En los últimos días, OpenAI y Google han presentado modelos de IA de gran impacto. OpenAI lanzó GPT-5.6 y Google respondió con Gemini 3.6 Flash. Aunque ambos se promocionan por sus capacidades de codificación y desarrollo, también alimentan las versiones para consumidores de ChatGPT y Gemini.

En lugar de medirlos solo con benchmarks de programación, decidí explorar cuál es realmente mejor para resolver los problemas desordenados y cotidianos que la gente enfrenta al usar IA.

Para esta comparación, enfrenté Gemini 3.6 Flash con GPT-5.6 Sol utilizando su configuración de razonamiento media por defecto, ya que ambas están pensadas para ser modelos estándar de alta calidad que los suscriptores pagan para la mayoría de tareas.

Mi vida digital

Les di acceso a mi semana completa de información digital.

Subí:

• Extractos bancarios
• Mi calendario (accedieron a mi app y también envié una captura de pantalla de mi calendario de otra cuenta)
• Recibos de compras
• Emails (ambos tenían acceso a mi Gmail)
• Capturas de WhatsApp
• Fotos de mis estantes de cocina
• Una factura de servicios
• Reservas de viaje
• Notas escritas a mano

Luego di a ambos modelos la misma instrucción:

“Dime todo lo que debería hacer esta semana”.

Puede parecer simple, pero obliga a la IA a combinar información de varias fuentes, priorizar lo importante, detectar fechas límite, reconciliar datos que se contradicen y producir un plan de acción práctico. En otras palabras, es exactamente el tipo de problemas del mundo real que cada vez más esperas que un asistente de IA sepa resolver.

Los resultados fueron como la noche y el día.

Dos enfoques distintos

Al subir los archivos a Gemini 3.6 Flash y pedirle qué hacer esa semana, mayormente ignoró las fotos y se enfocó en la captura de mi calendario. Su respuesta inicial repetía principalmente los eventos que ya sabía que ocurrían. Gracias, Gemini — tenía el calendario abierto frente a mí.

Luego le pedí explícitamente si podía inferir algo útil de las demás imágenes. Eventualmente ofreció asesoría adicional y organizó la información en categorías: trabajo, compras, fitness, notas y recibos. Pero no señaló dos eventos que entraban en conflicto esa noche y ofreció poco énfasis en priorización o en guiar para el siguiente paso.

ChatGPT tardó más en responder, pero su respuesta fue mucho más útil. A partir de las capturas de WhatsApp, dedujo con acierto que la clase de Tai Chi del viernes tenía baja asistencia y sugirió decidir si valía la pena asistir. Notó que la sesión de yoga había sido cancelada y detectó dos eventos en conflicto en mi calendario, diciéndome que debía elegir entre ellos.

También sumó los recibos, sugirió qué hacer con ellos y realizó un intento razonable de descifrar mis notas escritas a mano. Más importante aún, organizó todo en un plan día a día para la semana siguiente, e identificó las tres tareas más urgentes para empezar.

La diferencia crucial

Esa fue la diferencia clave. Gemini describió lo que había en mis archivos. ChatGPT decidió qué debía hacer con la información. En términos futbolísticos, ChatGPT anotó un hat-trick mientras Gemini falló un penal.

Google afirma que Gemini 3.6 Flash mejora la codificación, el trabajo de conocimiento y el rendimiento multimodal frente a sus modelos anteriores. Eso puede ser cierto, pero en esta prueba multimodal concreta fue claramente superado.

Cuando pedí a ambas IA que hicieran sentido de la vida real en lugar de un benchmark, ChatGPT razonó sobre la información de una forma mucho mejor que Gemini.

from Latest from TechRadar https://ift.tt/217mdkt
via IFTTT IA

La pregunta de si la innovación surge únicamente bajo presión es compleja y sugiere respuestas diferentes según el contexto histórico. La histo­ria muestra que momentos de crisis —guerras, shocks y emergencias— han acelerado descubrimientos que luego transformaron industrias enteras. En la Segunda Guerra Mundial, la medicina, la aviación, la informática y la manufactura recibieron impulsos que moldearon el mundo moderno; la pandemia de Covid-19 demostró que la colaboración entre instituciones, capital y reguladores puede acelerar el desarrollo y la aprobación de vacunas a una velocidad antes impensable.

El papel de la presión no es, sin embargo, exclusivo. La pregunta relevante para sociedades que no se sienten en peligro inminente es: ¿qué crea urgencia cuando no hay una amenaza existencial? En Reino Unido, la normalidad cotidiana puede dificultar la generación de esa urgencia, pero la historia demuestra que es posible innovar con una velocidad extraordinaria cuando la necesidad se alinea con objetivos económicos, científicos y institucional.

El análisis de la experiencia británica muestra un patrón claro: la innovación de gran impacto no depende solo de la invención, sino de la capacidad de convertir esos avances en instituciones, marcos de estándares, mercados, servicios profesionales, estructuras de capital y redes globales. Durante la Segunda Guerra Mundial, tecnologías como el radar y el penicilino se convirtieron en motores de transformación social y económica. En el presente, la pandemia evidenció que instituciones y ecosistemas bien sincronizados pueden convertir conocimiento en soluciones de alto impacto en tiempos cortos.

Hoy, la guerra en Ucrania aporta una visión contemporánea de cómo las tecnologías pueden evolucionar con rapidez cuando la adaptación se considera una cuestión de supervivencia. La velocidad de desarrollo en software, sistemas autónomos, drones, guerra electrónica y gestión de datos de campo ha redefinido no solo lo militar, sino también la forma en que se piensa la adquisición, la producción industrial y la preparación operativa. Este cambio ya está siendo reconocido en el Reino Unido a través de referencias a la “pista de tiempo de guerra” y al llamamiento a procesos más ágiles y financiados de manera continua.

No basta con discurso: la verdadera prueba es si se pueden crear sistemas que hagan real la velocidad, de forma sostenible y repetible. En defensa y en la economía, la pregunta es cómo transformar la presión en una capacidad estructural de innovación que sea útil tanto en entornos militares como civiles.

Una lección clave es que la urgencia no debe limitarse a una defensa directa; puede convertirse en una oportunidad para generar nuevas industrias, estándares y liderazgo tecnológico. Reino Unido posee una base sólida para liderar este movimiento: universidades de alto nivel, talento ingenieril, mercados financieros desarrollados, un marco legal sólido, capacidades de fabricación, experiencia en seguros y una red global. Además, la relación con Ucrania, fortalecida por acuerdos y una trayectoria de cooperación, ofrece una vía para convertir la experiencia operativa en valor compartido.

La propuesta central es crear un corredor tecnológico dual uso entre Reino Unido y Ucrania enfocado en problemas reales y usuarios reales. Identificar tecnologías y lecciones operativas ucranianas con relevancia probada, emparejarlas con ingenieros, universidades, inversores y usuarios de defensa y regulación británicos, y probarlas en entornos reales. Las áreas prioritarias deben responder a necesidades británicas genuinas y a experiencia ucraniana en sectores como: protección de aeropuertos frente a interrupciones por drones, inspección de activos energéticos offshore, mejora de comunicaciones de emergencia, fortalecimiento de cadenas de suministro, aplicación de IA a datos visuales complejos, detección de interferencias en infraestructuras críticas, monitoreo de tierras agrícolas e infraestructuras con sistemas autónomos.

El punto ético es crucial: Ucrania no debe convertirse en una fuente de ideas para ser comercializadas sin participación en el valor generado. Si se quiere ganar la confianza de fundadores, ingenieros, militares y responsables políticos ucranianos, es necesario tratar a Ucrania como socio de co–creación, permitiendo que empresas ucranianas escalen internacionalmente desde el Reino Unido con una participación justa en propiedad intelectual, futuro comercial y recuperación nacional.

Existen motivos estratégicos claros para avanzar. Países como Estados Unidos, Alemania y Japón están fortaleciendo relaciones con Ucrania para afrontar una reconfiguración de la seguridad global. El Reino Unido ha sido un aliado firme y puede moderar el impulso tecnológico con una alianza más ambiciosa que conecte defensa, resiliencia industrial y progreso dual uso. La adquisición y el ensayo de tecnologías deben contemplar que las start-ups no esperan años para decisiones críticas; se requieren procesos que permitan a los usuarios civiles y militares probar tecnologías en condiciones reales sin quedar atrapados en trámites excesivos.

Si se logra, este enfoque no solo fortalecerá la defensa y la seguridad europea, sino que sentará las bases para una nueva ola de innovación británico-ucraniana con beneficios económicos y tecnológicos duraderos. El resultado esperado es un ecosistema en el que normas, estándares, mercados y capitales se alineen para convertir las lecciones de Ucrania en herramientas de progreso global.

En suma, la próxima fase de la cooperación tecnológica entre Reino Unido y Ucrania debe basarse en la co-creación, la rapidez operativa y la construcción de infraestructuras institucionales que hagan de la innovación una fuerza sostenible, capaz de transformar tanto la defensa como la vida civil. Esto requiere voluntad política, claridad estratégica y un marco de financiación y prueba que permita a las empresas emergentes avanzar desde la prueba de concepto hasta la implementación real, con un enfoque claro en resultados y responsabilidad.

Este artículo forma parte de TechRadar Pro Perspectives, una plataforma para presentar a mentes destacadas de la industria tecnológica. Las opiniones expresadas son del autor y no representan necesariamente a TechRadar Pro o a Future plc. Si desea contribuir, puede obtener más información en el enlace proporcionado.

from Latest from TechRadar https://ift.tt/QikwBZT
via IFTTT IA

La inteligencia artificial (IA) está redefiniendo la forma en que trabajamos y vivimos, impactando indiscriminadamente a múltiples industrias. Sin embargo, ese impulso acelerado de la tecnología topa con limitaciones tangibles relacionadas con la energía y la infraestructura de suministro. A medida que las operaciones de IA se expanden a escala y se integran en infraestructuras físicas cada vez más complejas, emergen conversaciones críticas sobre el costo, la generación y la disponibilidad de electricidad. Las proyecciones de la Agencia Internacional de Energía señalan un crecimiento de la demanda eléctrica global del 3,3% para 2025 y del 3,7% para 2026, impulsado, entre otros factores, por centros de datos, despliegues de IA y avance industrial. Se advierte incluso que la demanda de electricidad de los centros de datos podría duplicarse para 2030, con instalaciones enfocadas en IA que podrían triplicar su consumo en el mismo periodo. Este fenómeno ya se refleja en impactos financieros y políticas: en mercados con redes eléctricas poco expandidas, la competencia por recursos escasos eleva precios; según S&P Global, algunas regiones con centros de datos de IA han visto subir los precios mayoristas de la electricidad en más de un 250% en los últimos cinco años. Este tira y afloja entre avance tecnológico y disponibilidad de energía está empezando a replantear la forma en que el sector tecnológico encara el futuro de la innovación. Durante años, la premisa dominante fue que el progreso en IA vendría principalmente de ampliar el tamaño de los modelos y de infraestructuras de cómputo centralizadas. Sin embargo, la siguiente ola de creación de valor podría proceder también de la IA integrada en el mundo físico: máquinas, dispositivos, edificios, activos industriales, wearables médicos y la infraestructura que sensa, actúa y se adapta de forma continua. En ese contexto, la cuestión no solo es cómo entrenar modelos más grandes, sino cómo procesar flujos masivos de datos del mundo real con la menor latencia y el menor consumo energético posible. Por ello, las arquitecturas alternativas, incluyendo IA de bajo consumo y descentralizada, están ganando importancia estratégica. ¿Qué son los sistemas de IA de bajo consumo? Son sistemas diseñados para minimizar los recursos necesarios para la inferencia y el aprendizaje en línea, con especial énfasis en la eficiencia energética, sin comprometer el rendimiento. En lugar de depender exclusivamente de una infraestructura en la nube masiva y de centros de datos centralizados que consumen mucha energía, estos sistemas priorizan la eficiencia en cada nivel de la pila tecnológica, desde la arquitectura de los semiconductores hasta el procesamiento y la implementación de los datos. La IA de bajo consumo no es un único avance a nivel de modelo; es una disciplina de diseño de sistemas que abarca sensado, acondicionamiento de señales, procesamiento embebido, arquitectura de semiconductores, optimización de algoritmos y despliegue. El verdadero desafío es la co-diseño de hardware y software para un caso de uso específico, de modo que la inteligencia se entregue donde realmente importa con el presupuesto energético más bajo posible. En este sentido, instituciones de transferencia de investigación como CSEM pueden aportar significativamente: combinando experiencia en sensores, edge computing, diseño IC ultreficiente e integración de sistemas orientada a aplicaciones para traducir la IA en soluciones del mundo real robustas, en lugar de meros demostradores. Mientras que gran parte del desarrollo de IA se ha centrado en sistemas entrenados y operados sobre arquitecturas generalistas que abordan múltiples tareas, estos sistemas de alto rendimiento consumen grandes cantidades de energía. En contraste, los sistemas de IA de bajo consumo se enfocan en ecosistemas más especializados y con alcance limitado a un conjunto bien definido de tareas, lo que les permite funcionar con infraestructuras y recursos energéticos reducidos. Esto incluye IA en el borde (edge AI), donde los datos se procesan dentro de dispositivos y sistemas locales en lugar de enviarlos de forma continua a la nube. Tal cambio es especialmente relevante en la era de la IA física: cuando la inteligencia se incrusta en el mundo real, el volumen de datos potencialmente relevantes generados por sensores, máquinas, vehículos y edificios es enorme. Enviar todo a la nube no solo es ineficiente, sino a menudo demasiado lento y costoso. Muchas decisiones deben tomarse localmente, en tiempo real, bajo restricciones de energía, ancho de banda, privacidad y fiabilidad. Por ello, la IA de bajo consumo resulta esencial no solo para reducir el consumo energético, sino para preprocesar datos cerca de su origen, extraer la fracción mínima de información significativa y permitir que el sistema global se supervise y optimice en términos de rendimiento, recursos y salud. Quizá lo más importante es que estos sistemas amplían el alcance de la IA hacia where AI tools pueden operar de manera realista: dispositivos médicos vestibles, sensores industriales, sistemas de monitoreo remoto, infraestructura de transporte y entornos de fabricación inteligente requieren sistemas de IA capaces de funcionar bajo estrictas limitaciones energéticas. Estos contextos muestran que la sostenibilidad no es solo una medida de costo, sino un requisito funcional. A nivel sub-milivatios, algunos sistemas pueden incluso moverse más allá de la dependencia de la batería, volviéndose energéticamente autónomos mediante la cosecha de energía ambiental (luz, calor o vibración) para lograr un ciclo de vida de tipo usar y desechar sin mantenimiento. ¿Por qué la eficiencia es ahora imperativa? La capacidad de generación de energía, la infraestructura de transmisión, los recursos de refrigeración y las cadenas de suministro de semiconductores están bajo presión simultánea. La idea de que la competitividad futura depende solo de construir sistemas más grandes y más intensivos en energía puede ya no sostenerse, y su expansión podría implicar costos exponenciales. Las organizaciones capaces de entregar sistemas de IA distribuidos, eficientes y altamente focalizados podrían obtener ventajas estratégicas importantes y abrir un camino hacia una mayor resiliencia tecnológica, dado que su diseño ya incorpora robustez frente a variaciones en precios de la electricidad, interrupciones del suministro y volatilidad geopolítica. Además, una opción más sostenible puede generar valor al reducir el impacto ambiental, sin sacrificar funcionalidad. La conversación sobre IA responsable debe ir más allá de la gobernanza de software y marcos éticos; debe considerar cómo se alimentan los sistemas y dónde procesan la información. Una oportunidad estratégica para naciones más pequeñas La emergencia de la IA de bajo consumo también redefine quién puede participar de manera significativa en la carrera global de IA. Estados Unidos y China han sido polos globales en cuanto al desarrollo de IA y, posteriormente, en lo que respecta a grandes inversiones. Ambos son ejemplos de naciones grandes con recursos para invertir en centros de datos, producción de chips y otras infraestructuras. A primera vista, este paradigma puede hacer que otros países queden fuera de los beneficios financieros e innovadores de la IA. Pero con la IA de bajo consumo y distribuida, las naciones más pequeñas no necesitan competir solamente en escala. Pueden competir a través de especialización, ingeniería de precisión y la capacidad de traducir la investigación en sistemas desplegables para aplicaciones exigentes. Suiza, mi país, ofrece un marco útil de práctica. Aunque no podemos superar en gasto a las grandes economías, poseemos fortalezas en microelectrónica, inteligencia embebida, tecnologías de sensado y aplicaciones industriales y médicas de alto valor. Reconociendo estas bases, las entidades de transferencia tecnológica pueden jugar un papel clave al conectar estas fortalezas nacionales con la implementación industrial, ayudando a transformar la IA de un paradigma centrado en la nube en inteligencia eficiente incrustada en el mundo físico. Incluso para naciones relativamente pequeñas, existe la oportunidad de liderar el desarrollo de IA abrazando el diseño de sistemas de bajo consumo. Los fabricantes de chips con recursos limitados deberán centrarse cada vez más en tecnologías especializadas y eficientes para aplicaciones específicas y competir así en el escenario global. A medida que las restricciones energéticas se vuelven más severas, la demanda de sistemas de IA capaces de operar eficientemente en condiciones reales tiende a crecer respecto a entornos centralizados masivos. En muchos sentidos, la IA de bajo consumo podría democratizar partes del auge de la IA al premiar la eficiencia, la precisión y la especialización frente a simples capacidades para escalar rápido. Casi cualquier país posee algún nivel de experiencia técnica especializada que puede conectarse a un caso de uso de IA. Un vistazo al futuro revela un giro desde interfaces de chat y plataformas en la nube hacia sistemas físicos que dan forma a la vida diaria y a la productividad industrial. En ese marco, la inteligencia local eficiente ya no es una optimización secundaria, sino un requisito arquitectónico central. La IA física dependerá de la capacidad de sensar el mundo de forma continua, interpretarlo selectivamente y actuar sobre información relevante sin mover cada flujo de datos crudo a infraestructuras centralizadas. La democratización de la IA exige soluciones y oportunidades más amplias para que todos participen. Mirando hacia adelante Aunque los primeros años de la revolución de la IA se han caracterizado por modelos grandes y multiuso y por un crecimiento de escala, el siguiente capítulo probablemente lo escribirán desarrolladores y ecosistemas que aprovechen la ingeniería de precisión para centrarse en sistemas distribuidos de bajo consumo que, por su propia naturaleza, son más resilientes y sostenibles. La disponibilidad de energía ya no es una consideración secundaria en el desarrollo de IA, sino una variable definitoria para el futuro de la industria y, por ende, de la economía global. La próxima generación de sistemas de IA debe diseñarse con estas restricciones en mente, lo que exige avances en diseño de semiconductores, edge computing, arquitecturas especializadas y gestión inteligente de la energía. Países y empresas que adopten estos sistemas más eficientes y focalizados podrían estar mejor posicionados para la competitividad a largo plazo que aquellos que simplemente busquen crecer al mayor ritmo posible. La Joint Chips Undertaking de la Unión Europea ya está uniendo a sus Estados miembros, así como a socios como Suiza, para desarrollar rutas hacia tecnologías como los chips de bajo consumo. En ese sentido, el futuro de la IA podría no pertenecer exclusivamente a los actores más grandes, sino a los más inteligentes y eficientes. Para la economía global, esa podría ser una de las transiciones más importantes de la era de la IA, que recientemente ha estado en el centro de la controversia sobre los hyperscale data centers. En síntesis, la IA de bajo consumo propone una visión donde la eficiencia, la precisión y la especialización permiten una participación más amplia y sostenible en la innovación tecnológica, con impactos reales para las cadenas de valor y la seguridad energética. Este enfoque no solo es deseable desde la perspectiva ambiental y de costo, sino que se alinea con una estrategia de desarrollo resiliente y equitativa para naciones de todos los tamaños. El futuro de la IA podría depender menos de la escala y más de la inteligencia ubicada, aportando una nueva definición de liderazgo tecnológico y económico.

from Latest from TechRadar https://ift.tt/qJoN3vb
via IFTTT IA

En la era de las soluciones empresariales, cada pocos años surge una promesa tecnológica que dice que no se puede ignorar. Muchas veces estas afirmaciones quedan por debajo de las expectativas, y las organizaciones invierten tiempo y recursos en innovaciones que no llegan a cumplir lo prometido. La IA con carácter agente es una excepción y, por eso, merece un análisis más detenido.

No nos referimos a simples chatbots que redactan correos o resumen informes. Esto es algo distinto: software que actúa. La IA agente puede leer la propia jerarquía de aprobaciones y permisos de una empresa, tomar decisiones dentro de procesos de finanzas o cadena de suministro y ejecutarlas.

La ola anterior de IA empresarial ofrecía recomendaciones. Esta, en cambio, ejecuta. Para las organizaciones que acierten, se trata de una ventaja de otro nivel.

Los grandes proveedores lo saben, y por ello han dedicado el último año a hacer suya la IA agente. En su conferencia Sapphire, SAP presentó lo que denomina la empresa autónoma: más de 200 agentes especializados que realizan tareas en las funciones centrales del negocio, orquestados por unos 50 asistentes específicos de dominio y accesibles a través de una interfaz única, Joule. Oracle ha seguido una ruta similar, integrando capacidades de agente en Fusion, su suite en la nube para finanzas, recursos humanos y cadena de suministro.

Unlocking the potencial

Muchos hablan de lo que eso podría desbloquear, y para muchas organizaciones el entusiasmo está bien fundado: un agente que puede realizar trabajo, no solo recomendarlo, cambia el propósito del software. Pero para la mayoría, ya ejecutando este software, la verdadera dificultad no era la capacidad, sino el acceso.

Tal como se ha construido, la IA agente es nativa del sistema de registros y está integrada en la plataforma central que opera el negocio. Eso es un logro real: un agente que respeta permisos y ejecuta transacciones en vivo vale mucho más que uno que se integra desde fuera. Pero “nativo” tiene otro significado: al estar atado a la nube del proveedor, no hay forma de acceder a él sin comprometerse con esa misma plataforma, independientemente de qué sistemas se estén ejecutando hoy.

SAP ilustra cómo funciona esa puerta. Hasta la conferencia de este año, Joule solo estaba disponible para clientes con suscripciones en la nube: RISE y GROW. SAP abrió una puerta, pero estrecha. Los clientes on-prem con ECC y S/4HANA no quedan fuera, con la condición de mover la mayor parte de su parque SAP a Cloud ERP. Aun así, obtienen solo un conjunto limitado de capacidades de IA; el camino on-prem, en otras palabras, se vende con la condición de empezar a pagar por la nube. Y para el núcleo ECC más antiguo, el reloj corre: el soporte general termina en diciembre de 2027, con una posible prórroga hasta 2030 a un costo adicional. En resumen, un cliente ECC que opta por la ruta on-prem está pagando por la nube para acceder a capacidades de IA, incluso cuando el soporte de su sistema está disminuyendo.

A more direct route

Oracle llega al mismo resultado de manera más directa: sus agentes no existen fuera de la nube. Las aplicaciones agentic de Fusion que se han desplegado este año funcionan solo dentro de Fusion Cloud, en la infraestructura propia de Oracle y bajo su modelo de seguridad. No hay edición on-prem para licenciarlas. Una organización que aún ejecuta E-Business Suite no puede activar estos agentes en sus sistemas actuales; para utilizarlos, debe migrar a Fusion.

Despejando el envoltorio, la estructura es la misma: la vía de entrada hacia la IA agente es la migración que estos proveedores han intentado vender durante años. Pero lo que cambia es el apalancamiento. El costo, el riesgo y la disrupción han mantenido a muchas organizaciones en instalaciones propias durante años, a pesar de la presión de moverse a la nube. ¿Podría la posibilidad de quedar fuera de la IA agente ser el argumento que, por fin, supere las objeciones?

The budget is already committed

La migración y la IA comparten el mismo presupuesto, y la migración tiene prioridad. En el American SAP Users’ Group, el 61% de los miembros indicó que el presupuesto era el mayor desafío de este año. El director de investigación del grupo fue claro: los proyectos de ERP en la nube generan presión, y se espera que la IA caiga sobre los mismos presupuestos a continuación.

La secuencia es implacable. Paga para acceder a la plataforma, luego paga de nuevo para usar la IA, ya que la suscripción principal cubre solo un conjunto limitado de características embebidas y el resto se factura por consumo. El capital que un CIO querría invertir para crear una ventaja se pronuncia dos veces antes de que una sola IA haya entregado un resultado medible.

Y eso antes de enfrentar la prueba más dura. Las juntas directivas están cansadas de pilotos que nunca llegan a producción y de gastos que no se traducen en resultados. En algunos casos, estos serán fracasos genuinos, pero un programa que empieza con un capital limitado, en un calendario impuesto por otro, no parte de una posición de control.

Who decides the order of operations?

Un CIO debe separar las dos decisiones que el proveedor ha combinado deliberadamente. Modernizar es una pregunta. Cuándo hacerlo, en qué orden y contra qué presupuesto es otra. Nada impide que la segunda sea dictada por una fecha de soporte publicada en la hoja de ruta de alguien más.

El tema crítico es quién tiene la autoridad para decidir cómo cambian y cuándo cambian los sistemas críticos de la organización. Cuando un proveedor fija la cronología, la secuencia y el precio de la innovación, la persona responsable de esa infraestructura ya no es quien la gestiona en su día a día. Recuperar esa autoridad no significa negarse a modernizar, sino negarse a dejar que el proveedor, que tiene más que ganar con el movimiento, decida cuándo y cómo comprarlo.

Este es el caso a favor del soporte de terceros. Un proveedor independiente mantiene el parque ERP existente, asegurándolo y preservando la interoperabilidad, en lugar del contrato de mantenimiento del proveedor, y normalmente a un costo mucho menor. Eso logra dos cosas: elimina la fecha de cierre como función de presión, porque el sistema permanecerá soportado independientemente de si la organización avanza o no. Y libera el presupuesto de mantenimiento que, de otro modo, financiaría el marketing roadmapping del proveedor, para que el dinero pueda destinarse a inversiones en IA que la organización realmente quiere realizar. El núcleo estable deja de ser una carga para escapar según el calendario del proveedor y se convierte en capital productivo, que mantiene el negocio mientras la dirección decide, en sus propios términos, dónde la IA agente gana su lugar.

From there, the real options open up. Una organización puede mantener ese núcleo estable y ejecutar IA agente como una capa de orquestación sobre él, accediendo al sistema de registro sin necesidad de replataforma completa. O puede modernizar de forma selectiva, migrando de bases de datos propietarias a alternativas de código abierto para eliminar costos de licencias, cuando exista un caso de negocio para ello, en un calendario definido por el valor empresarial y no por una fecha de soporte. Lo importante es que la secuencia dependa de la organización.

The case for authority

El caso para mantener esa autoridad es más fuerte con agentes que con asistentes. Vincular el comportamiento y la gobernanza de un sistema que actúa sobre su negocio a la hoja de ruta de una única plataforma de un proveedor es una dependencia más pesada que la era anterior, cuando la gobernanza era interna y no dependía de un tercero. Los proveedores tienen razón en una cosa: la IA agente es una decisión de capital, no una compra de software. Pero una decisión de capital implica decidir hacia dónde va el dinero y qué retorno se espera. Cuando el proveedor fija el timing, la secuencia y el precio, no se está asignando capital, se está pagando una factura.

La empresa autónoma puede valer la pena construir. Pero lo que una junta debe rechazar es permitir que su cronograma y su presupuesto sean determinados por la empresa que más se beneficia del movimiento.

Concluyendo

La IA agente tiene el potencial de transformar la forma en que operan las organizaciones, pero esa transformación debe hacerse en términos que preserven la autonomía y la prioridad de la propia organización para decidir el camino. La gobernanza interna, no la dependencia de la plataforma de un proveedor, es lo que permite convertir la innovación en resultados tangibles y medibles para el negocio.

Este análisis forma parte de TechRadar Pro Perspectives, nuestra vía para presentar las ideas más destacadas de la industria tecnológica hoy. Las opiniones reflejan las del autor y no necesariamente las de TechRadar Pro o Future plc. Si te interesa contribuir, consulta la página de envío de historias.

from Latest from TechRadar https://ift.tt/PIMJht3
via IFTTT IA

El mercado global de IA aplicada al IoT ha experimentado un crecimiento acelerado en el último año, alcanzando 4.08 mil millones de dólares en 2025 y con proyecciones de llegar a 6.45 mil millones para 2035. Este avance refleja un cambio más amplio en la industria: ante la creciente adopción de IA, las organizaciones buscan un futuro más inteligente y conectado para maximizar el rendimiento de sus despliegues de IoT.

Construyendo defensas adicionales con seguridad impulsada por IA en IoT

La naturaleza del IoT es compleja, con dispositivos que a menudo operan fuera de los perímetros de seguridad tradicionales de TI y en entornos distribuidos globalmente. En este panorama, los dispositivos conectados se han convertido en la columna vertebral de operaciones diarias, desde energía y salud hasta retail y manufactura. A medida que aumenta la digitalización, también lo hacen las funciones críticas que dependen de dispositivos conectados.

A medida que las implementaciones se aceleran, también lo hace la superficie de ataque potencial del IoT. Por la interconexión de los dispositivos, cada uno puede convertirse en un punto de entrada para ciberdelincuentes. Con el informe del gobierno del Reino Unido sobre un coste anual de ciberataques de 14.7 mil millones de libras, es crucial que toda la implementación de IoT esté protegida.

Aunque direccionamientos IP privados y enfoques de APN privados pueden limitar la exposición, ofrecen visibilidad limitada del comportamiento de los dispositivos una vez que el tráfico fluye, especialmente a medida que las despliegas crecen en complejidad.

La IA, sin embargo, puede detectar lo que antes pasaba desapercibido. La seguridad se ha convertido en un área clave que puede ser elevada mediante detección de anomalías y amenazas impulsada por IA, capaz de identificar comportamientos como IPs sospechosas, ejecución remota de código, puertas traseras en dispositivos o conexiones de puertos anómalas. Esta detección de amenazas permite a las organizaciones identificar rápidamente la primera señal de un ciberataque.

La IA puede incluso ayudar a identificar la naturaleza de los ataques, como ataques de denegación de servicio distribuidos (DDoS) y ataques de hombre en el medio (MiTM), así como el control de dispositivos. Al señalar irregularidades en tiempo real y habilitar acciones correctivas rápidas, la IA fortalece la seguridad del IoT y apoya una gestión de riesgos más eficaz, ayudando a evitar interrupciones operativas, pérdidas financieras y daños a la reputación.

La IA desbloquea el valor de los datos del IoT

Más allá de las preocupaciones de seguridad derivadas del paisaje fragmentado del IoT, las organizaciones pueden enfrentar también desafíos de gestión de datos y de extracción de análisis significativos a través de las redes, dispositivos, entornos en la nube y procesos empresariales.

El IoT recopila y transmite constantemente grandes volúmenes de información; por ejemplo, una sola cámara de seguridad conectada a Internet puede generar unos 300 GB de datos al mes. Cuando estos dispositivos se multiplican y se despliegan a nivel global, el volumen de datos puede resultar abrumador y difícil de aprovechar eficazmente.

Además, el papel del IoT está evolucionando. Históricamente, el IoT ha conectado dispositivos y recogido datos, pero cada vez hay más presión en la industria para soluciones inteligentes que informen la toma de decisiones y impulsen resultados. Las empresas buscan herramientas más efectivas para extraer ideas significativas de la información del IoT; sin ello, corren el riesgo de no aprovechar plenamente el valor de sus datos.

La IA ofrece una solución prometedora a estos desafíos. La infraestructura preparada para IA está ganando prioridad entre las empresas para soportar la recopilación, transmisión, procesamiento e integración de datos en sistemas que faciliten insights impulsados por IA. El análisis inteligente que ofrece la IA facilita identificar patrones y tendencias en flotas de dispositivos, analizarlos de manera más eficiente, reducir la intervención manual y disminuir costos.

A través de analítica avanzada y aprendizaje automático, IAO T puede ayudar a las organizaciones a aprovechar mejor sus datos en toda la flota, transformando datos en un activo cada vez más valioso que impulsa la eficiencia y el valor a largo plazo.

La automatización potencia la eficiencia

Las vastas cantidades de datos del IoT también hacen que la intervención manual sea costosa, ineficaz y consumidora de tiempo. Estos desafíos pueden provocar que problemas de rendimiento escalen sin ser detectados o fallos críticos de dispositivos pasen desapercibidos.

Las capacidades analíticas y de automatización de la IA pueden apoyar la monitorización en tiempo real, la resolución automática de fallos y el mantenimiento predictivo. Al analizar datos sobre el uso de dispositivos, madurez de su ciclo de vida y rendimiento, la IA puede identificar posibles problemas antes de que surjan. Esto facilita un cambio de lo reactivo a lo proactivo, reduce el tiempo de inactividad y disminuye los costos operativos.

Los beneficios de la analítica impulsada por IA son de alcance industrial. En manufactura, por ejemplo, los sistemas de IA pueden usar datos de desempeño de equipos para estimar costos de mantenimiento, minimizando gastos y tiempos de inactividad posteriores. En sectores como la salud, el mantenimiento predictivo también ayuda a garantizar la resiliencia de servicios críticos como la monitorización remota de pacientes, donde es crucial que los dispositivos permanezcan conectados.

La automatización basada en reglas puede respaldar la gestión de flotas y la orquestación de eSIM, con muchas capacidades moviéndose gradualmente hacia una mayor automatización. En la práctica, la adopción es iterativa, empezando con reglas definidas y supervisión, para luego añadir ideas impulsadas por IA como uso en tiempo real, monitorización de rendimiento y detección de anomalías, lo que permite abordar problemas con mayor rapidez.

A medida que la automatización escale, los entornos de IoT podrán responder de forma flexible a condiciones cambiantes con una intervención manual reducida.

Sin embargo, también es importante señalar que a medida que este progreso continúa, la transparencia y la explicabilidad siguen siendo cruciales. Las organizaciones deben entender cómo se toman las decisiones y dónde sigue siendo necesaria la supervisión humana a medida que escalan.

Mirando hacia adelante: conectividad inteligente

La influencia de IAoT solo crecerá en el futuro. De hecho, Transforma Insights pronostica un aumento de las conexiones en más de seis veces durante una década. Gestionar flotas de manera inteligente y segura a escala, con la transparencia en el centro de las operaciones, debe convertirse en una prioridad de la industria.

Aquellos que logren integrar IA con conectividad escalable estarán mejor posicionados para ir más allá de la mera gestión de dispositivos y avanzar hacia operaciones verdaderamente inteligentes. Al hacerlo, abrirán nuevas eficiencias, fortalecerán la resiliencia y crearán un valor diferenciador en el IoT.

Este artículo se ha elaborado en el marco de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes en la industria tecnológica. Las opiniones expresadas pertenecen al autor y no necesariamente a TechRadar Pro o Future plc. Si estás interesado en contribuir, encuentra más información aquí: https://ift.tt/dsUeVwk

from Latest from TechRadar https://ift.tt/a56uQOA
via IFTTT IA

La inteligencia artificial ha pasado de la experimentación a la expectativa a una velocidad notablemente rápida. Lo que comenzó como pilotos aislados ahora se integra en todas las industrias, desde sectores altamente regulados como los servicios financieros hasta los campos más cercanos a la experiencia humana, como la salud y las artes.

En solo cuatro años de uso generalizado en las empresas, estas tecnologías han dejado de ser herramientas operativas para convertirse en una infraestructura empresarial que sustenta la resiliencia y exige la misma planificación y protección que cualquier otro sistema crítico. Este cambio está modificando la forma en que deben tomarse las decisiones de inversión en IA: ya no se trata de si invertir, sino de cómo garantizar que esas inversiones generen valor a largo plazo mientras se mitigan los riesgos operativos, de seguridad y de cumplimiento que crecen con el tiempo.

Además, la IA no es solo una inversión digital. Detrás de cada modelo, aplicación y flujo de trabajo existe un ecosistema tecnológico físico: servidores, almacenamiento, equipos de red, infraestructura intensiva en energía, dispositivos y las cadenas de suministro que las sostienen.

A medida que la adopción de IA se acelera, las empresas corren el riesgo de ampliar este ecosistema sin comprender completamente las consecuencias de su ciclo de vida, desde el aumento del consumo de energía y las rotaciones de infraestructuras hasta activos infrautilizados, residuos electrónicos y pérdida de valor residual.

Translating investment into impact (Traducción de la inversión en impacto)

La inversión en IA continúa aumentando de forma exponencial, aparentemente sin verse afectada por precios de mercado o inestabilidad económica. Hoy, el 71% de los directores ejecutivos sitúan a la IA como una prioridad de inversión, pero muchos aún luchan por traducir el gasto de capital en valor operativo.

Según Gartner, al menos el 50% de los proyectos de IA se abandonan tras la prueba de concepto. Los proyectos que llegan a operar a menudo no brindan retorno de la inversión, y el 56% de los CEOS indican que no han obtenido beneficios de ingresos o ahorro de costos de los proyectos de IA.

Este fenómeno apunta a un problema más profundo: el éxito de la IA depende menos de la experimentación por sí sola y más de la calidad de las decisiones de inversión, gobernanza y desarrollo de capacidades que siguen.

La brecha de impacto de IA (AI impact gap)

A medida que la complejidad aumenta, surge una brecha de impacto de la inversión. Los líderes esperan que la IA y la tecnología que la respalda entreguen valor estratégico, mejoren el rendimiento y reduzcan riesgos, pero al tomar decisiones de inversión suelen priorizar los costos a corto plazo sobre los factores del ciclo de vida que determinan si esos resultados pueden realmente alcanzarse.

Sin una visión de las consecuencias del ciclo de vida de sus inversiones, a medida que la adopción de IA se acelera, las empresas tienden a priorizar factores que son más fáciles de cuantificar y actuar a corto plazo. Nuestra propia investigación muestra que el 64% de las organizaciones han rechazado una solución tecnológica superior debido a su precio inicial.

Esto puede aliviar la tensión financiera inmediata, pero también puede introducir fricción operativa, problemas de escalabilidad y erosionar el desempeño a lo largo del tiempo. Como señaló Dan Diasio, CTO de las Américas de EY: “Hay un límite muy claro para la cantidad de valor que se puede crear enfocándose solo en la productividad y la reducción de costos”.

La IA introduce dinámicas de costo completamente nuevas. Las empresas deben considerar no solo la adquisición e implementación, sino también el gasto continuo vinculado al uso, al consumo de energía, a la gobernanza, al cumplimiento, a la infraestructura y a la evolución de los modelos. Estos impactos del ciclo de vida a menudo son invisibles en los casos de negocio tradicionales, pero cada vez más determinan si las inversiones en IA generan valor duradero.

La gobernanza eficaz de IA comienza con la responsabilidad y la visibilidad (Good AI governance starts with accountability and visibility)

De manera similar, la IA no respeta límites organizacionales. Sus costos, riesgos y valor se distribuyen por toda la empresa, lo que hace esencial una responsabilidad transversal. Sin embargo, las decisiones de inversión se suelen evaluar en silos, dificultando construir una visión completa de los riesgos y el valor que emergen a lo largo del ciclo de vida.

Además, las organizaciones deben comprender el alcance y alcance de los sistemas que tienen en producción, así como los impactos financieros, operativos, de seguridad y ambientales que tendrán a lo largo de su ciclo de vida.

Sin esta visión de extremo a extremo, pueden aparecer grandes vacíos financieros y operativos en momentos críticos, muchos de los cuales no se anticipan ni se planifican. Si bien la seguridad, la privacidad y el cumplimiento figuran entre las principales preocupaciones de IA, nuestra investigación encontró que menos de la mitad califican la protección de datos (49%) o las capacidades de cumplimiento (46%) como una alta prioridad al tomar decisiones de inversión tecnológica.

Del costo al impacto impulsado por la IA (From cost to AI-driven impact)

Para cerrar esta brecha, las empresas deben ir más allá de las evaluaciones limitadas del precio inicial y del ROI cercano. Estas medidas siguen siendo importantes, pero no capturan las consecuencias del ciclo de vida de las inversiones en IA, especialmente cuando los sistemas se integran en operaciones críticas y comienzan a influir en el rendimiento, la resiliencia, el cumplimiento, el riesgo, la reputación y la creación de valor a largo plazo.

Este es el fundamento de Total Cost of Impact (TCI). TCI es un nuevo modelo que ayuda a las organizaciones a evaluar las inversiones en tecnología a través de una perspectiva de ciclo de vida más amplia, evaluando no solo cuánto cuesta comprar e implementar una solución, sino lo que requerirá, habilitará, limitará y expondrá al negocio con el tiempo.

TCI evalúa cuatro áreas centrales de impacto tecnológico: financiero, operacional, seguridad y cumplimiento, y ambiental y social, fomentando que las organizaciones comprendan cómo las decisiones de inversión actuales influyen en los resultados con el tiempo.

Cuando se aplica en el punto de inversión, TCI revela los trade-offs, riesgos y las consecuencias a futuro que a menudo pasan desapercibidas en los modelos de adquisición convencionales. Al hacerlo, crea un lenguaje común entre las funciones empresariales, reduce fricciones, mejora la colaboración y ayuda a garantizar que las inversiones en tecnología estén alineadas con las prioridades estratégicas desde el principio.

Es importante destacar que TCI es un modelo agnóstico: puede usarse no solo para evaluar si las tecnologías habilitadas por IA entregan valor empresarial, sino también para evaluar cómo se adquiere, utiliza, escala, mantiene, reutiliza y, en última instancia, se retira la infraestructura que las soporta.

Mirando hacia adelante (Looking ahead)

A medida que los ciclos de IA se acortan, las demandas de infraestructura crecen y las limitaciones de recursos se intensifican, adoptar un enfoque de ciclo de vida para la inversión tecnológica se convierte en una necesidad estratégica.

El despliegue de IA no puede separarse de la infraestructura física que la habilita. Las organizaciones deben entender no solo lo que pueden lograr los sistemas de IA, sino lo que requerirán en energía, datos y gobernanza de activos, mantenimiento, ciclos de actualización y gestión de fin de vida a lo largo del tiempo.

Por ello, la circularidad debe formar parte de la conversación sobre inversión en IA. Al adoptar una visión de extremo a extremo de los activos tecnológicos, las empresas pueden identificar oportunidades para prolongar la vida útil, aumentar la utilización, recuperar valor residual, reducir residuos y gestionar el riesgo de fin de vida. La circularidad no es una agenda de sostenibilidad separada; es una forma práctica de reducir costos ocultos, fortalecer la resiliencia y mejorar el impacto a largo plazo de la inversión en IA.

En última instancia, el éxito con la IA dependerá no solo de las capacidades que las organizaciones implementen, sino de la calidad de las decisiones que las respalden. Aquellas que evalúen el impacto completo de sus decisiones tecnológicas desde el inicio estarán mejor posicionadas para capturar valor, gestionar riesgos y construir una infraestructura digital resiliente y preparada para el futuro.

Este artículo forma parte de TechRadar Pro Perspectives, nuestra vía para presentar las ideas de las mentes más brillantes de la industria tecnológica. Las opiniones expresadas aquí corresponden a su autor y no necesariamente a TechRadar Pro o Future plc. Si está interesado en contribuir, obtenga más información aquí: https://ift.tt/dsUeVwk

from Latest from TechRadar https://ift.tt/LVglBw4
via IFTTT IA

from Latest from TechRadar https://ift.tt/JZK4aLP
via IFTTT IA

El proceso de nominaciones ha dado paso a la revelación de los finalistas para la edición 2026 de Power 50. Este reconocimiento forma parte de Mobile Industry Awards 2026 y destaca a las figuras más importantes e influyentes de la industria móvil en el Reino Unido durante el último año.

Los finalistas para el Power 50 2026 ya han sido decididos, y las posiciones finales se darán a conocer durante la entrega de premios. Cabe señalar que, para mayor claridad, los nombres están organizados alfabéticamente por nombre de pila y no reflejan las clasificaciones finales.

Puede consultar la lista de resultados y ver la edición de 2026 haciendo clic en el siguiente enlace: View the 2026 Power 50 here! Las ganadoras y ganadores serán premiados con el Power 50 durante la ceremonia de los Mobile Industry Awards, que tendrá lugar el 17 de septiembre de 2026. Este reconocimiento se otorga tras entrevistas en profundidad con figuras clave de la industria, abarcando operadores, minoristas, fabricantes y distribuidores.

El Power 50 premia a aquellos ejecutivos que demuestran liderazgo audaz y visión, y que superan las expectativas en diversas categorías, inspirando no solo a sus propias empresas sino al conjunto del sector.

Historia del Power 50: ganadores anteriores
– 2025: Max Taylor, CEO, VodafoneThree
– 2024: Marc Allera, CEO – EE y Consumer Division en BT Group
– 2023: Ahmed Essam, CEO, Vodafone UK
– 2022: Lutz Schüler, CEO, Virgin Media O2
– 2021: Marc Allera, CEO, EE y BT Consumer
– 2020: Nick Jeffrey, CEO, Vodafone
– 2019: Marc Allera, CEO, EE y BT Consumer
– 2018: Marc Allera, CEO, EE y BT Consumer
– 2017: David Dyson, CEO Three UK
– 2016: Sebastian James, Group CEO, Dixons Carphone
– 2015: Sebastian James, Group CEO, Dixons Carphone
– 2014: Andrew Harrison, CEO, Carphone Warehouse
– 2013: Olaf Swantee, CEO, EE
– 2012: Simon Stanford, VP de UK & Ireland telecoms y networks division, Samsung UK
– 2011: Guy Laurence, CEO, Vodafone UK
– 2010: Tom Alexander, CEO, Everything Everywhere
– 2009: Andrew Harrison, CEO, Carphone Warehouse
– 2008: Kevin Russell, CEO, Three UK

Para obtener más información sobre Power 50 o para involucrarse en los Mobile Industry Awards 2026, visite el sitio de los premios aquí.

from Latest from TechRadar https://ift.tt/csUpxGr
via IFTTT IA

En un mundo donde la identidad digital se valida cada vez más rápido, muchas estrategias antifraude operan bajo un supuesto limitado: evaluar documentos, no a las personas. Este enfoque, eficiente en apariencia, ha mostrado una debilidad estructural ante una amenaza creciente: las identidades sintéticas creadas con IA generativa que superan las verificaciones documentales sin ser dignas de confianza.

La realidad operativa es contundente. Un cliente se registra en un servicio fintech; una identificación expedida por el gobierno pasa cada control documental, su selfie coincide y el nombre se verifica contra una base de datos; la incorporación se completa. Lo que pasa desapercibido es que la identidad podría no pertenecer a una persona real, sino haber sido ensamblada en minutos para pasar exactamente las comprobaciones ejecutadas. El resultado puede ser una cuenta dormida que, semanas después, ejecuta un fraude de alto costo para la plataforma. En el primer trimestre del año pasado, el fraude habilitado por deepfakes ya superó los cientos de millones de dólares a nivel global.

Este no es un escenario de prueba; el fraude de identidades sintéticas es la condición operativa de cualquier negocio que onboarda clientes digitalmente. Y la respuesta por defecto de la industria —recolectar un ID, verificarlo y continuar— no estaba diseñada para enfrentar esta realidad.

La ceguera del primer enfoque en el documento

El modelo centrado en el documento tiene una falla estructural: solo reacciona ante un fraude cuando llega un documento. El contexto de intención, el comportamiento y la coherencia de la existencia digital de un usuario quedan fuera de alcance. La verificación de identidad se convierte en un evento único en lugar de una evaluación continua a lo largo del ciclo de vida del cliente.

Esta arquitectura tiene un costo medible. Las pérdidas por fraude habilitado por IA generativa en EE. UU. se proyectan en 40.000 millones de dólares para 2027, frente a 12,3 mil millones en 2023, lo que implica una tasa de crecimiento anual compuesta (CAGR) del 32%. El mercado negro ya ha industrializado la oferta: kits de fraude que producen videos deepfake y documentos sintéticos se venden por tan solo 20 dólares, poniendo herramientas de fraude sofisticadas al alcance de cualquiera que esté dispuesto a pagar.

El daño se observa a nivel de cartera. El fraude de identidades sintéticas, identidades fabricadas a partir de datos reales e inventados, representa entre el 10% y el 15% de las pérdidas por incobrabilidad en una cartera típica de préstamos no asegurados. No es un riesgo marginal; es parte del costo de hacer crédito.

De KYC a la prueba de humanidad

El problema no es que la verificación de documentos sea imperfecta. El problema es que la verificación de documentos pregunta la pregunta equivocada. La prueba de humanidad reformula el objetivo: en lugar de preguntar “¿Este ID es real?”, se pregunta “¿hay una persona humana real y única detrás de esta transacción?” y mantiene esa indagación de forma continua a lo largo del ciclo del cliente, no solo al onboarding.

Operativamente, la diferencia importa. Los果 fraudes ingenian identidades sintéticas para superar las comprobaciones documentales. Un ID falso convincente pasa las mismas detecciones de OCR y de liveness que uno legítimo. Lo que no puede reproducir —ni de forma convincente ni a escala— es el contexto completo de la existencia digital de una persona real. Ese contexto es donde vive la prueba de humanidad y dónde debe operar la verificación eficaz.

Una persona real deja huellas en años de interacción con servicios digitales: direcciones de correo registradas en servicios reales, números de teléfono vinculados a operadores consistentes, dispositivos con historiales que abarcan múltiples sesiones y redes, y patrones de comportamiento que reflejan cómo los humanos navegan por productos. Ninguna de estas huellas, por sí sola, es decisiva, pero su presencia o ausencia cuenta la historia que una identidad fabricada, por pulida que esté, no ha podido construir.

Cómo se ve una evaluación de múltiples señales

Ninguna señal aislada cuenta la historia completa. Una evaluación eficaz de identidad requiere múltiples señales independientes que, juntas, revelen una identidad coherente o su ausencia. Señales explícitas forman la base: eKYC y verificación de bases de datos oficiales cruzan la información proporcionada por el usuario con registros gubernamentales, confirmando que la identidad existe y pertenece a la persona que afirma ser. La autenticación de documentos valida las identificaciones presentadas. Los controles de liveness biométrico confirman la presencia de una persona real en tiempo real.

Estas señales explícitas son necesarias, pero insuficientes. Las señales implícitas aportan el contexto circundante y resultan mucho más difíciles de fabricar para un impostor. Análisis de huella digital examina si una dirección de correo tiene un historial real, si las cuentas de redes sociales muestran actividad auténtica y si un número de teléfono se asocia a patrones del mundo real. La inteligencia de dispositivos detecta anomalías en entornos de hardware y software. Las señales conductuales señalan patrones de interacción que difieren de la conducta humana real.

El valor de superponer estas señales es combinatorio. Un fraude puede fabricar un documento convincente, pero crear simultáneamente una dirección de correo histórica de años, una presencia social coherente, una huella de dispositivo limpia y ritmos conductuales naturales es un problema de nivel distinto. Cada señal adicional aumenta el costo y la complejidad de la falsificación, hasta que engañar al cuadro completo se vuelve inviable económicamente.

Operando a través de fronteras

Para empresas con bases de clientes multinacionales, la verificación en múltiples capas es una exigencia estructural. El panorama regulatorio avanza con rapidez. La Wallet de Identidad Digital de la Unión Europea, que todas las naciones miembro deben soportar para diciembre de 2026, transformará la manera en que la identidad del consumidor funciona dentro del bloque. Los programas nacionales de eID se expanden en Asia, África y América Latina, con cronogramas y estándares técnicos variables. El Banco Mundial estima que 850 millones de personas aún carecen de identificación gubernamental oficial, una realidad que hace que la cobertura digital y la inclusión sean prioridades paralelas.

Las empresas que operan con eficacia en este entorno necesitarán una cobertura de verificación lo suficientemente amplia para coincidir con su base de clientes y lo suficientemente ágil para adaptarse a requisitos regulatorios cambiantes. Los controles eKYC y eID a través de esquemas nacionales y regionales son la línea base. La ventaja operativa radica en lo que rodea a esos controles: las señales implícitas que distinguen a un solicitante genuino de una identidad sintética, independientemente de qué marco de ID de jurisdicción se presente.

Verificar a la persona, no el ID

La evaluación de riesgo debe estar avanzada incluso antes de que se presente un documento. Cuando la huella digital, la inteligencia de dispositivos y las señales conductuales trabajan desde el primer contacto, las identidades sintéticas se filtran antes de llegar a los pasos de verificación más costosos, y los usuarios legítimos obtienen una aprobación más rápida porque el sistema ya tiene contexto.

Esa arquitectura solo funciona cuando fraude, verificación de identidad y cumplimiento contra el lavado de dinero comparten un entorno de datos unificado, en lugar de operar en paralelo. Las organizaciones que construyen esa capacidad hoy se preparan para absorber menos pérdidas y para incorporar a los clientes que sus competidores no pueden confirmar con confianza.

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestra voz para presentar a las mentes más brillantes de la industria tecnológica actual.

from Latest from TechRadar https://ift.tt/4PvdiW8
via IFTTT IA