En el cambiante paisaje de las herramientas de productividad impulsadas por inteligencia artificial, Microsoft ha anunciado la eliminación de la función COPILOT en Excel como parte de una serie de reestructuraciones de su plataforma de IA. Este movimiento marca un punto de inflexión en la forma en que la empresa integra capacidades de IA dentro de su hoja de cálculo más utilizada.

La función COPILOT permite a los usuarios describir tareas en lenguaje natural, incluso dentro de una fórmula. En su momento de lanzamiento, se presentó como una vía para realizar tareas como resumir texto, clasificar datos, generar contenido y buscar información en la web, todo sin abrir una ventana externa de Copilot. Además, se propuso como una forma de crear resultados directamente en las celdas, simplificando flujos de trabajo para usuarios que buscan respuestas rápidas y contextuales dentro de una hoja de cálculo.

Sin embargo, la funcionalidad nunca alcanzó un lanzamiento público amplio y, con el tiempo, ha sido superada por otras herramientas de IA más integradas y versátiles. En agosto de 2025 se anunció por primera vez, con previsión de lanzamiento para enero de 2027, y estuvo en pruebas durante más de un año con usuarios de Frontier e Insider. A pesar de la fase de prueba y la expectación inicial, Microsoft decidió no continuar con el servicio tal como estaba.

La decisión de retirar COPILOT no significa que las capacidades de IA en Excel se debiliten. Por el contrario, Microsoft señala que ya existen vías más efectivas para acceder a las mismas capacidades de IA a través del panel lateral de Copilot y un botón de acción dinámica flotante (DAB). Estas herramientas proporcionan un acceso más amplio y flexible a la IA sin la necesidad de una función dedicada dentro de cada celda.

Este cambio forma parte de una revisión más amplia de las capacidades de IA dentro de Excel. Se están implementando actualizaciones orientadas a finanzas y análisis, posicionando a la hoja de cálculo como una herramienta potenciada por IA para modelado financiero, pronósticos e informes. En este contexto, la retirada de COPILOT puede entenderse como un reacomodo estratégico para priorizar flujos de trabajo que ya han demostrado su valor en entornos corporativos y de negocio.

Para usuarios que dependían de COPILOT, la recomendación es explorar las nuevas vías de interacción con IA dentro de Excel y adaptarse a las soluciones integradas que ofrecen una mayor compatibilidad con procesos de cumplimiento y gobernanza de datos. A medida que Microsoft continúa ajustando y expandiendo sus herramientas de IA, es probable que surjan nuevas capacidades que superen a la función original, manteniendo a Excel como una plataforma dinámicamente evolucionada para la productividad y el análisis de datos.

from Latest from TechRadar https://ift.tt/E5hfmHR
via IFTTT IA

Las conversaciones sobre IA han dejado de ser meramente curiosas. Las juntas directivas y los equipos de liderazgo ya no preguntan qué podría hacer la IA en el futuro; preguntan dónde funciona realmente, qué valor medible está creando y por qué muchos experimentos prometedores no se convierten en ventajas operativas duraderas.

A lo largo de las industrias, las empresas han invertido fuertemente en pilotos, pruebas de concepto y demos impactantes. Sin embargo, muchas quedan atrapadas en lo que podría llamarse el purgatorio de los pilotos: un lugar donde una herramienta funciona en un entorno controlado pero no sobreviene al contacto con la complejidad, las excepciones y la responsabilidad requeridas en producción.

El problema casi nunca es el modelo

En mi experiencia, las iniciativas de IA fracasan no por falta de potencia de la tecnología, sino por la forma en que se aplica. Un modelo puede impresionar en un sandbox y seguir siendo irrelevante para el negocio si no se integra a un flujo de trabajo real, se conecta a los datos adecuados, se gobierna apropiadamente y se mide frente a resultados que importan.

Por eso, el acceso a IA ya no es un diferenciador. Cualquiera puede comprar acceso a modelos o integrar una herramienta de terceros. La verdadera ventaja reside en aquello que no se puede comprar de forma genérica: datos propietarios, experiencia profunda en un dominio y la disciplina para mejorar continuamente la IA una vez que opera a escala.

Para nosotros, esos principios se unen en nuestro enfoque Lean AI, basado en un modelo operativo Lean que impulsa la mejora continua a través de pruebas, aprendizaje y acción. En lugar de perseguir la tecnología por la tecnología, nuestro enfoque Lean AI nos ayuda a mover la IA de la experimentación a la producción, donde puede mejorar el servicio, aumentar la productividad y generar valor real.

La IA en producción requiere disciplina, no experimentación por sí misma

Aquí es donde muchas organizaciones quedan estancadas. Tratan la IA como un portafolio de experimentos en lugar de una capacidad operativa. Las organizaciones que consiguen operativizar la IA tienden a hacer justamente lo contrario.

Priorizar las oportunidades de IA en función del valor para el negocio y de los puntos de fricción operativa, identificando tareas manuales, repetitivas y de alto volumen. Luego, construir y desplegar agentes donde la automatización puede mejorar la velocidad, la precisión, la escalabilidad o la calidad del servicio a lo largo de todo el flujo de trabajo del cliente.

No hay IA como hobby en este modelo. Cada despliegue necesita un caso de negocio claro, un propietario del flujo de trabajo, medición, bucles de retroalimentación y un plan para escalar. Esa disciplina es especialmente importante con IA agentiva, porque los agentes operan con mayor autonomía que el software tradicional.

El progreso no siempre es lineal. Los sistemas mejoran, se topan con nuevos casos límite, retroceden y vuelven a mejorar. La supervisión humana no es un puente temporal; es parte de la arquitectura.

La capa de aplicación es donde se construye la ventaja competitiva

El ecosistema de IA se describe a menudo en capas, desde la infraestructura de TI subyacente y los grandes modelos de lenguaje hasta las aplicaciones construidas sobre ellos. Estas capas fundamentales son esenciales, pero no son donde la mayor parte de las empresas generarán ventajas duraderas.

La verdadera ventaja llega en la capa de aplicación: donde la IA se integra en flujos de trabajo, sistemas, excepciones, datos y juicio humano que definen cómo funciona realmente un negocio. Si una empresa no posee o controla profundamente esa capa, corre el riesgo de convertir la IA en una capacidad genérica en lugar de una ventaja competitiva.

Tomemos la logística de la cadena de suministro como ejemplo. Mover un único envío no es una tarea lineal: puede requerir coordinar movimientos de camión, barco y ferrocarril, documentación aduanera en varios países, transferencias en múltiples instalaciones y condiciones meteorológicas y de mercado que cambian cada hora. Una herramienta de IA genérica no comprende ese flujo de trabajo de forma nativa.

El contexto es la parte difícil

Toda industria tiene sus propios datos y contexto que la impulsan. En las cadenas de suministro, ese contexto se halla en patrones históricos de precios, operaciones de almacén, políticas específicas de clientes, características de los envíos, rendimiento de conductores, ciclos de mercado y el juicio de las personas que han resuelto problemas logísticos complejos durante años.

Ese contexto no se puede comprar a granel. Debe ser recopilado, estructurado, gobernado y aplicado. La IA se vuelve más eficaz cuando está integrada en la plataforma tecnológica y puede aprender de esas realidades en lugar de depender sólo de información genérica. Del mismo modo, los empleados aportan conocimiento institucional a través de retroalimentación continua, enseñando a los agentes de IA de la misma forma que entrenarían a un nuevo empleado de operaciones.

Tomemos algo tan aparentemente simple como programar una recogida de mercancías. A primera vista parece una tarea estrecha, pero en la práctica requiere entender requisitos del cliente, características de la mercancía, políticas de las instalaciones, restricciones de muelles, sistemas de citas y excepciones que pueden variar según la ubicación. Un agente de IA solo puede automatizar ese trabajo de forma fiable si ha sido diseñado con el contexto y la supervisión adecuados.

Las empresas que obtendrán más de la IA serán aquellas que vayan más allá de los pilotos y la traten como un modelo operativo. Eso implica empezar con problemas reales del negocio, hacerse cargo de la capa de aplicación donde ocurre la diferenciación, alimentar a los agentes con contexto propietario, mantener a los humanos en el bucle y medir los resultados de forma constante. La IA no recompensará a las empresas con más demos; recompensará a las que operativicen el aprendizaje más rápido que sus competidores.

from Latest from TechRadar https://ift.tt/rti0cgK
via IFTTT IA

El gasto en IA vuelve a ocupar titulares con el lanzamiento del modelo Claude Fable 5 de Anthropic. Aunque surgieron preocupaciones de seguridad que llevaron a la suspensión temporal del modelo, también se plantearon inquietudes sobre el coste. Anthropic indica que Fable tiene un coste de 10 dólares o aproximadamente 9 euros por cada millón de tokens de entrada y 50 dólares por cada millón de tokens de salida. Es el doble de precio que el modelo más caro de la firma hasta ahora, Claude Opus 4.8.

En LinkedIn aparecieron publicaciones que mostraban lo rápido que los equipos consumían sus tokens y, por consiguiente, sus presupuestos. Hay matices: Fable 5 es un modelo avanzado y, para la mayoría de las empresas, no será necesario ejecutarlo de forma continua ni utilizarlo para todas las tareas.

Pero ahí yace un tema clave: el uso de IA se acelera y los modelos evolucionan. Sin embargo, el nivel de control y visibilidad sobre cuánto se gasta, por quién y para qué, va rezagado.

Cómo la consumo de IA se convirtió en un problema financiero.

Existe un cambio masivo en el mercado de software del Reino Unido hacia IA, y específicamente hacia el ecosistema de Anthropic. Datos de Pleo sobre los principales comercios tecnológicos según el número de clientes que gastan revelan que Anthropic (Claude) escaló del puesto 12 al 7 entre el cuarto trimestre de 2025 y el primero de 2026. Al mismo tiempo, el gasto medio por cliente aumentó un 43%.

Este ascenso rápido indica que Anthropic ha alcanzado madurez empresarial en el mercado británico, con empresas que dejan la fase de experimentación. Pero, si bien refleja confianza creciente en la adopción de IA, también presenta desafíos financieros.

En conjunto, la IA ha redefinido la forma en que funciona el lugar de trabajo, pero no es una prueba gratuita. El coste de los tokens ha aumentado, y los nuevos modelos que pueden lograr lo que parecía impensable hace unos años vienen con un precio a la altura. El nuevo reto para los líderes empresariales es aprovechar estas tecnologías y, a la vez, limitar gastos descontrolados.

Por ello, muchas organizaciones están recurriendo a sus equipos de finanzas. Las finanzas tienen la visibilidad para profundizar en los detalles y mapear el uso de IA en toda la organización, ya sea que aparezca discretamente como renovación de suscripción o como una nueva solicitud presupuestaria. Pero, además de eso, pueden ser fundamentales para asegurar conversaciones abiertas, no solo con OpenAI.

La actividad de IA no equivale a valor de IA.

Casi todas las organizaciones han desarrollado formas transformadoras de usar herramientas de IA. Pero, si lo saben o no, también habrá usos ineficientes.

Entre los factores de uso ineficiente se encuentran hacer preguntas abiertas a los agentes de IA, desajustes de modelo que consumen tokens innecesariamente y herramientas duplicadas por AI sombra y suscripciones superpuestas. Estos elementos impiden ver la imagen completa, que muy probablemente es costosa.

La alfabetización de los usuarios puede mejorar esto. Pero para los equipos de finanzas deben empezar por la zona gris del consumo de IA. Dos equipos pueden figurar como usuarios activos de IA, pero uno que use un modelo LLM para producir más contenido rápidamente está haciendo algo fundamentalmente distinto al de otro que la utiliza para tareas periféricas de productividad. De hecho, solo el 29% de las pymes europeas que usan Gen AI lo hacen en actividades centrales del negocio.

Para mejorar el control, las organizaciones deben empezar elevando la visibilidad de quién usa IA y para qué la utiliza para volverse más inteligente, más rápido y más productivo.

Cómo recuperar el control sobre el uso de IA.

Una visión completa del gasto en IA es esencial, independientemente de si los costos están aumentando.

Desglosar el gasto por departamento, equipo y presupuesto ayuda a identificar tanto el uso desproporcionado como las áreas donde la adopción puede estar rezagada. Esto debe combinarse con métricas de rendimiento, como el tiempo para obtener el primer borrador en contenido de marketing; ciclos de revisión de código en ingeniería; tiempos de resolución de tickets de soporte al cliente, y así sucesivamente.

Esta combinación de gasto y rendimiento puede revelar si la inversión en IA se traduce en ganancias de productividad medibles y no solo en un aumento de los costos de software.

La visibilidad debe extenderse también al uso a nivel de modelo. Como se mencionó, la diferencia de coste entre modelos de razonamiento de frontera y alternativas más ligeras puede ser de hasta diez veces. Supervisar el uso de modelos y proveedores, junto con el consumo de tokens, ayuda a las organizaciones a derivar las tareas rutinarias hacia opciones de menor costo, maximizar el ROI y reducir gastos innecesarios.

Por lo tanto, los equipos de finanzas deben ampliar los marcos de informes y presupuestos para incluir métricas específicas de IA. Una pregunta clave en el cierre de mes es si los equipos habilitados por IA aumentan la producción y la capacidad sin aumentar el personal. Esto ofrece un titular claro sobre el impacto de la IA, puede justificar la inversión y distinguir entre uso de alto valor y uso de bajo valor.

En última instancia, el control eficaz de la IA no se trata solo de costos. Se trata de entender dónde la IA crea valor y garantizar que la inversión esté alineada con los resultados comerciales.

El control de IA está al alcance de tus manos.

La buena noticia es que ninguna de estas métricas requiere una pila analítica de IA sofisticada. Los equipos de finanzas ya deberían contar con herramientas para la visibilidad en tiempo real de lo que se gasta y dónde. Todo lo que falta es incorporar IA al mix y colaborar con otros departamentos para medir y mejorar su ROI.

El resultado es que las organizaciones controlan el uso de IA mediante supervisión, sin restringir el gasto, la adopción o la innovación por procesos de adquisición largos. Las políticas de gasto, los controles de categoría y los umbrales de aprobación claros controlan lo que se gasta, y todo queda medido.

Pero, lo más importante, los equipos no desaceleran como resultado. La única diferencia es que la IA se optimiza para generar impacto.

Hemos destacado la mejor IA de chatbot para empresas.

Este artículo forma parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica actual.

Las opiniones expresadas corresponden a la autora y no necesariamente a TechRadar Pro o Future plc. Si estás interesado en contribuir, descubre más aquí: https://ift.tt/bGgBn63

from Latest from TechRadar https://ift.tt/R0jn2Vq
via IFTTT IA

El sector legal está madurando en el uso de la IA y esa adopción va más allá de simples chatbots o herramientas aisladas. El foco se desplaza hacia incorporar IA en el trabajo jurídico cotidiano, otorgándole acceso a documentos, asuntos, conocimiento y sistemas que los abogados utilizan a diario. A medida que las firmas incrementan su inversión en tecnología de IA, conviene mirar más allá de lo que los modelos pueden generar y plantearse una pregunta práctica: ¿cómo se conectan esos modelos con la información en la que confían los abogados, dónde reside esa información y cómo se gestiona el acceso? Este conjunto de desafíos de conectividad es lo que ha hecho que el Protocolo de Contexto de Modelos (MCP) gane toda la atención.

Separando lo estándar de las suposiciones

MCP es un estándar abierto que ofrece a las herramientas de IA una forma más consistente de conectar con sistemas externos, fuentes de datos y aplicaciones. A medida que crece la emoción alrededor de MCP, las firmas deben ser claras sobre lo que puede hacer y, tan importante, sobre lo que no hace. De lo contrario, existe el riesgo de que las firmas sobrestimen lo que MCP puede resolver por sí solo o lo descarten como simplemente otro acrónimo técnico.

La realidad se sitúa en un punto medio. MCP puede ayudar a las herramientas de IA a conectarse con los sistemas y datos que las firmas ya utilizan, pero no resuelve automáticamente los retos de gobernanza, integración, permisos o contexto legal. Con malentendidos en el sector, aquí hay cinco mitos comunes que conviene aclarar.

Mito 1: MCP es solo para Claude

Aunque MCP fue creado por Anthropic, no se limita a Claude. Es un marco de código abierto y está ganando protagonismo en la conversación más amplia sobre cómo los agentes de IA se conectan a herramientas externas, fuentes de datos y sistemas. Esta distinción importa para firmas de abogados y organizaciones legales en general. Tratar MCP como una característica de un único proveedor puede llevar a descartar su valor. En cambio, como estándar de conectividad, las firmas deben considerar cómo encaja en su estrategia de IA, su arquitectura de integración y su modelo de gobernanza.

Mito 2: MCP reemplaza APIs

Las APIs siguen siendo la columna vertebral de las conexiones entre plataformas, permitiendo que los sistemas intercambien datos y ejecuten acciones. MCP hace algo distinto: actúa como una capa de protocolo sobre las APIs, proporcionando a los agentes de IA una forma más estandarizada de descubrir e interactuar con sistemas, herramientas y fuentes de datos legales aprobadas. En términos simples, MCP es más parecido a un adaptador universal para IA que a una alternativa a las APIs. Del mismo modo que USB ofrece un punto de conexión común para dispositivos, MCP ofrece a las herramientas de IA una forma más coherente de entender qué sistemas y funciones están disponibles y cómo interactuar con ellos. Pero no elimina la necesidad de APIs, autenticación, propietarios de sistemas o reglas claras sobre lo que las herramientas de IA pueden o no acceder.

Mito 3: MCP implica mover documentos a herramientas de IA

Existe la creencia de que conectar IA a sistemas legales implica copiar grandes volúmenes de documentos a plataformas externas. En la práctica, la IA debe tener un acceso controlado a entornos gobernados. Documentos, precedentes y archivos de asuntos pueden permanecer dentro del entorno de confianza de la firma, mientras que las herramientas de IA utilizan MCP para recuperar solo la información a la que están autorizadas. En lugar de generar otra copia descontrolada de material sensible, las firmas pueden hacer que la IA trabaje con la información adecuada, manteniendo permisos, políticas de seguridad y controles de gobernanza. Para lograr ese equilibrio, los responsables de TI deben preguntar: ¿Dónde permanecen los datos, qué se expone y cómo se controla el acceso?

Mito 4: Todas las integraciones MCP son iguales

A medida que MCP se generaliza, podría haber la tentación de considerar cualquier integración compatible con MCP como esencialmente equivalente. Eso sería un error. MCP estandariza la conexión, no el valor que atraviesa. Una integración puede proporcionar una ruta básica para recuperar archivos, mientras que otra puede exponer información más rica sobre permisos, relaciones de asuntos, historial de documentos, metadatos y registros de auditoría. Ambos pueden ser compatibles con MCP, pero no generarán el mismo resultado. Las firmas deben centrarse en lo que recibe la IA, si se aplican derechos de acceso y si se puede auditar la actividad.

Mito 5: MCP da contexto legal automáticamente a la IA

MCP facilita el acceso a los sistemas, pero no decide qué recibe o comprende la IA. Conexión no equivale a contexto. En el ámbito legal, esto va más allá de una simple recuperación. Una herramienta de IA no solo necesita acceso a un documento en un sistema de gestión de documentos; necesita entender el asunto, el cliente, los permisos, el historial de versiones, el trabajo relacionado y el conocimiento institucional alrededor de ese material. Por ejemplo, una IA puede localizar un acuerdo tipo, pero ¿sabe si ese modelo es vigente, si pertenece a un asunto similar, si refleja la postura preferida de la firma o si el abogado tiene permiso para acceder al material relacionado? Sin ese contexto, la IA puede generar una respuesta, pero no necesariamente confiable para el trabajo jurídico. Por eso, MCP debe verse como la capa de acceso, no la capa de inteligencia: ayuda a la IA a conectarse a sistemas legales, pero el valor proviene de lo que esos sistemas exponen a través de MCP: contexto gobernado, orientado a asuntos y sensible a permisos.

Conectar es solo la mitad de la historia

MCP ofrece a las firmas una forma más estandarizada de conectar herramientas de IA con los sistemas que ya utilizan. Pero la IA legal depende de más que la conexión. Las firmas que obtendrán mayores beneficios serán aquellas que consideren MCP como punto de partida, no como destino. La calidad de la información, los controles sobre ella y el contexto que le da significado determinarán si la IA conectada genera un impacto real en el trabajo jurídico.

El artículo concluye recordando que, si bien la conectividad es crucial, la verdadera transformación proviene de combinar esa conectividad con gobernanza sólida, contexto claro y una gestión responsable de permisos.

Fuentes y reconocimiento: este análisis se alinea con las discusiones de MCP en comunidades técnicas y jurídicas, así como con la visión de que las siglas y marcos deben entenderse en su capacidad de facilitar la interacción entre IA y sistemas legales, sin sustituir la necesidad de un marco de gobernanza robusto.

Contenido adicional: para ampliar secciones técnicas y ejemplos de implementación, véase la cobertura de herramientas y percepciones en TechRadar Pro Perspectives.

from Latest from TechRadar https://ift.tt/6UTVsb4
via IFTTT IA

En la actualidad, muchas organizaciones han dejado atrás la fase inicial de la IA, entendida como acceso rápido y competitivo a modelos de vanguardia. El verdadero reto ha pasado a la capacidad de sostener, gobernar y defender la IA en producción, donde la economía de la inferencia y la gestión de la complejidad marcan la diferencia entre éxito y estancamiento.

El panorama es claro: hasta 2026 se espera que el gasto mundial en IA alcance 2.52 billones de dólares, con la infraestructura de IA concentrando una parte sustancial de esa inversión. Sin embargo, los enfoques basados en el consumo rápido de API y costos unitarios por transacción ya muestran límites: el crecimiento de la inversión contrasta con la necesidad de ROI predecible y governanza robusta.

La transición hacia IA 2.0 no es meramente tecnológica, sino económica y organizativa. La decisión ya no es qué modelo usar, sino dónde ejecutar cada carga de trabajo y cuánto costará. Los proveedores están segmentando ofertas entre modelos prémium y opciones más económicas, para responder a una demanda que busca equilibrio entre capacidad y precio. Indicadores como el informe State of AI de McKinsey (2025) señalan que la adopción aumenta, pero el impacto a gran escala sigue siendo limitado para muchas organizaciones.

La inflación de costos de inferencia es real. Un mismo desencadenador de decisión puede requerir múltiples llamadas a modelos, cada una con su propio contexto. A escala, la brecha de costos entre variantes puede decidir si una funcionalidad es rentable o perfora las finanzas. Casos públicos, como el gasto de una gran empresa de transporte tras un movimiento de acción, ilustran este fenómeno: la economía de cada decisión se extiende a toda la experiencia del usuario y a millones de eventos de cliente.

En respuesta, las empresas están re-arquitectando sus pilas de IA. La reducción de costos de una llamada a través de enfoques multi-model y arquitecturas abiertas ha demostrado impactos significativos; además, la optimización de la ejecución en el borde y en la proximidad de los datos se convierte en una prioridad de negocio, no solo de TI. En este nuevo marco, la decisión clave no es el resultado de un solo experimento, sino la economía de múltiples decisiones a lo largo de procesos críticos.

La complejidad no desaparece; se mueve. La commoditización de pesos abiertos reduce la curva de exploración, pero la orquestación, gobernanza, evaluación e integración elevan la carga de trabajo para el comprador. En términos de arquitectura, el coste de la atención subcuadrática y la reducción de ventanas de contexto prometen avances que permiten desde la gestión de riesgos de porfolio en banca hasta el mantenimiento predictivo en telecomunicaciones, pasando por simulaciones de plantas en manufactura.

La clave reside en colocar la computación lo más cerca posible de los datos, bajo la jurisdicción adecuada y con una gobernanza firme. El triángulo sostenible, soberano y controlado se convierte en la base de la ventaja competitiva para la próxima década. Las organizaciones que ahora construyan para este marco estarán en la vanguardia de la innovación operacional y tecnológica.

Este enfoque exige medir métricas de negocio claras: economía unitaria por tarea útil, carga operativa por agente desplegado y la relación entre gasto de inferencia y gobernanza que rodea al sistema. En última instancia, la optimización ya no es una cuestión de talento aislado, sino de una arquitectura que integra costo, rendimiento y responsabilidad a lo largo de toda la cadena de valor de la IA en producción.

Este artículo forma parte de TechRadar Pro Perspectives, una plataforma para compartir ideas y análisis de alto nivel sobre el futuro de la tecnología. Las opiniones expresadas corresponden al autor y no necesariamente a TechRadar Pro o Future plc. Si desea contribuir, puede obtener más información en el sitio de perspectivas.

from Latest from TechRadar https://ift.tt/ra04jwA
via IFTTT IA