Solicitar a un modelo de lenguaje tres respuestas distintas —una solución convencional, otra inconvencional y una tercera que combine lo mejor de ambas— cambia radicalmente la calidad del intercambio. En lugar de obtener el consejo más razonable y seguro, se obtienen tres enfoques genuinamente diferentes y, lo más importante, se clarifican los trade-offs entre ellos. Esta técnica desvela las limitaciones de la primera respuesta y abre un abanico de posibilidades que permiten tomar decisiones más informadas.
Los modelos de lenguaje destacan por identificar patrones comunes. Pedir el mejor plan para unas vacaciones o la mejor organización de la cocina suele generar opciones sensatas, pero también bastante básicas. Saben qué consejo suele funcionar y qué se recomienda con frecuencia, lo que, si bien resulta útil, puede volverse repetitivo.
La solución es pedir tres tipos de respuestas: la aproximación convencional, la aproximación no convencional y luego una versión híbrida que combine las fortalezas de ambas. Este ejercicio invita a comparar enfoques distintos en lugar de considerar la primera respuesta razonable como el resultado final. Aun más, ofrece algo mucho más valioso que una única recomendación: un conjunto de posibilidades y una explicación de los trade-offs entre ellas.
No te quedes solo con la versión final
La mayor ventaja de esta técnica es que transforma la conversación en un recorrido por alternativas, en lugar de una simple elección de un ganador. Una búsqueda por palabra clave puede entregar respuestas rápidas, pero las interacciones con IA resultan más interesantes cuando se exponen ideas en competencia.
Imagina que planificas un viaje de fin de semana: un prompt tradicional podría generar un itinerario sensato con atracciones de alta calificación. El prompt de tres soluciones, en cambio, empieza por los museos y restaurantes esperados, luego sugiere alquilar bicicletas para explorar barrios menos conocidos o planificar el fin de semana alrededor de librerías independientes y festivales locales. La versión híbrida podría combinar algunas atracciones famosas con paradas menos convencionales para hacer el viaje más personal.
Las explicaciones suelen ser tan útiles como la respuesta misma. Una vez que entiendes por qué cada opción es preferida por la IA, puedes tomar decisiones más informadas en lugar de aceptar de inmediato la recomendación que suena mejor por su formulación.
Esta técnica también facilita la iteración de ideas. Si la solución híbrida se acerca pero aún no encaja, puedes pedir a la IA que repita el ejercicio usando esa versión como punto de partida. Tras dos o tres rondas, las ideas suelen volverse notablemente más distintivas sin deslizarse hacia el absurdo.
La técnica escala desde proyectos breves en casa hasta planes más ambiciosos que pueden requerir meses de desarrollo. Casi cualquier situación que se beneficie de ponderar enfoques diferentes puede beneficiarse de este estilo de solicitud.
Se puede mejorar aún más proporcionando a la IA un poco de contexto antes de pedir las tres versiones. Una respuesta convencional basada en circunstancias reales es mucho más útil que una genérica, y la sugerencia inconvencional resulta más interesante porque tiene límites significativos a los que responder.
Ninguno de estos enfoques garantiza una idea brillante cada vez. A veces la opción no convencional es impráctica, y ocasionalmente la versión híbrida puede parecer un compromiso forzado. Pero las mejores prompts no buscan imitar una inteligencia superior; buscan fomentar diferentes enfoques para resolver problemas. Pedir la solución convencional, la solución no convencional y la mejor combinación de ambas es un hábito sencillo para conversaciones con IA más reflexivas.
La Fórmula 1 nos regala momentos de tensión y análisis afilados, y este es uno de esos casos que invita a mirar de frente el propio funcionamiento de un equipo histórico. Después de un Gran Premio de Hungría complicado para Williams, en el que la velocidad y la competitividad siguieron sin encontrarse, emergen palabras que rompen el hielo y elevan la pregunta: ¿qué está pasando en Grove y qué próximos movimientos se requieren?
Guenther Steiner, una voz con peso en el paddock gracias a su experiencia en Haas, no dejó lugar a la ambigüedad. Su lectura sobre la situación de Williams fue directa y, para muchos, reveladora: el rendimiento actual del equipo exige un análisis honesto y, sobre todo, decisiones claras. En un deporte donde cada detalle cuenta, el tiempo parece ser un recurso cada vez más valioso para revertir una curva que, hasta ahora, ha mostrado signos de estancamiento.
La conversación se centra en James Vowles y su gestión al frente de Williams. Con el contexto de resultados que no acompañan, el tono de Steiner sugiere la necesidad de una respuesta que vaya más allá de parches o ajustes menores. En la escudería de Grove, la presión aparece como un espejo: ¿están las estrategias y la dirección técnica alineadas con las exigencias de la competencia actual? ¿Qué cambios pueden catalizar una transformación rápida y sostenible?
Este análisis no es sólo una crónica de un fin de semana gris, sino una invitación a observar el ecosistema completo de un equipo: desarrollo del coche, eficiencia en la fábrica, decisiones estratégicas en carrera y la capacidad de traducir datos en rendimiento concreto. Williams tiene una historia de reconstrucción y resurgimiento; la pregunta es si la organización está lista para activar un plan claro, con hitos medibles y una visión que inspire confianza tanto en el propio equipo como en sus seguidores.
El camino hacia una mejora tangible pasa, inevitablemente, por una evaluación valiente de procesos, contratación, desarrollo de talento y una cultura de responsabilidad compartida. Si Williams logra convertir la presión en golpe de creatividad, podría abrirse una nueva etapa de competitividad que devuelva a Grove a la conversación de arriba. Mantenerse en este compás exige liderazgo, transparencia y una ejecución impecable, pero los retos también traen oportunidades. Y en un deporte tan impredecible como la Fórmula 1, cada decisión cuenta.
Para quienes siguen el paddock con atención, este momento promete ser decisivo: ¿será capaz Williams de activar el cambio necesario y recobrar velocidad, o veremos una nueva página de desafíos en su historia? La respuesta podría llegar en las próximas carreras, donde cada giro y cada segundo pueden escribir un nuevo capítulo.
from Motorsport.com – Formula 1 – Stories https://ift.tt/xWvRQnL
via IFTTT IA
El Pocket 4P marca un momento importante en la popular serie de cámaras vlogging compactas de DJI. Es el primer modelo con dos lentes, ampliando las posibilidades creativas frente a las configuraciones de una sola lente. Aunque Insta360 presentó su Luna Ultra con un formato doble lente, el Pocket 4P se mantiene como una opción muy competitiva gracias a su sensor refinado y a funciones como D-Log 2 y LOFIC, pensadas para lograr perfiles de color más versátiles y un rango dinámico ampliado.
Ya había evaluado el Pocket 4 de una sola lente, y me sorprendió por su excelente desempeño en 4K. El 4P, en gran medida, mantiene ese núcleo, pero añade el sistema de doble lente y un sensor 1″ refinado que introduce LOFIC y un perfil de color D-Log 2. A grandes rasgos, la experiencia de uso y el diseño se sienten como una evolución natural dentro de la línea.
En este artículo me enfocaré en las novedades del modelo más voluminoso y en el impacto real de esas mejoras. Y sí: tras probar el Pocket 4P, es complicado volver a modelos de una sola lente como el Pocket 4. Esa teleobjetiva 3x y la versatilidad adicional abren un conjunto de posibilidades mucho más amplio para captar secuencias dinámicas con el seguimiento de sujetos de DJI. Es como tener dos cámaras en un dispositivo diminuto.
Dos lentes, dos cámaras(Image credit: Tim Coleman)
Como contrapartida al beneficio de versatilidad, hay una consecuencia de diseño: el conjunto de doble lente hace que el dispositivo sea más voluminoso y significativamente más pesado, con un diseño algo desequilibrado. Si ya posees un Pocket y dudas sobre si el 4P merece la inversión o si conviene moverse hacia la Luna Ultra de Insta360, puedes consultar mi análisis comparativo Pocket 4 vs Luna Ultra para más contexto.
Para mí, la Luna Ultra ofrece un conjunto atractivo con su 8K y su módulo desmontable, pero el Pocket 4P se siente más pulido en general. También cuenta con accesorios útiles propios, como una luz de relleno magnética y un módulo remoto. En conjunto, el sistema dual de Pocket 4P lo coloca como mi opción principal entre las cámaras vlogging compactas.
Precio y fecha de lanzamiento del DJI Osmo Pocket 4P
Anunciado el 14 de mayo de 2026 en el Festival de Cine de Cannes; disponible a partir del 30 de julio
Disponible en versiones negra o blanca, desde £529 / AU$959. Sin disponibilidad en EE. UU. al lanzamiento
Variedad de paquetes, incluyendo un kit Vlog Combo por £605 / AU$1,099
Con dos lentes, la Pocket 4P multiplica opciones(Image credit: Tim Coleman)
Aunque DJI suele posicionar sus productos de forma competitiva, el Pocket 4P se sitúa entre la Pocket 4 y la Luna Ultra en cuanto a precio. El Luna Ultra parte de un rango superior en precio, mientras que Pocket 4P ofrece un valor muy atractivo considerando la calidad de grabación 4K y la versatilidad de las dos lentes. El Pocket 4, por su parte, continúa como una opción más pequeña y más asequible.
El Pocket 4P está disponible en negro o blanco, con bundles que añaden valor. El kit Vlog Combo, por ejemplo, incluye el DJI Mic 2 Mini, control remoto, luz de relleno, soporte para trípode y grip de trípode, y tiene un precio de £605 / AU$1,099, paquete que recomendaría para quien planea empezar a crear contenido de forma más seria.
Calificación de precio: 5/5
DJI Osmo Pocket 4P: especificaciones
Especificaciones del DJI Osmo Pocket 4P
Objetivos
20mm f/2.0 (sensor de 1″), 60mm f/1.8 (sensor de 1/1.28″);
Video
4K y 1080p hasta 60fps, slow-motion hasta 240fps
Foto
Hasta 9.4MP en RAW y JPEG, hasta 37MP en modo SuperPhoto
Almacenamiento
107GB internos, ranura para microSD
Batería
1,545mAh, hasta 3.5 horas de grabación en Full HD
Carga
USB-C / cargador rápido PD opcional
Peso
8.1 oz / 230 g
Dimensiones:
159.5 x 63.3 x 33.5 mm (L x A x P)
DJI Osmo Pocket 4P: Diseño
Dobles lentes de 20 mm f/2.0 y 60 mm f/1.8
Diseño mayormente idéntico al Pocket 4, con pantalla giratoria y cámara montada en gimbal
Carga USB-C y 107GB de almacenamiento incorporado además de microSD
(Image credit: Tim Coleman)
Además de la mayor masa, la Pocket 4P mantiene el diseño compacto del Pocket 4, con una pantalla de 2 pulgadas que gira entre formatos vertical y horizontal, y una disposición de cinco botones personalizables con un joystick para controlar el movimiento del gimbal y el zoom. En la versión horizontal, dos botones adicionales ofrecen acceso directo a perfiles y modos, acelerando la personalización para usuarios avanzados.
Si bien el Pocket 4 se siente más equilibrado en la mano, el 4P tiende a sentirse más cómodo con un asa o grip de trípode, y su peso añadido se nota. En comparación con la Luna Ultra, el 4P sigue siendo notablemente más compacto y manejable, aunque en equilibrio podría decirse que la Luna Ultra está mejor distribuida en el cuerpo de la cámara.
El sistema de gimbal sigue siendo suave, y la estabilización se mantiene sólida pese al peso adicional. A la hora de transportar, la ausencia de un estuche protector dedicado para el 4P al lanzamiento es un punto a considerar; DJI debería cubrir esa carencia pronto para evitar daños en uso cotidiano.
También/especificaciones clave: la luz de relleno magnética que se adhiere al brazo del gimbal y tres niveles de brillo y temperatura de color; su utilidad es notable en interiores o condiciones de poca luz. En exterior brillante, su impacto es menor, pero en encuadres con iluminación controlada marca la diferencia.
Comparativa: Pocket 4 (izquierda) vs Pocket 4P (derecha)Tim Coleman
En resumen, el 4P llega como una mejora sustancial respecto al 4, con doble lente y mejoras de sensor y color. Aun así, hay que considerar el compromiso de tamaño y peso frente a una sola lente más ligera. Si lo que buscas es versatilidad y calidad de imagen 4K con opciones de tele y ultra gran angular, el Pocket 4P es una opción muy sólida dentro de la gama compacta de DJI.
DJI Osmo Pocket 4P: desempeño
Mejor seguimiento de sujetos
107GB de almacenamiento incorporado
Autonomía de batería razonable para uso intensivo
La función de seguimiento de sujeto, en su versión ActiveTrack 7.0, es fiable: se activa con un doble toque sobre el sujeto y la cámara hace el resto. En mis pruebas, el rendimiento se sitúa por encima del Luna Ultra en escenarios con sujetos en movimiento, aunque en ocasiones puede parecer que intenta mantenerlos centrados sin responder al instante ante movimientos muy rápidos.
La batería es suficiente para periodos de grabación normales, pero notará mayor consumo con modos de alto rendimiento como 4K a 60fps, hyperlapse o 240fps en cámara lenta. La cámara tiende a calentarse con estos modos, pero no he experimentado apagados por sobrecalentamiento durante las pruebas realizadas. Existe una empuñadura opcional para ampliar la vida de la batería.
La transferencia de archivos se facilita con Wi-Fi de última generación y USB 3.1, permitiendo un flujo de trabajo eficiente cuando se está en movimiento.
Rendimiento: 5/5
DJI Osmo Pocket 4P: calidad de imagen y vídeo
Sensor de 1″ y teleobjetivo 3x para retratos
Perfiles D-Log 2 con hasta 17 stops de rango dinámico
Mejor rango dinámico en condiciones de baja iluminación
La principal diferencia entre el Ultra gran angular del 4P y el 4 normal es el sensor refinado que habilita D-Log 2, disponible solo para la cámara ultra ancha de 20 mm. LOFIC en este sistema realza el rango dinámico en tiempo real, con hasta 17 stops frente a alrededor de 14 en perfiles log estándar. La teleobjetiva de 60 mm, con f/1.8, ofrece un aspecto de retrato suave y un control de profundidad de campo muy agradable, útil para vlogs centrados en el sujeto.
El rendimiento de grabación 4K es sobresaliente para un dispositivo compacto; la combinación de teleobjetivo y seguimiento crea oportunidades dinámicas para movimientos y composiciones con elementos en primer plano. El zoom alcanza hasta 12x en modo digital, pero la mejor calidad se consigue en 6x, manteniendo un nivel aceptable de detalle si se usa con moderación.
En conclusión, la calidad de imagen y vídeo del Pocket 4P es excelente para su segmento, con especial énfasis en la versatilidad proporcionada por la doble lente y las capacidades de color avanzadas. En comparación con Insta360 Luna Ultra, el 4P ofrece una experiencia más pulida y estable, con un precio más favorable, aunque carece del 8K que propone la Luna Ultra.
Calidad de imagen y vídeo: 5/5
DJI Osmo Pocket 4P: ficha de pruebas
DJI Osmo Pocket 4P
Atributos
Notas
Puntuación
Precio
Más caro que Pocket 4, pero más asequible que Luna Ultra. Mucho valor por lo que ofrece
5/5
Diseño
Las dos lentes son acertadas, pero el conjunto se siente algo desequilibrado
4.5/5
Desempeño
Estabilización líder de la industria y seguimiento de sujetos, buena autonomía y amplio almacenamiento
5/5
Calidad de imagen y vídeo
Aunque es 4K, entrega metraje genial, especialmente con la segunda lente
5/5
¿Debería comprar el DJI Osmo Pocket 4P?
Cómpralo si…
Quieres más de tu Pocket Las dos lentes amplían enormemente las posibilidades frente a las versiones de una sola lente.
Quieres la cámara compacta de vlogging más pulida y completa La Luna Ultra ofrece características innovadoras, pero el Pocket 4P se siente más refinado en general.
No lo compres si…
No necesitas la segunda lente Muchos vlogueros han manejado sin problema con Pocket de una sola lente; si solo necesitas ultra-angular, el Pocket 3 o el Pocket 4 podrían ser más adecuados en tamaño y precio.
Quieres la Pocket más pequeña La doble lente añade volumen y peso; si priorizas compactación, quizá prefieras la versión estándar.
DJI Osmo Pocket 4P: también considerar
DJI Osmo Pocket 4
¿No necesitas la segunda lente? Ahorrarás dinero optando por el Pocket 4, que comparte gran parte de las características y ofrece una experiencia más ligera, con un protector de gimbal incluido.
Si te atrae el concepto de dos lentes en un formato compacto, la Luna Ultra ofrece una experiencia similar con 8K y un módulo detachable que incluye la pantalla, controles y micrófono. Puede que sea más innovadora, pero el Pocket 4P brilla por su pulidez y precio en comparativa.
DJI prestó el kit Vlog Combo con antelación para pruebas
Se realizaron grabaciones en 4K con distintas configuraciones de color y accesorios
Se comparó con Pocket 4 y con Insta360 Luna Ultra
Durante casi dos meses evalué el Pocket 4P en múltiples escenarios: 4K con 20 mm y 60 mm, diferentes perfiles de color, hasta 240fps en cámara lenta y modos como hyperlapse. Verifiqué también la transferencia de archivos y la duración de la batería al usar accesorios como la luz de relleno y el control remoto. Finalmente, realicé comparativas directas con el Pocket 4 y la Luna Ultra para valorar diferencias de rendimiento y estilo de imagen.
El problema de las compras en línea es que facilitan demasiado comprar casi cualquier cosa, sin considerar realmente si es necesario. Comencé a preguntarme si ChatGPT podría ayudarme a tomar mejores decisiones, cuestionando cada compra antes de hacerla.
Para probar la capacidad de ChatGPT para evitar que malgaste dinero, escogí cuatro compras tentadoras y le pedí a ChatGPT que argumentara en contra de cada una. Tenía que revisar el historial de precios, sugerir alternativas más baratas y decidir si la compra resolvía un problema real, o si solo estaba arañando una necesidad de comprar.
Aquí está cómo funcionó ChatGPT, y los resultados me sorprendieron.
GPT before you buy
¿Sabías que TechRadar ahora tiene membresía?
(Image credit: Future)
Conviértete en TechRadar Insider simplemente haciendo clic en ‘Join Now’ en la parte superior de esta página. ¿Tienes alguna pregunta? Por favor, envía un correo a membership@techradar.com
Comencé con un gadget tecnológico que estaba pensando comprar: un Apple MacBook M5, y le planteé a ChatGPT la siguiente instrucción: “Estoy pensando en comprar un Apple MacBook Air de 13 pulgadas con procesador M5. Ayúdame a revisar el historial de precios, a sugerir alternativas más baratas y a decidir si la compra resuelve un problema real.”
ChatGPT dijo que revisaría precios actuales y mínimos recientes, compararía opciones verdaderamente más baratas y sometería a prueba si la compra sustituía una limitación real o solo era un capricho de actualización, y se puso en marcha.
Después de mucho pensar, ChatGPT respondió con un veredicto devastador que me hizo retroceder antes de pulsar el botón de compra: “No compres el M5 MacBook Air todavía.”
Sugirió que tomara la versión anterior M4, que es considerablemente más barata, y no me sorprendió demasiado. Luego me dio algunas preguntas para hacerme a mí mismo, para evaluar si la compra de un MacBook nuevo realmente resuelve un problema real, o si solo estoy satisfaciendo un impulso de compra.
Preguntas como: “¿Tu Mac actual tiene ralentizamientos notables?” Sugería que no debiera comprar una máquina nueva si mi argumento principal era simplemente que mi equipo está a algunas generaciones de distancia. bChatGPT también me dio algunas opciones de compra si estaba decidido a avanzar con la adquisición.
Lo más útil aquí no fue la recomendación más barata: fue verme obligado a identificar la limitación exacta que mi Mac actual estaba causando. No pude hacerlo, así que decidí conservarla hasta poder hacerlo.
Luego encontré una frase simple que podría funcionar aún mejor: “Intenta convencerme de que no lo haga”.
Talk me out of it
Repetí el experimento con algunos otros objetos que había considerado comprar recientemente. Un artículo de ropa (zapatillas nuevas), una suscripción (Disney+), y un utensilio de cocina (un microondas nuevo). Pero esta vez añadí “Intenta convencerme de que no lo haga” al final de cada instrucción.
En cada caso, Chat me sorprendió con su respuesta, ofreció alternativas y me hizo cuestionar si realmente quería el artículo o si había algo más detrás de mi decisión.
Con las zapatillas, señaló que ya poseía calzado que cumplía la misma función y sugirió esperar a que se les acabaran. Con Disney+, recomendó suscribirme por un solo mes cuando había varias cosas que realmente quería ver. El microondas fue distinto: nuestro actual tenía una falla real, y ChatGPT concluyó que reemplazarlo estaba justificado.
El experimento funcionó porque me ayudó a replantear mentalmente cada compra. En lugar de preguntar si quería algo, tuve que considerar qué problema resolvía, qué ya poseía y si había una forma más barata de obtener el mismo resultado.
Las compras en línea están diseñadas para eliminar la mayor fricción posible al gastar dinero. ChatGPT me devolvió parte de esa fricción. Así que ahora, cada vez que voy a gastar unos cientos de libras, o varios miles, le hago la misma pregunta: “Talk me out of it.”
¡Vibrante y cargado de adrenalina! Mientras Franco Colapinto de Alpine y el piloto de Fórmula 1 de Audi, Gabriel Bortoleto, cerraban un segundo día de pruebas de Pirelli para ultimar la alineación de neumáticos 2027, Aston Martin dio un giro audaz: dejó a un lado el trabajo de llantas del día anterior y llevó su segunda jornada de rodaje a la construcción de una temporada, grabando en Hungaroring.
La jornada fue una oportunidad de oro, y Aston Martin no quería dejarla pasar. El debut de la versión B-spec hizo su entrada triunfal en el escenario, marcando un hito técnico y estratégico para el equipo. El ambiente en Budapest estaba cargado de expectación: tecnologías de neumáticos, estrategias de carrera y tomas de rodaje que prometen juegos de alta precisión para la temporada que se avecina.
La dinámica entre pruebas de neumáticos y el rodaje de filmación añade una capa extra de emoción para los fans: cada vuelta aporta datos, cada plano aporta contexto y cada decisión de desarrollo podría cambiar el rumbo de la próxima campaña. Mantente atento, porque el circuito de Hungaroring se convirtió en un laboratorio vivo donde la ingeniería, la paciencia y la velocidad se dan la mano para dibujar el mapa del futuro en la Fórmula 1.
Para aquellos que buscan más detalles y profundizar en el alcance de estas pruebas y grabaciones, Keep reading.
from Motorsport.com – Formula 1 – Stories https://ift.tt/XxBoIcC
via IFTTT IA
¡Una confesión que enciende la pasión por la F1! James Vowles, jefe del Williams F1 Team, revela un impacto que va mucho más allá de la pista: Michael Schumacher cambió el juego en el desarrollo de los coches. En una conversación llena de energía, Vowles explica que el siete veces campeón no solo brillaba por su manejo en el cockpit, sino que su influencia se extendía al enfoque estratégico, a la ingeniería y a la cultura de innovación dentro de un equipo.
Acompañado por Damon Hill, campeón de 1996 y actual embajador del equipo Grove, Vowles profundizó en cómo Schumacher elevó los estándares, desafiando a cada integrante del equipo a pensar en la optimización continua, la aerodinámica, la puesta a punto y la simulación con un nivel de rigor que marcó un antes y un después en la forma de enfocar el desarrollo del coche.
La conversación, grabada en directo para el podcast Up To Speed, dejó claro que la influencia de Schumacher va más allá de sus victorias: fue un motor de cambio en la metodología de trabajo, en la mentalidad de perseverancia y en la insistencia en la búsqueda de mejoras constantes, incluso cuando el rendimiento parecía al máximo.
Este testimonio añade una capa de contexto emocionante sobre la evolución tecnológica de la Fórmula 1 y el papel de los grandes líderes en la transformación de equipos. Si te apasiona la alta competición y la ingeniería de vanguardia, este episodio promete inspirar y dejarte con ganas de más detalles sobre cómo un piloto legendario redefinió lo posible en el desarrollo automotriz.
Para profundizar en la cita completa y el análisis, puedes seguir leyendo en el enlace de la entrevista original. Keep reading
from Motorsport.com – Formula 1 – Stories https://ift.tt/5VUtDlg
via IFTTT IA
La inteligencia artificial llegó en un momento oportuno, acelerando el desarrollo de aplicaciones y software mientras el mundo enfrentaba una escasez de habilidades. Sin embargo, el ritmo que impuso fue tan intenso que los equipos de seguridad no han logrado ponerse al día.
Recientemente, la IA se ha aplicado a numerosos dominios con agentes y herramientas específicos para cada rol, lo que ha traído consigo sus propios retos. Herramientas como Claude Code han demostrado ser eficaces para generar, revisar y editar código en segundos; sin embargo, las herramientas centradas en seguridad, como la familia Mythos de Anthropic, están teniendo un impacto más amplio en la industria.
Anthropic ha admitido que Mythos es tan poderoso que la preocupación de que pueda ser abusado por delincuentes es extremadamente real. El modelo de vista previa está disponible actualmente solo para un número selecto de socios preaprobados.
Con la IA ahora capaz de inspeccionar código, descubrir vulnerabilidades y sugerir correcciones, ¿necesitan las organizaciones aún tantos trabajadores humanos en el caso, o podrían depender de una reducción significativa de personas en el bucle sirviendo como revisores de IA? Recientes despidos han insinuado dicha posibilidad.
El rol evolutivo de los profesionales de seguridad en un mundo impulsado por la IA
Pero con todo el ciclo de vida del desarrollo amplificado por la IA, los expertos advierten que las empresas podrían estar creando más trabajo para sí mismas y enfrentando tensiones desde ángulos a los que antes no estaban expuestos.
Por ejemplo, menos de una de cada diez empresas corrigen el 90% de las vulnerabilidades identificadas en 90 días, lo que implica que el volumen de vulnerabilidades está aumentando, no que la eficiencia de corrección esté disminuyendo.
Anthropic reveló que sus aproximadamente 50 socios tempranos de Mythos Preview encontraron más de 10,000 vulnerabilidades de alta o crítica severidad, y miles más de menor relevancia.
El CEO de Checkmarx, Sandeep Johri, predice que pronto podríamos encontrar un equilibrio, donde el volumen de vulnerabilidades tenga menos peso y se revierta el foco hacia riesgos explotables. Conversé con Johri sobre la evolución de AppSec, dónde la IA es útil y dónde no, y cómo las organizaciones pueden equilibrar velocidad y control.
Con el auge de las herramientas de codificación con IA y software generado por IA, ¿está la seguridad de aplicaciones volviéndose obsoleta o está evolucionando?
La seguridad de aplicaciones tradicional no está obsoleta; está evolucionando para adaptarse a la realidad de cómo se construye el software hoy en día.
Durante años, el proceso fue lineal: los desarrolladores escribían código, los equipos de seguridad lo escaneaban y las vulnerabilidades se abordaban más tarde. Este enfoque se vuelve mucho más difícil cuando el software se crea a una velocidad mayor con la ayuda de la IA.
La IA acelera el desarrollo y el riesgo al mismo tiempo: el 70% de los desarrolladores afirma que el código generado por IA creó más vulnerabilidades en 2025, según nuestra investigación. A medida que el volumen y la complejidad del código aumentan, la seguridad debe moverse más temprano en el proceso de desarrollo, brindando a los desarrolladores las herramientas y la orientación necesarias mientras construyen.
Los equipos de seguridad seguirán desempeñando un papel crítico para ayudar a las organizaciones a desarrollar software y mantener la confianza en sus aplicaciones empresariales. Pero su enfoque debe cambiar de encontrar vulnerabilidades a remediarlas a escala, porque existe una brecha enorme en la mayoría de las empresas. Nuestros datos muestran que menos del 10% de las organizaciones corrigen el 90% de las vulnerabilidades identificadas en 90 días.
Las herramientas de codificación con IA están ayudando a los desarrolladores a crear software más rápido que nunca. ¿Qué nuevos desafíos de seguridad introduce esto para las organizaciones que adoptan estas tecnologías a gran escala?
El mayor desafío es que la velocidad de desarrollo supera a muchos procesos de seguridad. Las herramientas de codificación con IA permiten a los equipos crear y desplegar software rápidamente, pero el código generado por IA aún necesita ser revisado, probado y asegurado.
Las empresas que envían entre el 81% y el 100% de su código con IA tienen casi tres veces más probabilidades de entregar código vulnerable que aquellas que usan IA entre el 1% y el 20%. Este volumen puede abrumar a los equipos de seguridad con miles de hallazgos, muchos de los cuales no representan un riesgo significativo. La prioridad debe ser identificar las vulnerabilidades que realmente generan exposición y ayudar a los equipos a repararlas más rápido.
Muchas organizaciones están buscando que la IA identifique y corrija vulnerabilidades de seguridad. ¿Por qué las empresas no deberían depender exclusivamente de modelos de IA para asegurar el código que la IA está ayudando a crear?
La IA es una herramienta valiosa para los equipos de seguridad, pero las organizaciones siguen necesitando precisión, contexto y supervisión humana. La IA puede ayudar a identificar patrones, analizar código y acelerar la remediación, pero las decisiones de seguridad requieren confianza en qué riesgos realmente importan.
Los modelos frontera pueden descubrir rutas de explotación ocultas, pero también pueden entregar hallazgos inconsistentes y falsos positivos. Sus resultados pueden variar según el prompt y aún pueden omitir vulnerabilidades críticas conocidas.
El riesgo de confiar solo en IA es que las organizaciones podrían crear una falsa sensación de seguridad, o “sesgo de automatización”. Los modelos de IA pueden generar código y ayudar a analizar vulnerabilidades, pero deben combinarse con experiencia en seguridad y prácticas de seguridad probadas.
El enfoque más efectivo combina capacidades impulsadas por IA con fundamentos de seguridad sólidos, para que los equipos puedan moverse más rápido manteniendo el control del riesgo.
A medida que las empresas adoptan más herramientas de IA a lo largo del proceso de desarrollo, ¿cuáles son los mayores riesgos de seguridad que deben considerar más allá del código generado por IA?
Las organizaciones deben mirar más allá del código y considerar el ecosistema completo de IA que se está integrando en el desarrollo de software. Muchas empresas están adoptando herramientas, modelos, agentes, bibliotecas y otros componentes de IA más rápido de lo que pueden establecer gobernanza, lo que genera desafíos de visibilidad: no siempre se sabe qué tecnologías de IA se están usando, dónde existen en las aplicaciones o si cumplen con los requisitos de seguridad.
Otra preocupación es la IA sombra, cuando empleados usan herramientas de IA sin aprobación formal o supervisión. Se necesita visibilidad, políticas claras y una forma de gestionar estas tecnologías como parte de la cadena de suministro de software global.
Quizás el problema más urgente es la expansión de la superficie de ataque. Con los modelos de lenguaje, nunca ha sido tan rápido, barato y fácil para actores maliciosos explotar software. Los problemas que quedaron sin detectar durante años ahora se están revelando y utilizando a la velocidad de la máquina. De las vulnerabilidades que Mythos ha encontrado hasta ahora, el 99% no han sido parcheadas, según Gartner.
¿Cómo cambia la IA el rol de los equipos de seguridad? ¿La aproximación tradicional de encontrar vulnerabilidades debe desplazarse hacia un modelo centrado en la priorización, remediación y protección continua?
Identificar vulnerabilidades ya no es suficiente cuando las organizaciones tienen más hallazgos de los que pueden abordar razonablemente. La seguridad debe volverse continua, integrada en los flujos de desarrollo, trabajando en conjunto con los desarrolladores para construir de forma segura desde el inicio manteniendo visibilidad y control.
Estamos cambiando el enfoque para entender qué problemas generan el mayor riesgo, para dar a los desarrolladores el contexto necesario para abordarlos rápidamente, donde el código se escribe en el IDE.
La calidad ahora importa más que la cantidad. Un solo positivo verdadero verificado vale más que cien hallazgos de baja confianza. Si los desarrolladores no pueden confiar en lo que se les muestra, dejarán de hacer caso. Por eso las organizaciones están adoptando cada vez más métricas como el puntaje F1, que mide precisión y exhaustividad juntas, en lugar de contar hallazgos brutos.
¿Cómo será el futuro de la seguridad de aplicaciones en un mundo de desarrollo de software impulsado por IA? ¿Las organizaciones necesitarán un enfoque diferente para equilibrar velocidad, innovación y seguridad?
El futuro de la seguridad de aplicaciones requerirá un enfoque más integrado. Las organizaciones continuarán adoptando IA por los beneficios de productividad, pero la seguridad debe evolucionar junto con esa innovación.
La seguridad será más agentiva, más inteligente y más conectada al proceso de desarrollo. Parte de esa evolución consiste en combinar escaneos deterministas, basados en reglas, con razonamiento impulsado por IA en un único proceso, en lugar de ejecutarlos como herramientas separadas y desconectadas. Los métodos deterministas detectan lo que ya está probado; el razonamiento de IA detecta lo que es novedoso. Juntos son más completos que cualquiera de ellos por separado.
Además, los modelos deterministas tienen ventajas de costo reales. Pedir a un modelo frontera que razone para la seguridad (reducción de pases de revisión, modelos de amenaza auto-generados) consume tokens rápidamente. Ese costo se acumula cuanto más tiempo una vulnerabilidad siga sin parchearse: barato de arreglar en el IDE, más caro en CI/CD, y más caro aún una vez que está en tiempo de ejecución. Y cada vez que un desarrollador tiene que detenerse y sacar una vulnerabilidad del código ya enviado, se pierde velocidad para la innovación.
Los equipos necesitarán tecnología que ayude a identificar riesgos reales, apoyar una remediación más rápida y proporcionar visibilidad a lo largo de todo el ciclo de vida del software. Las organizaciones exitosas serán aquellas que hagan de la seguridad una parte del desarrollo de software desde el principio, permitiendo a los desarrolladores avanzar rápido mientras reducen riesgos innecesarios.
Para las organizaciones que ya están adoptando herramientas de codificación con IA, ¿qué pasos deben tomar para innovar rápidamente sin introducir riesgos de seguridad innecesarios?
El primer paso es la visibilidad. Las organizaciones deben entender dónde se está usando IA, qué herramientas se están introduciendo y qué impacto tienen en sus aplicaciones.
La remediación es mucho más barata si ocurre temprano: detectar un problema en el IDE cuesta una fracción en comparación con hacerlo en etapas posteriores. Pero hay otra brecha inquietante en nuestra investigación: casi todos los desarrolladores tienen acceso a herramientas de seguridad en IDE, pero menos de uno de cada cinco realmente aseguran el código a medida que lo escriben. El costo de corregir ese problema se acumula al pasar por etapas posteriores del desarrollo.
Además, las organizaciones necesitan gobernanza clara sobre la adopción de IA, porque solo el 22% actualmente tiene políticas formales de gobernanza de IA. Eso significa definir políticas, monitorear usos y asegurar que los equipos cuenten con los controles de seguridad adecuados a medida que siguen innovando.
La IA seguirá cambiando el desarrollo de software. Las compañías que obtengan mayores beneficios serán las que adopten la tecnología incorporando la seguridad desde el inicio del proceso.
El mercado global de centros de datos continúa evolucionando ante conversaciones con clientes, operadores-empresarios, inversores, contratistas y socios tecnológicos. Las mismas temáticas emergen una y otra vez: IA, computación de alta densidad, restricciones de energía, enfriamiento líquido, resiliencia, rapidez de comercialización y rendimiento operativo.
La demanda de capacidad sigue siendo alta, como se evidencia en el nivel de actividad e inversión del sector. La pregunta hoy es qué sucede después de asegurar la capacidad y si los operadores-empresarios cuentan con la visibilidad suficiente para utilizarla de manera eficaz. Las empresas buscan respuestas más detalladas sobre el desempeño de sus activos, cuánto pueden usar la capacidad de forma segura y cuánta libertad tendrán para adaptarse a medida que cambien los requisitos de los clientes.
Tres conclusiones destacan de forma repetida.
1) La capacidad se está convirtiendo en una cuestión operativa
Durante la última década, la industria de centros de datos ha priorizado la escala: sitios más grandes, entrega más rápida, mayor potencia y mayores niveles de disponibilidad. Aunque estos requisitos no han desaparecido, el entorno operativo exige más. Asegurar capacidad ya no es solo una cuestión de desarrollo; los operadores necesitan saber cómo se comportará una instalación en operación, cuánto de esa capacidad puede usarse de forma segura y dónde pueden surgir limitaciones en carga, enfriamiento, controles y rendimiento del sistema.
Este desafío se agrava cuando los proyectos se conciben como paquetes de ingeniería aislados. El edificio, la arquitectura eléctrica, la estrategia de enfriamiento, los controles, la telemetría y el modelo operativo deben trabajar en conjunto, pero los datos valiosos suelen estar dispersos en plataformas, proveedores, formatos y niveles de acceso diferentes. El resultado es un activo que cumple con el briefing de diseño, pero resulta más difícil de entender y adaptar una vez en funcionamiento.
Para los operadores-empresarios, esto genera un efecto a largo plazo: necesitan confianza no solo en el diseño, sino en los datos y sistemas que muestran el desempeño, y deben saber dónde emergen restricciones y cómo se puede acomodar la demanda futura sin sacrificar o limitar opciones futuras.
La tierra, la energía y el agua siguen dominando el desarrollo de centros de datos, pero no muestran cuánta capacidad utilizable tiene realmente una instalación una vez en marcha. Esa información proviene de la visibilidad sobre el rendimiento y las restricciones. Sin ella, los operadores pueden operar con exceso de cautela, dejar capacidad sin usar o tomar decisiones más tarde de lo deseado.
De aquí surge que la inteligencia y la visión se convierten en la nueva moneda del centro de datos: ayudan a comprender dónde existe capacidad, cuáles son los límites y qué se puede ofrecer de forma segura en términos comerciales.
2) Mantener el control de datos, sistemas y decisiones futuras
Los operadores-empresarios están prestando más atención a sus datos operativos y a las futuras elecciones tecnológicas. Esto no se limita a la plataforma que utilizan, sino a quién controla la información necesaria para gestionar el activo, quién puede acceder a ella, cómo está estructurada y si soporta cambios posteriores durante la vida de la instalación.
Los proveedores de plataformas juegan un papel importante, pero es esencial que los operadores conserven la capacidad de acceder, estructurar y usar sus propios datos operativos. Si los datos son difíciles de extraer, están mal estructurados o quedan atrapados en entornos propietarios, pueden limitar decisiones futuras, dificultar la comparación de desempeño, la incorporación de nuevas herramientas o responder a cambios en la carga de trabajo.
Esto se vuelve más crucial a medida que surge la demanda de IA, ya que el sector aún aprende cómo serán los requisitos de infraestructura a largo plazo, con perfiles de densidad, estrategias de enfriamiento, modelos de redundancia y expectativas de los clientes aún cambiantes. Los operadores necesitan arquitecturas que les permitan adaptarse, en lugar de decisiones prematuras que limiten opciones.
Si no pueden acceder y usar sus propios datos operativos, se dificulta entender el rendimiento, comparar enfoques y ajustar el modelo operativo conforme evolucionan las cargas. La propiedad, el acceso y la estructura de los datos deben considerarse mucho antes, y no dejarse para el equipo de operaciones tras la entrega.
3) La inteligencia operativa debe influir en el diseño y la entrega
La inteligencia operativa no puede tratarse como algo separado del diseño y la entrega. Si los operadores-empresarios necesitan mejor visibilidad una vez que una instalación está en operación, deben tomar decisiones que lo hagan posible mucho antes. Esto incluye la estrategia de controles, la forma en que se captura la telemetría, cómo se estructuran los datos y cómo los diferentes sistemas compartirán información en operación. Estas decisiones pueden parecer secundarias durante un programa de construcción, especialmente cuando la rapidez para introducirse en el mercado es prioritaria, pero influyen en lo que el operador puede ver, entender y cambiar después.
Aquí es donde la conexión entre diseño y operación se vuelve más importante. Una instalación puede cumplir con la brief al entregar, pero resultar difícil de gestionar si no se ha pensado adecuadamente el modelo operativo. Los operadores necesitan activos que puedan monitorizar, ajustar y mejorar conforme cambien las demandas de carga, sin reducir la flexibilidad futura ni limitar opciones operativas.
La demanda de espacio y energía sigue siendo fuerte y continuará impulsando el sector. La pregunta ahora es cómo entender, controlar y usar esa capacidad una vez construida. Por eso la inteligencia operativa pasa a ser parte de la conversación sobre capacidad.
Este análisis está respaldado por referencias y ejemplos de plataformas de BI y perspectivas del sector, destacando que la visión integral de datos y desempeño es clave para aprovechar la capacidad disponible.
En resumen, la capacidad no es solo una medida de ingeniería, sino una dimensión operativa que requiere datos accesibles, estructuras claras y decisiones que permitan adaptar los activos a nuevas demandas sin perder flexibilidad. La inteligencia operativa debe ser el puente entre diseño y operación para que los centros de datos respondan con agilidad a las necesidades del mercado y de los clientes.
Los mainframes siguen sustentando una gran parte de la economía global, gestionando aproximadamente el 70% de las transacciones centrales del mundo. La idea de que la traducción de código impulsada por IA permitirá a las empresas modernizar la plataforma o incluso alejarse de estos sistemas parecía una innovación, pero es fundamentalmente defectuosa. Traducir código no es lo mismo que modernizar una plataforma crítica para el negocio y confundir ambos procesos corre el riesgo de subestimar su complejidad y desestabilizar los sistemas de los que las empresas dependen. En lugar de hacer obsoleta la mainframe, la IA, la resiliencia cibernética y la nube híbrida están cambiando fundamentalmente su papel en la empresa.
La columna digital que impulsa discretamente industrias críticas
Estos sistemas están en el corazón de las industrias más sensibles del mundo —desde la banca y los seguros hasta el gobierno y el transporte— donde el rendimiento, la seguridad y la resiliencia son no negociables. Muy lejos de ser reliquias de una era pasada, funcionan como una infraestructura de TI fundamental: profundamente integrados, en operación continua y modelados por décadas de lógica de negocio acumulada que no se puede reescribir sin riesgos de interrupción. Por ello, según el IBM Institute for Business Value, el 75% de las organizaciones espera que las aplicaciones de mainframe sigan siendo centrales para su transformación digital, mientras que el 60% las ve como esenciales para habilitar la IA. Por lo tanto, se trata de evolucionar lo que ya funciona a escala global. Lo que a menudo pasa desapercibido es cuánto ha cambiado ya la plataforma. El mainframe actual ya no es un entorno aislado, sino una parte integrada de la arquitectura empresarial moderna, que se conecta sin problemas con las plataformas en la nube, la IA y que respalda a los desarrolladores que trabajan entre sistemas con herramientas y prácticas consistentes. En definitiva, impulsar la innovación en el mundo de las transacciones.
Dónde está ocurriendo la verdadera transformación
La modernización no es una cuestión de lenguajes de programación, sino de resiliencia, eficiencia y preparación para el futuro. Como tal, ha dejado de ser un tema exclusivo de la alta dirección de TI y ha pasado a formar parte de la conversación de la alta dirección. En el centro de este cambio está un replanteamiento fundamental de cómo las organizaciones trabajan con su activo más valioso: los datos. En lugar de extraer datos del mainframe, muchas empresas están acercando las aplicaciones y la innovación a donde ya reside esa información. Este modelo de “proximidad de datos” permite a los equipos trabajar directamente con información precisa y en tiempo real, sin duplicar conjuntos de datos ni introducir riesgos, costos y complejidad adicionales. Al mismo tiempo, los enfoques de integración modernos aseguran que los datos sensibles permanezcan estrechamente gobernados y controlados: accesibles cuando se necesiten, pero nunca expuestos de forma indiscriminada entre entornos. En una era de mayor escrutinio regulatorio, este equilibrio entre accesibilidad y control se convierte en una ventaja decisiva.
IA no reemplaza los sistemas centrales: los extiende y los acoge
La IA se está convirtiendo en un acelerador poderoso de esta transformación, ayudando a las organizaciones a obtener más valor de sus sistemas centrales. Permite decisiones más rápidas, ideas en tiempo real y nuevos servicios digitales construidos sobre datos empresariales confiables. Un ejemplo proviene del sector bancario, donde las iniciativas de modernización de un líder del sector están permettantando capacidades de detección avanzada de fraudes al analizar el 100% de las transacciones en tiempo real. La IA está integrada en la plataforma central, mejorando el rendimiento y la toma de decisiones donde reside la información, al tiempo que ofrece una base robusta para escalar cargas de trabajo, productividad e innovación. También está redefiniendo la experiencia de los desarrolladores: tareas que antes requerían conocimientos profundos y especializados —como trabajar con aplicaciones basadas en COBOL— se están volviendo más accesibles, permitiendo a una nueva generación de desarrolladores trabajar con sistemas mainframe tan naturalmente como con otras plataformas empresariales. Además, las organizaciones están combinando las fortalezas del mainframe con una gama diversa de modelos de IA, incluyendo modelos más pequeños y eficientes entrenados con datos propios de la empresa. La capacidad de elegir el modelo adecuado para cada caso de uso ofrece una experiencia más segura, escalable y eficaz.
La seguridad sube a la sala de juntas
Con el aumento de las amenazas cibernéticas, los riesgos operativos y las presiones regulatorias, la resiliencia ya no es solo un tema de TI, sino una prioridad en el nivel directivo. En este contexto, los mainframes siguen siendo centrales para las estrategias de seguridad empresarial. Son la columna de cifrado, el procesamiento de transacciones seguro, la resiliencia ante ransomware y el cumplimiento regulatorio, proporcionando una base confiable para operaciones críticas. Cada vez más, también se utilizan para prepararse ante amenazas emergentes: por ejemplo, incorporando certificados digitales para gestionar mejor el acceso en un mundo cada vez más autónomo, anticipando posibles fraudes en pagos instantáneos y preparándose para un panorama de seguridad poscuántica, donde datos sensibles interceptados hoy podrían ser descifrados en el futuro a medida que avanza la capacidad de cómputo.
La nube híbrida redefine el papel del mainframe
El mainframe ya no opera aislado, sino como parte de una arquitectura de nube híbrida. A través de APIs y una integración moderna, las organizaciones permiten que los mainframes participen plenamente en ecosistemas digitales empresariales, combinando la flexibilidad de los entornos en la nube con la confiabilidad, el rendimiento y la gobernanza requeridos para cargas de trabajo críticas. Esto no se trata de migrar por migrar, sino de interoperabilidad y equilibrio arquitectónico. Por ejemplo, uno de los mayores proveedores de tecnología financiera de Europa utiliza capacidades de nube híbrida dentro de sus propios centros de datos para apoyar a cientos de instituciones financieras, fortaleciendo la resiliencia, la soberanía digital y la escalabilidad a escala nacional. Esto refleja cómo los sistemas críticos se están diseñando para que la conectividad y el control ya no sean objetivos contradictorios.
Modernización con intención
El mainframe continúa evolucionando junto con los nuevos entornos y demandas operativas, ampliando su papel más allá del back office tradicional y permitiendo una consolidación de cargas de trabajo más amplia. En el sector de transporte, por ejemplo, la modernización de infraestructuras ha mejorado el rendimiento operativo de un hub logístico al tiempo que redujo las emisiones de CO2 en cientos de toneladas métricas, demostrando cómo los sistemas establecidos pueden apoyar tanto la eficiencia como los objetivos de sostenibilidad. Tomados en conjunto, estos desarrollos desafían la idea de que la modernización implica reemplazo. En la práctica, se trata de mantener la relevancia de los sistemas críticos a medida que cambian las necesidades empresariales. La modernización no es un programa único, sino una disciplina continua moldeada por las prioridades operativas y respaldada por la evolución tecnológica. Las organizaciones que mejor lo hacen no se enfocan en planes de salida, sino en la evolución: preservar la resiliencia en el núcleo mientras se habilita la innovación a su alrededor. Porque cuando el núcleo digital es confiable y estable, todo lo que se construye encima puede moverse más rápido.
Referencias y notas
Este análisis se enmarca dentro de la conversación de perspectiva tecnológica para destacar enfoques prácticos y equilibrados sobre la modernización de sistemas centrales, la integración con IA y la adopción de una arquitectura híbrida que sustenta tanto el rendimiento como la seguridad en un entorno empresarial dinámico.
Loath as I am to say it, the future of gaming platforms isn’t looking so rosy right now. Windows is increasingly becoming more recalcitrant, constantemente poniendo obstáculos a los jugadores de PC con actualizaciones que perjudican el rendimiento y con implementaciones de IA no solicitadas. En el mundo de las consolas, Sony ha generado descontento al dejar de promover las copias físicas a partir de 2028, mientras la reciente oleada de despidos en Xbox contrasta con su discurso de volver a encarrilarse. En medio de todo, Valve parece ir en dirección contraria. Con Steam como ventaja competitiva—la tienda y lanzador por defecto para muchos jugadores de PC—ya ha generado ingresos sustanciales y dispone de capital para invertir en expansión.
Entonces, ¿es este el momento perfecto para que Valve se abra camino, aproveche las flaquezas de sus competidores y haga de SteamOS la próxima gran plataforma?
SteamOS vs Windows
(Image credit: Shutterstock / Future)
SteamOS 3 ha mostrado ya un grado de éxito gracias al Steam Deck, un dispositivo que lanzó en 2022 y que impulsó una pequeña revolución en el juego portátil. Basada en Arch Linux, SteamOS 3 ha demostrado ser viable a través de Proton, la capa de compatibilidad que permite que muchos juegos de Windows funcionen en Linux. AAA como 007 First Light y Cyberpunk 2077 se ejecutan de forma jugable, junto a una amplia biblioteca de títulos compatibles.
Pero Valve no se limita al Steam Deck y a Steam Machine. Recientemente ha ampliado su soporte a dispositivos ARM, AMD e Intel, lo que facilita que SteamOS funcione en equipos como Lenovo Legion Go, Asus ROG Ally y otros. Expertos de la industria señalan que esta estrategia de ser “neutro respecto al dispositivo” podría ser clave para su crecimiento.
“Con la versión 3.8 de SteamOS, Valve llevó el sistema más allá del Steam Deck hacia líneas como ROG Ally y Legion Go, y el soporte inicial de Intel empieza a incorporar dispositivos como MSI Claw”, afirma un ejecutivo de MoR Xsolla. “En el hardware mismo, los análisis muestran que en uso portátil la experiencia es superior a Windows 11 en aspectos como duración de batería, suspensión y reanudado, con una interfaz pensada para mandos.”
Para otros analistas, como Greg Weller, la oportunidad mayor reside en que SteamOS se vuelva “dispositivo-agnóstico”: permitir que los usuarios lleven su ecosistema de Steam a múltiples dispositivos sin depender de un único hardware. Esto podría convertir a SteamOS en un puente entre biblioteca, identidad y dispositivos, en lugar de ser solo un sistema operativo para juegos.
Sin embargo, no todos comparten este optimismo. Otros señalan que el éxito depende en gran medida de evitar la dependencia de hardware propio y de superar la brecha de compatibilidad con herramientas de anti-cheat y periféricos. Un responsable de la industria comenta que, si bien Proton funciona para una gran parte de la biblioteca, la compatibilidad total para juegos competitivos con anti-cheat kernel-level sigue siendo un reto. Además, la amplia compatibilidad de Windows con periféricos y herramientas de captura, VR y GPU externas sigue siendo una ventaja importante para el usuario que quiere un PC generalista.
Puntos críticos
(Image credit: Shutterstock / aslysun)
Para que SteamOS gane mayor tracción en el mercado, debe superar estas barreras: compatibilidad con anti-cheat a nivel kernel y una base de hardware suficientemente amplia para cubrir desde periféricos hasta soluciones de VR y tarjetas externas. Además, si quiere competir en escritorio, debe ofrecer una experiencia de navegación y productividad suficientemente suave para justificar su uso no solo como consola de juegos.
SteamOS vs consolas
(Image credit: Microsoft / Sony / Future)
En el salón, SteamOS puede verse como una alternativa viable a las consolas, gracias a que Steam Deck y la Librería Steam ya están madurando. No obstante, el gran problema suele ser el precio y la necesidad de justificar que Valve pueda mantener la experiencia de consola sin sacrificar la potencia o el library management en el hogar. Además, la lucha por exclusivos y la curación de contenidos siguen favoreciendo a las consolas tradicionales. En este sentido, ¿podría SteamOS convertirse en una plataforma de consola viable en el corto/mediano plazo? La opinión general es que, aunque es posible, no será un reemplazo directo sino una coexistencia y expansión gradual dentro de un ecosistema más amplio.
La visión de expertos como Greg Weller es que el verdadero salto no es “reemplazar Windows”, sino ampliar la conectividad de la biblioteca de Steam entre dispositivos y contextos. En ese marco, SteamOS podría convertirse en un facilitador que reduzca fricción entre jugadores y su ecosistema, en lugar de intentar ganar la batalla de forma frontal contra las consolas o Windows mediante exclusivas o fuerza bruta tecnológica.
El futuro de SteamOS
(Image credit: Valve)
En resumen, SteamOS ya lidera en el terreno del juego portátil, pero su ambición de reemplazar Windows o convertirse en la columna vertebral de la experiencia de salón es menos clara. Para sus defensores, la clave está en una adopción gradual, un ecosistema más abierto y una mayor interoperabilidad entre dispositivos. Para sus críticos, la dependencia de una cuota de hardware y la ausencia de compatibilidad total con anti-cheat y periféricos podrían limitar su capacidad para convertirse en la opción por defecto en el hogar.
La visión final de los expertos es: SteamOS puede convertirse en la opción preferida para dispositivos dedicados al juego y, en paralelo, Windows mantendrá su dominio en escenarios que exijan productividad y uso general. La verdadera ganancia para la industria sería una competencia real entre plataformas que beneficie a desarrolladores y jugadores, en lugar de una única plataforma que controle el camino hacia los jugadores.
¿Qué opinas tú? ¿SteamOS será la próxima gran plataforma o solo un paso adicional hacia un ecosistema más amplio de juego conectado? Deja tu comentario o participa en la encuesta que acompaña este artículo.
