fuerzas de mercado:

Alfred D. Chandler lo formuló en su trabajo seminal sobre historia económica, La mano invisible “La mano visible de la gestión reemplaza a la mano invisible de las fuerzas de mercado cuando la nueva tecnología y la expansión de los mercados adquieren un volumen y una rapidez inusualmente altos gracias al flujo de los materiales a través de los procesos de producción y distribución.”
NO TAN RÁPIDO- Doug Hill

¿Quién organiza realmente la economía moderna: el mercado… o las empresas?

Durante mucho tiempo la explicación dominante fue la de Adam Smith: la “mano invisible” del mercado coordina la actividad económica.

Pero el historiador económico Alfred D. Chandler propuso otra idea clave al estudiar el desarrollo del capitalismo industrial en Estados Unidos.

En su obra sobre “la mano visible”, Chandler observó que, cuando la tecnología avanza y los mercados se expanden, la coordinación ya no depende solo del mercado, sino de la gestión empresarial.

Como resume Doug Hill en No tan rápido:

Es decir, cuando la tecnología permite producir, transportar y distribuir a gran escala, la organización empresarial se vuelve el verdadero motor del sistema.

No es casual que esto ocurriera en Estados Unidos en la segunda mitad del siglo XIX:
ferrocarriles, telégrafo, producción industrial y grandes mercados nacionales exigían algo nuevo: gestión, coordinación y estructuras corporativas.

Quizá por eso la relación entre tecnología y capitalismo nunca ha sido simple.

A veces el capitalismo impulsa la innovación.
Otras veces la tecnología obliga a reinventar cómo funcionan las empresas, los mercados y las instituciones.

Y hoy, con plataformas digitales, inteligencia artificial y redes globales, la pregunta vuelve a estar sobre la mesa:

¿Estamos viendo una nueva versión de esa “mano visible”?

Quote de David F Noble sobre qué impulsa a qué ¿tecnología o capitalismo? (leído en "No tan rápido" by Doug Hill) #DavidFNoble #tecnologia #capitalismo #NoTanRapido #DougHill

 Hoy os presento una cita o quote del libro "No tan rápido" by Doug Hill sobre ¿Quién impulsa realmente a quién: la tecnología o el capitalismo?

El historiador David F. Noble lanzó una idea provocadora:

"El historiador David F Noble ha argumentado que la tecnología es el corazón latiente del capitalismo corporativo, lo que implica que el capitalismo dirige a la empresa y la tecnología aporta la fuerza."
— Doug Hill, No tan rápido

La metáfora es poderosa.
El capitalismo sería el cerebro estratégico.
La tecnología, el músculo que ejecuta.

Durante décadas hemos interpretado la historia económica de esta manera: el capital financia, organiza y orienta; la tecnología acelera la productividad, crea nuevos mercados y multiplica el crecimiento.

Pero en el siglo XXI la pregunta vuelve a abrirse.

Con la inteligencia artificial, los datos masivos, las plataformas digitales o la automatización avanzada, parece que la tecnología ya no solo ejecuta: también empieza a marcar el rumbo.

Las grandes empresas tecnológicas no solo utilizan tecnología para competir; construyen infraestructuras que redefinen mercados enteros.

Entonces, quizá la pregunta correcta no sea quién lidera.

Quizá estemos ante algo más complejo:
una relación simbiótica en la que capitalismo y tecnología se amplifican mutuamente… mientras transforman la economía, el trabajo y la sociedad.

La cuestión clave hoy podría ser otra:

¿Quién establece los límites de ese poder combinado?

Quote sobre la relación tecnología y capitalismo (leído en “No tan rápido” de Doug Hill) #relacion #tecnologia #capitalismo #NoTanRapido #DougHill #Mumford #Marx

A continuación os presento una cita o quote del libro “No tan rápido” de Doug Hill, que plantea una pregunta muy sugerente: ¿quién lidera realmente la relación entre tecnología y capitalismo?

"¿Cómo decidir quién lleva la voz cantante en la pareja tecnología-capitalismo? Es indudable que existe una relación íntima entre ellos, como vio proféticamente Marx. Tampoco cabe duda de que la tecnología precedió al capitalismo como deja bien claro la megamáquina de Mumford. (...) Es verdad que el capitalismo ha demostrado ser el sistema económico más apto para el desarrollo ilimitado de la tecnología en todas sus formas"

Durante décadas hemos tendido a asumir que el capitalismo impulsa la tecnología. Que la competencia, el beneficio y el mercado son los motores que aceleran la innovación. Sin embargo, la reflexión es más profunda.

Marx ya intuía que existe una relación estructural entre ambos. Y Lewis Mumford, con su concepto de “megamáquina”, recordaba algo aún más incómodo: la tecnología no nace con el capitalismo. Los grandes sistemas técnicos —organización, ingeniería, logística— existían mucho antes.

Entonces, ¿qué cambia con el capitalismo?

Quizá no sea el origen de la tecnología, sino su capacidad de expansión. El capitalismo ha demostrado ser el sistema económico más eficaz para escalar, difundir y acelerar la innovación tecnológica de forma prácticamente ilimitada. Convierte la tecnología en infraestructura global, en industria, en plataforma.

Pero esto abre otra cuestión relevante hoy:

En la era de la inteligencia artificial, las plataformas digitales y los datos masivos, ¿seguimos ante tecnología al servicio del capitalismo o estamos viendo cómo la tecnología empieza a redefinir el propio sistema económico?

Tal vez la relación ya no sea jerárquica, sino simbiótica.
Una dinámica en la que ambos se amplifican mutuamente… y también multiplican sus impactos sociales.

Una buena pregunta para nuestro tiempo:
¿quién está guiando realmente el rumbo del progreso: el mercado o la tecnología?

TED-ED: Your phone’s camera isn’t as good as you think - La cámara de tu móvil no es tan buena como piensas (by Rachel Yang) #TEDED #camara #movil #smarthone #phone

En el post de hoy quiero hablar sobre el vídeo Your phone’s camera isn’t as good as you think - La cámara de tu móvil no es tan buena como piensas

Vivimos en una época en la que los teléfonos inteligentes prometen cámaras que rivalizan con las de las cámaras tradicionales, con múltiples lentes, alta resolución y modos avanzados como el Night Mode o los retratos. Sin embargo, detrás de toda esa publicidad hay límites físicos y técnicos que condicionan la calidad real de las imágenes que un teléfono puede capturar. Aunque la evolución desde los primeros teléfonos con cámara de finales de los 90 ha sido enorme, los ingenieros se están acercando a un “techo” en lo que respecta a la calidad que puede ofrecer un sensor tan pequeño y compacto como el de un móvil.

Gran parte de la magia actual no proviene únicamente del hardware, sino del uso intensivo de algoritmos y técnicas de fotografía computacional que combinan múltiples imágenes y corrigen aspectos como el ruido o el rango dinámico para simular una mayor calidad. Este enfoque ha permitido mejoras impresionantes, pero también revela que la cámara de un teléfono no “ve” ni captura la realidad de la misma manera que lo hace un sensor más grande, lo que pone en perspectiva muchas de las expectativas que tenemos sobre las capacidades fotográficas de nuestros dispositivos.

A continuación, te invito a ver el video “Your phone’s camera isn’t as good as you think”, presentado por Rachel Yang para TED-Ed, donde se explica cómo funcionan las cámaras digitales de los teléfonos, cuáles son sus limitaciones intrínsecas y por qué, a pesar de los avances tecnológicos, todavía existen barreras físicas que impiden que igualen a las cámaras tradicionales en ciertos aspectos. Este contenido combina historia, ciencia y tecnología para ofrecer una visión más clara de lo que ocurre cuando haces una foto con tu smartphone.

Your phone’s camera isn’t as good as you think - Rachel Yang

Learn more at https://brilliant.org/TedEd -- When the Visualphone VP210 hit the market in 1999, it advertised a never-before-seen feature: a camera. With only .11 megapixels, the Visualphone is a relic compared to modern devices. But while this technology has improved dramatically, engineers are rapidly approaching a hard limit on phone camera quality. So, what's limiting them? Rachel Yang shares a snapshot of how digital cameras work. Lesson by Rachel Yang, directed by Vicente Numpaque, Hernando Bahamon, Globizco Studios. This video made possible in collaboration with Brilliant Learn more about how TED-Ed partnerships work: https://bit.ly/TEDEdPartner Support Our Non-Profit Mission ---------------------------------------------- Support us on Patreon: http://bit.ly/TEDEdPatreon Check out our merch: http://bit.ly/TEDEDShop ---------------------------------------------- Connect With Us ---------------------------------------------- Sign up for our newsletter: http://bit.ly/TEDEdNewsletter Follow us on Facebook: http://bit.ly/TEDEdFacebook Find us on Twitter: http://bit.ly/TEDEdTwitter Peep us on Instagram: http://bit.ly/TEDEdInstagram ---------------------------------------------- Keep Learning ---------------------------------------------- View full lesson: https://ed.ted.com/lessons/why-do-sma... Dig deeper with additional resources: https://ed.ted.com/lessons/why-do-sma... Animator's website: https://www.globizcostudios.com ----------------------------------------------

Nvidia lleva la IA del texto y la imagen al mundo físico: coches y robots que razonan #Nvidia #IA #texto #imagen #coches #robots

Nvidia lleva la IA del texto y la imagen al mundo físico: coches y robots “que razonan”

En el CES 2026 celebrado en Las Vegas, Nvidia ha dado un paso claro más allá de la IA generativa que conocemos —aquella que responde a preguntas o genera contenido digital— para avanzar hacia lo que ya se llama IA física: sistemas capaces de percibir, razonar y actuar en entornos reales.

El artículo de El País explica que Nvidia presentó su nueva generación de procesadores y modelos abiertos, destacando la familia Alpamayo, diseñada para entrenar a vehículos autónomos y robots humanoides mediante simulaciones virtuales guiadas por humanos. El objetivo no es solo que estos sistemas reconozcan escenarios complejos, sino que descompongan situaciones novedosas en decisiones comprensibles y justificadas, similar a cómo razona un humano antes de actuar.

Esta apuesta tiene varios efectos clave:

• Transición de la IA digital a la IA física: Estamos pasando de modelos que generan texto o imágenes a otros que planifican y ejecutan acciones en el mundo real.

• Código abierto como motor de adopción: Nvidia está liberando modelos como Alpamayo para que otros desarrolladores los adapten a vehículos y robots propios.

• Colaboración industrial real: La alianza con fabricantes como Mercedes-Benz y el uso de estas tecnologías en prototipos de coches muestran que la visión no es futurista, sino una carrera en marcha hacia la autonomía total.

Este movimiento coloca a Nvidia no solo como proveedor de hardware y acelerador de IA, sino como un impulsor del salto tecnológico hacia máquinas que actúan con sentido común en un entorno físico y dinámico. La transformación va más allá de optimizar procesos: comienza a redefinir cómo las máquinas interactúan con nuestro entorno, con impacto potencial en transporte, logística, servicios y robótica de asistencia.

Las habilidades clave para 2030: el nuevo mapa del talento (según World Economic Forum - Future of Jobs) #core #skills #habilidades #talento #futuro #año2030 #year2030 #trabajo

 El mercado laboral está experimentando una transformación profunda y acelerada. La imagen “The Core Skills for 2030” del World Economic Forum (WEF) ofrece una visión muy clara de cómo evolucionarán las competencias más demandadas en los próximos años, según la percepción de los empleadores. No se trata solo de tecnología, sino de una combinación equilibrada entre capacidades humanas, pensamiento crítico y adaptación al cambio.

El gráfico cruza dos ejes clave:

• La importancia actual de una habilidad (2025)

• El crecimiento esperado de su uso de aquí a 2030

En los cuadrantes del gráfico The Core Skills for 2030 by WEF se identifican cuatro grandes bloques que nos ayudan a entender hacia dónde va el talento.

1. Core Skills en 2030: lo imprescindible del futuro

En el cuadrante superior derecho se concentran las habilidades que ya son importantes hoy y que serán aún más críticas en 2030. Aquí destacan:

• Inteligencia artificial y big data: no solo como conocimiento técnico, sino como capacidad para entender, interpretar y tomar decisiones basadas en datos.

• Alfabetización tecnológica: comprender cómo funciona la tecnología para usarla con criterio, no solo consumirla.

• Pensamiento analítico y creativo: analizar problemas complejos y generar soluciones innovadoras.

• Resiliencia, flexibilidad y agilidad: adaptarse al cambio constante será una competencia central, no un valor añadido.

• Liderazgo e influencia social: liderar en entornos híbridos, diversos y distribuidos.

• Curiosidad y aprendizaje continuo: aprender deja de ser una etapa para convertirse en un proceso permanente.

Este bloque define claramente el perfil del profesional del futuro: adaptable, tecnológico y profundamente humano.

2. Emerging Skills: habilidades que ganarán peso

En el cuadrante superior izquierdo aparecen competencias que hoy no siempre son prioritarias, pero cuyo uso crecerá de forma significativa:

• Ciberseguridad y redes: en un mundo hiperconectado, proteger la información es estratégico.

• Sostenibilidad y gestión ambiental: la conciencia medioambiental se traduce en decisiones empresariales.

• Diseño y experiencia de usuario: poner al cliente en el centro desde el diseño.

• Gestión del talento: atraer, desarrollar y retener personas será una ventaja competitiva.

• Docencia y mentoring: transferir conocimiento dentro de las organizaciones cobra cada vez más valor.

Son habilidades que anticipan nuevas necesidades organizativas y sociales.

3. Steady Skills: importantes, pero sin crecimiento esperado

En el cuadrante inferior derecho encontramos competencias que seguirán siendo relevantes, aunque no se espera un aumento significativo en su uso:

• Orientación al cliente y servicio

• Gestión de operaciones y recursos

• Empatía y escucha activa

• Autoconocimiento y motivación

• Pensamiento sistémico

Estas habilidades siguen siendo la base del funcionamiento diario de muchas organizaciones, aunque no marcan la gran disrupción.

4. Out-of-focus Skills: menor relevancia futura

Por último, el gráfico muestra habilidades cuyo peso disminuirá progresivamente:

• Destrezas manuales y precisión física

• Capacidades sensoriales

• Lectura, escritura y matemáticas básicas

• Ciudadanía global o multilingüismo, cuando no van acompañadas de otras competencias estratégicas

No desaparecen, pero dejan de ser diferenciales en un entorno cada vez más automatizado.

Conclusión: tecnología + humanidad

El mensaje de fondo es claro: el futuro del trabajo no es solo digital, es profundamente humano. Las competencias técnicas son imprescindibles, pero solo generan impacto cuando se combinan con pensamiento crítico, creatividad, liderazgo y capacidad de aprendizaje continuo.

Para profesionales, líderes y organizaciones, el reto ya no es anticipar el cambio, sino prepararse activamente para él. Invertir en estas habilidades hoy es construir la relevancia de mañana.

El poder de la convergencia: cómo las herramientas y estrategias digitales pueden transformar los gobiernos con un impacto 10x (by Deloitte)

Introducción

Los gobiernos de todo el mundo enfrentan una paradoja creciente: cada vez se espera más de ellos, mientras sus recursos permanecen limitados. La ciudadanía exige agilidad, transparencia, personalización de servicios y soluciones inmediatas a problemas complejos como el cambio climático, la desigualdad o la seguridad digital. Sin embargo, en muchos casos, las administraciones siguen atrapadas en estructuras burocráticas lentas, con sistemas heredados y procesos fragmentados.

En este contexto, el concepto de “10x improvement”, propuesto por Deloitte Insights, se presenta como una llamada a la acción: no basta con mejorar de manera incremental, sino que se requiere un salto exponencial en la forma en que los gobiernos diseñan, implementan y evalúan sus políticas y servicios. El reto es pasar de “hacer las cosas un poco mejor” a repensar radicalmente cómo funcionan los gobiernos para multiplicar por diez su impacto en la sociedad.

¿Cómo lograrlo? La clave está en la convergencia: combinar procesos simplificados, políticas más inteligentes, alianzas estratégicas, tecnología disruptiva y un nuevo enfoque en las personas. No se trata de innovar en un solo frente, sino de integrar múltiples herramientas y estrategias que, juntas, desbloqueen el verdadero potencial transformador.

El marco de Deloitte: cinco pilares para la transformación

Deloitte plantea un marco de referencia en el que se identifican cinco ejes principales que, al converger, permiten alcanzar mejoras 10x en los resultados gubernamentales. Estos pilares no son compartimentos estancos, sino piezas que se refuerzan mutuamente:

1. Procesos: Reingeniería de servicios, reducción de cargas administrativas y mejora operativa.

2. Políticas: Herramientas innovadoras para diseñar, probar y co-crear políticas públicas más eficaces y adaptables.

3. Alianzas (Partnerships): Colaboración entre gobiernos, sector privado, sociedad civil y ecosistemas digitales.

4. Tecnología: Uso de datos, inteligencia artificial, automatización y experiencias inmersivas para optimizar servicios.

5. Personas: El capital humano como eje central, con nuevos modelos de trabajo, talento digital y aprendizaje continuo.

Lo innovador del modelo no está en cada uno de estos elementos por separado, sino en su interacción sistémica. Una política diseñada con simulaciones y gemelos digitales (política) puede ser implementada de forma automatizada (tecnología), con procesos simplificados (procesos), apoyada por alianzas estratégicas (partnerships) y ejecutada por funcionarios capacitados en competencias digitales (personas).

Procesos y Políticas

Procesos: simplificar para ganar eficiencia

Los gobiernos suelen estar marcados por la burocracia y la duplicación de trámites. Sin embargo, hay innovaciones clave que permiten transformar radicalmente la experiencia ciudadana:

• Once Only Principle: principio aplicado en Estonia, según el cual los ciudadanos solo deben entregar una vez su información al gobierno. Ese dato se comparte automáticamente entre administraciones, reduciendo tiempo y papeleo.

• Reingeniería de servicios: rediseñar los servicios públicos desde la perspectiva del usuario, eliminando pasos innecesarios.

• Busting bottlenecks: identificar cuellos de botella operativos y resolverlos mediante automatización o rediseño organizacional.

Políticas: de lo reactivo a lo proactivo

El diseño de políticas públicas ha sido tradicionalmente un ejercicio reactivo, basado en datos pasados. Hoy, las nuevas herramientas permiten pasar a un enfoque predictivo y participativo:

• Escenarios y simulaciones: anticipar impactos económicos, sociales o medioambientales antes de implementar una política.

• Gemelos digitales de políticas (policy twins): crear réplicas digitales para experimentar con alternativas y consecuencias.

• Participación ciudadana: presupuestos participativos, consultas en línea y plataformas de co-creación.

• Nudges (empujones conductuales): técnicas basadas en la economía conductual para incentivar comportamientos positivos (ej. reducir el consumo energético o aumentar la donación de órganos).

Estos enfoques convierten al gobierno en una organización proactiva, capaz de adelantarse a problemas y de diseñar soluciones más alineadas con las necesidades reales de la ciudadanía.

Alianzas y Tecnología

Alianzas: el gobierno no puede actuar solo

La complejidad de los desafíos actuales hace imposible que los gobiernos los enfrenten en solitario. Se requieren ecosistemas de colaboración:

• Colaboración público-privada: innovación en salud digital, ciudades inteligentes, educación en línea.

• Gobernanza compartida: mesas multiactor para abordar problemas como el cambio climático o la movilidad urbana.

• Procurement innovador: compras públicas que incentiven la innovación, premiando soluciones sostenibles o disruptivas.

Tecnología: el motor habilitador

La transformación digital es uno de los catalizadores más potentes de este cambio 10x:

• Datos e infraestructura: base para cualquier innovación.

• Inteligencia artificial y machine learning: automatización de trámites, análisis predictivo en servicios sociales, detección de fraude.

• Automatización robótica de procesos (RPA): reducción de cargas en tareas repetitivas.

• Realidad aumentada y virtual: formación de policías, bomberos o médicos de emergencia en entornos simulados.

• Gemelos digitales: planificación urbana y gestión de infraestructuras críticas.

Un ejemplo inspirador es Singapur, que utiliza gemelos digitales de la ciudad para planificar su desarrollo urbano, optimizar el tráfico y prever escenarios de emergencia climática.

Personas en el centro

Ninguna transformación será sostenible sin situar a las personas en el centro. Esto incluye tanto a los funcionarios públicos como a la ciudadanía.

• Nuevas competencias: los gobiernos necesitan empleados con habilidades en análisis de datos, diseño de servicios digitales y ciberseguridad.

• Aprendizaje continuo: programas de capacitación inmersiva, aprendizaje experiencial y plataformas de formación en línea.

• Bienestar y motivación: herramientas digitales que permitan modelos híbridos de trabajo, mayor flexibilidad y reconocimiento del talento.

• Cambio cultural: fomentar un perfil de funcionario “intraemprendedor”, capaz de innovar dentro del sector público.

De este modo, los trabajadores del sector público pasan de ser meros ejecutores de normativas a agentes activos de transformación, con capacidad de diseñar y mejorar servicios continuamente.

Conclusiones y visión a futuro

La convergencia de procesos simplificados, políticas más inteligentes, alianzas sólidas, tecnologías disruptivas y talento humano es la clave para alcanzar un impacto 10x en los resultados gubernamentales.

El futuro de la gobernanza no será incremental, sino exponencial. Los gobiernos que abracen esta visión podrán:

• Reducir drásticamente la burocracia.

• Anticipar problemas antes de que se conviertan en crisis.

• Colaborar con múltiples actores para soluciones más completas.

• Aprovechar la tecnología para optimizar recursos y personalizar servicios.

• Empoderar a sus funcionarios y recuperar la confianza ciudadana.

La transformación gubernamental no es un lujo, sino una necesidad. La ciudadanía ya vive en un mundo digital, personalizado y ágil; espera lo mismo de sus instituciones. Aquellos gobiernos que se atrevan a adoptar una mentalidad 10x no solo serán más eficientes, sino también más resilientes, legítimos y preparados para enfrentar los desafíos del siglo XXI.

Quote sobre la máquina Mathematical Analyzer, Numerical Integrator and Computer (leído en MANIAC by Benjamin Labatut) #maquina #Mathematical #Analyzer #Numerical #Integrator #Computer

En el post que os publico hoy, no os perdáis este párrafo del libro Maniac by Benjamin Labatut sobre la máquina Mathematical Analyzer, Numerical Integrator and Computer:

"«Este tipo de aparato es tan radicalmente nuevo que muchos de sus usos se volverán evidentes después de que se haya puesto en funcionamiento.» Eso me dijo. Porque él entendía. Sabía que el verdadero reto no era construirla sino hacerle las preguntas correctas en un idioma que la máquina pudiese comprender. Y nadie más que él hablaba ese lenguaje. Le debemos más de lo que podríamos pagar. Porque no solo nos brindó el descubrimiento más importante del siglo XX. Nos concedió una parte de su mente. Mathematical Analyzer, Numerical Integrator and Computer. Así bautizamos a nuestra máquina. El analizador matemático, integrador numérico y computadora. Pero nadie nunca la llamó así. La llamábamos MANIAC. La primera tarea que John von Neumann asignó a la MANIAC fue destruir la vida tal como la conocemos: en el verano de 1951, un equipo de científicos de Los Álamos viajó hasta el Instituto de Estudios Avanzados en Princeton e introdujo un gran cálculo termonuclear en la computadora. La operación corrió veinticuatro horas al día, durante dos meses, procesando más de un millón de tarjetas perforadas, para arrojar una sola respuesta, que podía ser SÍ o NO."

from MANIAC by Benjamín Labatut

Quote sobre la gran importancia de hacer una computadora clonada al menos 1500 veces en base a lo que había soñado Turing (leído en MANIAC by Labatut) #computadora #VonNeumann #Turing

En el post que publico hoy os propongo un fragmento del libro MANIAC de Benjamin Labatut. En este caso el texto versa sobre la gran importancia de hacer una computadora clonada al menos 1500 veces en base a lo que había soñado Turing:

"Es difícil sobrestimar la importancia de lo que hicimos. Porque nuestra computadora no fue la primera. Ni la tercera. Pero funcionaba con programas almacenados. Y fue la que todos copiaron. Publicamos cada paso del proceso. La clonaron en más de 1.500 lugares alrededor del mundo. Se convirtió en el modelo. El ADN de todo el universo digital. Johnny lo dejó claro desde el principio: Íbamos a construir la máquina que Turing había soñado en su artículo de 1936 «Sobre números computables con una aplicación al Entscheidungsproblem». Allí describe el computador universal. La máquina de Turing. En principio esa máquina puede resolver cualquier problema que se le presente en forma simbólica. De alguna manera ese cabrón inglés logró replicar en papel los estados mentales internos y la capacidad de manipular símbolos de nuestra especie. Golpe de genio. Pero su máquina de Turing es increíblemente abstracta. Una «cabeza» que lee una tira de papel sin fin. Difícil de imaginar como un pedazo de tecnología real. Pero nosotros la convertimos en una computadora plenamente programable. Y luego estalló."

from MANIAC by Benjamín Labatut

Quote sobre la gran promesa de John von Neumann para poder crear la bomba de hidrógeno (leído en MANIAC by Labatut) #VonNeumann #bomba #bombanuclear #bombahidrógeno #computadora #ordenador

A continuación os traigo un breve párrafo del libro Maniac by Benjamin Labatut, en el que se habla de la gran promesa de John von Neumann para poder crear la bomba de hidrógeno:

"En 1946, von Neumann prometió al ejército de Estados Unidos que construiría una computadora tan poderosa que sería capaz de llevar a cabo los enormes cálculos necesarios para crear la bomba de hidrógeno. Todo lo que pidió a cambio fue disponer de cualquier tiempo de computación que quedase libre después de las simulaciones de la bomba, y dedicarlo a lo que él quisiera."

from MANIAC by Benjamín Labatut

Top 20 términos clave que todo profesional de telecomunicaciones debe conocer en automatización de redes (infografía by Abhishek Singh)

A continuación os propongo un artículo en base a la siguiente infografía de Abhishek Singh en Linkedin:

🚀 20 Key Terms Every Telecom Pro Should Know in Network Automation

 20 términos clave que todo profesional de telecomunicaciones debe conocer en automatización de redes

Introducción: La transformación imparable de las telecomunicaciones

La industria de las telecomunicaciones está experimentando una de sus transformaciones más profundas. Impulsada por la convergencia de 5G, IoT, cloud computing e inteligencia artificial (IA), la gestión de redes ha pasado de ser un proceso manual a un ecosistema cada vez más autónomo, inteligente y auto-optimizante.

En este contexto, la automatización de redes y la IA aplicada a telecomunicaciones no son ya una opción, sino un requisito para mantenerse competitivo. Comprender las terminologías clave de este nuevo paradigma es esencial para cualquier profesional que desee anticiparse a los retos y oportunidades que marcarán el futuro del sector.

Este documento recopila las 20 terminologías fundamentales que todo experto en telecom debe dominar para comprender y liderar esta evolución.

1. Autonomous Networks (AN)

Las redes autónomas representan la culminación de la visión de un ecosistema auto-configurable, auto-gestionado y auto-reparador. Gracias a la IA y al aprendizaje automático, las redes evolucionan hacia un modelo en el que los errores se corrigen de forma predictiva, la eficiencia energética mejora y la resiliencia aumenta.

Su adopción es gradual y se suele clasificar en niveles (de 0 a 5), donde el nivel 5 representa una red totalmente autónoma sin intervención humana.

2. Orchestration Layer & Workflow Automation

La orquestación de red es la capa que coordina de manera centralizada los recursos, funciones y flujos de trabajo. Permite la integración de sistemas OSS/BSS modernizados y asegura la interoperabilidad entre múltiples tecnologías y proveedores.

Este nivel de automatización end-to-end se convierte en el cerebro que traduce las necesidades de negocio en configuraciones técnicas de red, eliminando la complejidad de la gestión manual.

3. Anomaly Detection & Root Cause Analysis (RCA)

La capacidad de detectar anomalías en tiempo real es crítica en un entorno con millones de dispositivos interconectados. A través de IA y machine learning, los sistemas identifican comportamientos inusuales que podrían derivar en fallos o ataques de ciberseguridad.

El Root Cause Analysis (RCA) complementa este proceso al identificar automáticamente las causas raíz de los problemas, reduciendo drásticamente el tiempo medio de reparación (MTTR).

4. Predictive Maintenance & Telemetry

La telemetría en tiempo real permite recopilar y analizar datos de miles de dispositivos, habilitando un mantenimiento predictivo que anticipa fallos antes de que se produzcan.

Este enfoque no solo evita interrupciones, sino que también optimiza costes, prolonga la vida útil de los equipos y mejora la calidad del servicio ofrecido a clientes finales.

5. Zero-Touch Provisioning (ZTP) & Closed-Loop Automation

El Zero-Touch Provisioning elimina la necesidad de configurar manualmente los dispositivos durante su incorporación, reduciendo errores humanos y acelerando la puesta en marcha.

El siguiente paso es el Closed-Loop Automation, un sistema de retroalimentación continua que monitoriza, analiza y adapta la red automáticamente, garantizando resiliencia y eficiencia sin intervención manual.

6. Digital Twin Networks

Los gemelos digitales de red son réplicas virtuales de infraestructuras físicas que permiten simular, probar y optimizar escenarios sin afectar al entorno real.

Esto representa un cambio radical en cómo se planifican las redes, ya que facilita el testeo de actualizaciones, la optimización del espectro y la validación de nuevas arquitecturas.

7. Edge AI & Network Slicing

La IA en el edge acerca la inteligencia a los bordes de la red, reduciendo la latencia y permitiendo decisiones en milisegundos, algo esencial en aplicaciones como vehículos autónomos o realidad aumentada.

Por su parte, el network slicing permite crear particiones virtualizadas y aisladas dentro de una red 5G, optimizadas para casos de uso específicos (ejemplo: IoT industrial vs. gaming).

8. CI/CD for Networks & Reinforcement Learning (RL)

Inspirado en las prácticas DevOps, el CI/CD para telecomunicaciones permite integrar y desplegar cambios de forma ágil y confiable. Esto asegura que las actualizaciones de software y funciones de red lleguen a producción con rapidez, sin afectar la estabilidad del servicio.

El aprendizaje por refuerzo (RL) es otra técnica clave de IA que optimiza dinámicamente recursos en entornos complejos, adaptándose a la demanda en tiempo real.

9. SON, Intent-Based Networking & RAN Intelligent Controller (RIC)

• Self-Organizing Networks (SON): automatizan la configuración y optimización de parámetros en redes móviles.

• Intent-Based Networking (IBN): traduce las intenciones del negocio en configuraciones técnicas.

• RAN Intelligent Controller (RIC): permite una gestión inteligente del Open RAN, integrando controladores impulsados por IA.

Estas tecnologías convierten la gestión de la red en un proceso más intuitivo, flexible y alineado con los objetivos de negocio.

Conclusión: Prepararse para la nueva era de las telecomunicaciones

La automatización de redes impulsada por IA no es un concepto futuro, ya es una realidad en despliegues de 5G, cloud y entornos empresariales. Los 20 términos clave aquí recogidos forman el vocabulario esencial para navegar en esta era de hiperconectividad.

Para los líderes de telecomunicaciones, dominar estos conceptos significa reducir costes, mejorar la resiliencia y acelerar la innovación. En última instancia, se trata de transformar la forma en que el mundo se comunica, creando redes más inteligentes, seguras y sostenibles.

3 Enfoques de Inteligencia Artificial y cómo aplicarlos estratégicamente en tu organización (basado en Newsletter Step by Step by Chris Donnelly) #NonAgentic #Agentic #AIAgent

 Introducción

La inteligencia artificial (IA) avanza a un ritmo vertiginoso y, con ello, aparecen nuevas categorías y conceptos que, en ocasiones, generan confusión. No toda IA funciona de la misma manera ni responde a las mismas necesidades. Comprender sus diferencias es esencial para las empresas y profesionales que buscan aprovechar estas herramientas de forma estratégica.

Hoy distinguimos tres grandes enfoques: la Non-Agentic AI, la Agentic AI y los AI Agents. Aunque puedan parecer similares, en realidad representan niveles distintos de autonomía, complejidad y aplicabilidad. Desde modelos básicos de pregunta-respuesta hasta sistemas que planifican y ejecutan proyectos completos o agentes especializados en una sola tarea, el abanico es amplio y cada opción tiene su lugar.

Este artículo ofrece una visión comparativa de estas tres aproximaciones, profundizando en cómo funcionan, sus casos de uso, ventajas, limitaciones y el impacto que pueden tener en el ámbito empresarial.

El artículo está basado en esta interesante infografía de Chris Donnelly de la Newsletter Step by Step:

Non-Agentic AI: la primera generación de interacción con la IA

La Non-Agentic AI puede considerarse como el punto de partida de la interacción moderna con sistemas de inteligencia artificial. Se trata de modelos de respuesta básica, como ChatGPT, Claude o Gemini, que funcionan en un esquema de pregunta-respuesta.

Su funcionamiento es sencillo: el usuario introduce un prompt o pregunta y el sistema devuelve una salida en base a patrones aprendidos. No hay memoria, ni razonamiento, ni contexto. Cada interacción es independiente y no se conecta con herramientas externas.

Los casos de uso típicos incluyen la redacción rápida de resúmenes, la reformulación de textos, la generación de borradores creativos o la exploración de distintas versiones de un mismo mensaje. Por ejemplo, un responsable de marketing puede pedir que se reescriba un email en tres tonos diferentes y seleccionar el más adecuado.

Las ventajas de esta modalidad son claras: rapidez, bajo coste, accesibilidad y facilidad de uso sin necesidad de conocimientos técnicos. Sin embargo, sus limitaciones también son evidentes. La calidad de la respuesta depende en gran medida de la precisión del prompt, no existe continuidad ni memoria entre interacciones, y es incapaz de manejar tareas que requieren múltiples pasos o razonamiento complejo.

En el entorno corporativo, la Non-Agentic AI resulta muy útil para tareas puntuales, bien definidas y de bajo riesgo. Es ideal para mejorar la productividad en actividades simples y repetitivas de contenido, pero insuficiente para procesos estratégicos o multidimensionales.

Agentic AI: hacia una inteligencia auto-gestionada

La Agentic AI representa un salto cualitativo. Se trata de sistemas capaces de autogestionarse, establecer planes, dividir un objetivo en subtareas, conectarse a fuentes externas y aprender a través de bucles de retroalimentación.

Su funcionamiento es más sofisticado: el usuario establece un objetivo amplio, y la IA lo descompone en pasos más pequeños. Luego, utiliza herramientas, APIs o bases de datos para ejecutar las acciones necesarias y revisa los resultados en función del objetivo inicial. Esto le permite iterar y mejorar de forma progresiva.

Los casos de uso incluyen la investigación de mercado, el diseño de estrategias de marketing multicanal, la optimización de campañas publicitarias o la generación de procesos de incorporación de clientes con análisis de comportamiento. Por ejemplo, un consultor puede pedir al sistema que analice a diez competidores y elabore un informe estratégico con recomendaciones concretas, basándose en datos recopilados automáticamente.

Las ventajas son poderosas: la Agentic AI maneja proyectos complejos con múltiples partes móviles, integra herramientas y memoria a largo plazo y produce resultados más fiables que la IA básica. Sin embargo, también presenta retos. Es más lenta y costosa, aún requiere supervisión humana para mantener el rumbo, y existe riesgo de sobreconstruir soluciones complejas para problemas simples.

En el ámbito empresarial, la Agentic AI se perfila como un aliado para la gestión de proyectos, la investigación y las decisiones estratégicas que exigen integrar múltiples fuentes y variables.

AI Agents: la automatización especializada

Los AI Agents son una categoría particular dentro del ecosistema de IA. Se centran en ejecutar una única tarea repetitiva con alta velocidad y fiabilidad. Son especialistas, no generalistas.

Su funcionamiento es claro: el usuario define una tarea específica, como actualizar registros en un CRM o generar informes semanales, y el agente la ejecuta de forma autónoma. Estos agentes suelen integrarse con aplicaciones empresariales como HubSpot, Google Sheets o sistemas de atención al cliente.

Entre los casos de uso encontramos agentes que redactan respuestas personalizadas a FAQs, sistemas financieros que generan informes contables automáticamente o herramientas de ventas que consolidan datos desde múltiples fuentes.

Las ventajas son evidentes: ahorran tiempo, automatizan tareas tediosas, reducen errores y permiten a los equipos enfocarse en actividades de mayor valor. Además, son fáciles de probar y desplegar dentro de un marco de funciones bien delimitado.

No obstante, su mayor debilidad es la falta de flexibilidad. No pueden gestionar proyectos amplios ni adaptarse a cambios significativos en las condiciones. Además, requieren coordinación con otros sistemas y pueden fallar si los datos de entrada no están bien estructurados.

En la práctica, los AI Agents son perfectos para funciones administrativas, soporte al cliente y reporting financiero, pero limitados para tareas estratégicas o creativas.

Conclusión y visión de futuro

La comparación entre Non-Agentic AI, Agentic AI y AI Agents demuestra que no existe una única solución válida para todos los problemas empresariales. Cada enfoque responde a necesidades diferentes: rapidez y simplicidad en el caso de la Non-Agentic AI, planificación y autogestión en el caso de la Agentic AI, y automatización repetitiva en el caso de los AI Agents.

El reto para las organizaciones no es elegir uno sobre los demás, sino identificar cuándo utilizar cada tipo y, en muchos casos, combinarlos. Una estrategia híbrida puede resultar especialmente poderosa: AI Agents que se encargan de las tareas repetitivas, Non-Agentic AI para experimentación creativa rápida y Agentic AI para coordinar proyectos estratégicos complejos.

De cara al futuro, veremos una mayor integración de estos enfoques. La tendencia apunta a sistemas más autónomos que combinen la flexibilidad de la Agentic AI con la precisión y fiabilidad de los AI Agents. Este avance permitirá liberar aún más tiempo a los profesionales, enfocándolos en actividades de mayor valor añadido.

En definitiva, la verdadera ventaja competitiva no radica únicamente en adoptar IA, sino en saber orquestar sus diferentes modalidades para alinearlas con los objetivos estratégicos de la organización. Quien logre entender y aplicar esta combinación tendrá una posición privilegiada en el nuevo escenario digital.