En el vertiginoso paisaje de LinkedIn, la conversación sobre la calidad del contenido y la presencia de herramientas de inteligencia artificial se ha convertido en un tema central para profesionales y comunidades. Este artículo ofrece un análisis equilibrado sobre las medidas recientes anunciadas por la plataforma, sus implicaciones para la experiencia del usuario y las posibles trayectorias futuras.

La respuesta de LinkedIn ante el contenido percibido como de baja calidad ha tomado la forma de campañas de retroalimentación y ajustes en sus sistemas de detección. Según Hari Srinivasan, Jefe de Producto, ya se observa un descenso significativo en la visibilidad de publicaciones clasificadas como AI slop tras la implementación inicial, lo que sugiere que los usuarios están respondiendo a las señales de calidad que la empresa quiere promover. Sin embargo, el feed de muchos usuarios sigue mostrando una presencia notable de este tipo de contenido, lo que indica que aún quedan desafíos por resolver.

Una de las fases iniciales de este enfoque implica la activación de mensajes en las analíticas de las publicaciones cuando estas reciban suficiente retroalimentación de la comunidad o sean reportadas. Este mecanismo busca, en palabras de Srinivasan, ayudar a entender mejor cómo la comunidad percibe el contenido de baja calidad. Aunque la intención es clara, la compañía recalca que ninguna señal única determina la distribución de una publicación: se analizan múltiples señales y se aplican salvaguardas para evitar que una retroalimentación aislada afecte injustamente a otros usuarios.

Este movimiento se enmarca en una declaración más amplia sobre el propósito de LinkedIn: preservar un espacio donde las personas puedan encontrar perspectivas reales, compartir ideas y demostrar su experiencia. En ese sentido, la función de reportar contenido como AI slop podría evolucionar para incorporar más herramientas de aprendizaje automático que identifiquen patrones y contextos, sin depender de una única opinión de la comunidad.

La compañía ha señalado que estas iniciativas se están implementando de manera progresiva, con miras a fortalecer las defensas automatizadas y la moderación de comentarios. En palabras de Srinivasan, cada día se detectan y detienen intentos de automatización que buscan amplificar el contenido a gran escala, lo que incluye tanto publicaciones como comentarios. Este esfuerzo por parte de una plataforma respaldada por Microsoft refleja una tendencia más amplia en la que las redes sociales buscan equilibrar la eficiencia algorítmica con la necesidad de preservar la autenticidad y la voz de las personas.

Con miras al futuro, LinkedIn reconoce que aún quedan áreas por mejorar para garantizar que la plataforma siga siendo un lugar donde las personas se conectan con otras personas reales y comparten perspectivas auténticas. Las acciones anunciadas hasta ahora sugieren una hoja de ruta orientada a la claridad, la responsabilidad y la transparencia en la moderación de contenidos, sin perder de vista la diversidad de ideas y experiencias que fortalecen a la comunidad profesional.

En resumen, el dilema entre automatización y humanidad en LinkedIn continúa, pero el compromiso de la plataforma parece centrarse en ajustar el tono y la precisión de sus políticas para que las interacciones sigan siendo significativas. A medida que se implementen nuevas medidas y se evalúen sus efectos, los usuarios pueden esperar herramientas más claras para entender cómo se reciben sus publicaciones, junto con salvaguardas que eviten abusos y favorezcan la calidad del diálogo profesional.

from Latest from TechRadar https://ift.tt/JM6m5Uz
via IFTTT IA

En la intersección entre seguridad de la red y la inteligencia artificial, surge un cambio de paradigma: pasar de depender de intervenciones humanas para cada acción a gestionar un ecosistema de agentes autónomos dentro de límites claros y gobernados. Este artículo ofrece una mirada profesional sobre cómo las organizaciones pueden navegar la transición hacia sistemas de múltiples agentes con responsabilidad trazable, sin perder el control estratégico ni la responsabilidad humana cuando sea necesaria.

A medianoche, un agente de remediación automatizado detecta un problema en la red, rastrea su origen a una política mal configurada, valida, mediante un entorno de pruebas, que la solución propuesta opera dentro de los límites de la política y la aplica. La red se estabiliza. Nadie es notificado. A la mañana siguiente, un humano revisa los insights diarios del agente: un resumen de todos los cambios ejecutados, con enlaces a logs, auditorías, razonamientos y la causa raíz. Confirma que todo quedó resuelto correctamente y continúa. Eso es lo que significa un enfoque de Humano en el Bucle (Human-on-the-Loop).

En otra organización, a las 4 a. m., un agente de remediación construido internamente, que responde a una configuración basada en intuiciones, detecta un problema, rastrea su origen a una política mal configurada y lo corrige. La red se estabiliza. Nadie es notificado. Por la mañana, un humano revisa los logs y asume que el problema quedó resuelto y continúa. ¿Dónde está la diferencia?

La diferencia radica en que, en el escenario DIY, los logs cuentan solo parte de la historia. No muestran que el agente realizó tres cambios adicionales para llegar a esa solución, cambios que eran más amplios de lo previsto, y las decisiones detrás de esos cambios no fueron señaladas porque nada en sus límites de control requería revelarlas.

Así se manifiesta la transición hacia la visión de Humano en el Bucle cuando no existen controles adecuados. No hay una entrega dramática de autoridad. Solo una serie de delegaciones pequeñas y razonables que, con el tiempo, pueden evolucionar hacia algo que nadie firmó explícitamente, pero que se ha convertido en norma operativa.

Y está ocurriendo más rápido de lo que muchos líderes imaginan. Investigaciones recientes señalan que el 57% de los líderes de TI esperan eliminar la intervención humana en el bucle en un año o menos, y el 79% ya trata a los agentes de IA como “usuarios” que requieren su propia gestión de identidades y controles de gobernanza.

La transición hacia la IA impulsada por agentes está avanzando a velocidades que muchas organizaciones no están preparadas para enfrentar, tanto en gobernanza como en la capacidad de evaluar sistemas autónomos.

La Ilusión de la Aprobación

La respuesta ante la IA autónoma ha sido, durante mucho tiempo, simple: mantener a una persona en el bucle. Alguien que revise la salida, apruebe y preserve la responsabilidad. Pero no es así, no plenamente. Revisar cada acción no genera automáticamente responsabilidad y, además, impide que las organizaciones aprovechen al máximo la autonomía.

En lugar de revisar cada acción individual, las personas deben enfocarse en evaluar resultados, asegurar que el sistema operó dentro de sus límites y proporcionar retroalimentación que mejore su desempeño con el tiempo. La aprobación puede convertirse en un ritual sin significado. A medida que los sistemas demuestran fiabilidad y aumentan las alertas, los humanos a veces tratan la intervención como algo que no se necesita con frecuencia.

La aprobación puede convertirse en un clic en lugar de una decisión reflexiva. Y cuando algo sale mal, como una política mal configurada o una remediación automatizada que provoca una interrupción, resulta difícil atribuir responsabilidades.

Esto refuerza un cambio más amplio: una de las capacidades humanas más importantes se vuelve crítica: pensar de forma crítica y validar hipótesis, en lugar de ejecutar tareas. Además, significa que los humanos pasan de hacer a leer antes de aprobar, un cambio fundamental en el trabajo diario de la mayoría.

La atribución no es lo mismo que la procedencia (provenance). Un registro que documenta lo que hizo un agente dice muy poco sobre por qué tomó esa decisión o qué influyó en ella. Cuando algo sale mal, esas son las piezas que necesitas conocer.

Identidades no humanas y la nueva población de la red

Cuando los agentes de IA actúan en la red, consultan sistemas, realizan cambios de configuración o enrutan tráfico, son, en esencia, usuarios. Requieren credenciales, políticas, salvaguardas, explicabilidad y trazabilidad, al igual que los operadores humanos.

La mayoría de las organizaciones no están al día con esto. Los marcos de identidad fueron diseñados para personas; aplicar agentes de IA como si fuera un ajuste posterior genera precisamente ese tipo de acceso sombra que los equipos de seguridad buscan eliminar.

La mayor parte de los líderes ya trata a los agentes como identidades gobernadas, y están adelantados. El resto está acumulando riesgos que no pueden cuantificar hasta que se materialicen en un incidente.

Para hacerlo bien, hay que tratar a cada agente como un principal con permisos limitados, acceso limitado en el tiempo y una ruta clara de revocación, además de un registro completo; no solo de lo que hizo, sino de lo que se le permitió hacer y por qué.

La autonomía no se concede, se gana

Los equipos de red y seguridad ya saben hacerlo. Cada empresa tiene marcos de control de acceso que regulan qué pueden alcanzar los humanos y cuándo. Un ingeniero junior no llega a producción con acceso total desde el primer día; gana acceso gradualmente. Debe aplicarse esta misma lógica a los agentes de IA.

Aún no hemos alcanzado ese punto. Demasiadas veces, la autonomía se trata como todo o nada, lo cual no es el modelo correcto. La confianza con los humanos no funciona así y tampoco debería hacerlo con la IA. Comienza los agentes en modo sugerencia y déjalos demostrar su valía dentro de límites claramente definidos antes de ampliar lo que pueden hacer. Y asegúrate de que cada decisión deje un rastro que explique no solo qué ocurrió, sino el razonamiento detrás de ello.

Con el aumento del uso de IA autónoma, las organizaciones deberán equilibrar la supervisión humana con una gobernanza sistémica. Las personas siguen siendo responsables de revisar no solo los resultados que produce la IA, sino, cuando sea necesario, las acciones que toma y su razonamiento. Sin embargo, a medida que aumenta el volumen y la complejidad de las decisiones autónomas, esta supervisión debe ir acompañada de una infraestructura que incorpore identidad, aplicación de políticas, observabilidad y responsabilidad. Juntas, estas medidas ayudan a garantizar que las acciones de la IA permanezcan transparentes, trazables y alineadas con la intención organizacional.

Construyendo sistemas multiagente que resistan la presión

A medida que estas capacidades crecen, más organizaciones se moverán hacia arquitecturas de múltiples agentes. Aquí, agentes especializados asumen una parte del flujo de trabajo y transferen contexto a medida que avanzan. Y ahí es donde se complica. Un solo agente que se comporta mal es rastreable. Una cadena de agentes, cada uno actuando sobre los outputs del anterior, es mucho más difícil de desentrañar cuando algo falla, a menos que exista la arquitectura y gobernanza adecuadas. Es necesario saber qué sabía cada agente, no solo lo que hizo.

Haz la parte tediosa

Dos organizaciones despliegan el mismo agente de red potenciado por IA. Una ha realizado el trabajo ingrato: establecer permisos estrictos, controles de identidad adecuados y trazabilidad que responda preguntas. La otra no lo ha hecho. No notarás la diferencia hasta que algo falle.

Este enfoque práctico se refuerza con ejemplos y herramientas que ya existen en el mercado. Hemos destacado herramientas y enfoques de monitoreo y gobernanza que permiten entender y gestionar la interacción entre humanos y agentes, reduciendo el riesgo sin bloquear la innovación.

Este artículo forma parte de TechRadar Pro Perspectives, una plataforma para explorar las ideas de líderes y especialistas en la industria tecnológica. Las opiniones expresadas pertenecen al autor y no necesariamente a TechRadar Pro o Future plc. Si te interesa contribuir, consulta las opciones disponibles en nuestro sitio.

from Latest from TechRadar https://ift.tt/7CRWHtp
via IFTTT IA

There’s a pattern starting to emerge with AI. At first glance, everything looks like progress. AI is being adopted quickly, embedded into products, talked about in boardrooms, and pushed into real-world use faster than anything we’ve seen before. But as businesses become more accustomed to AI and increasingly find new ways to use it, there is a greater problem brewing that has the potential to be detrimental to a company’s cybersecurity posture.

Organizations are moving quickly to use AI, but far fewer are making the right decisions about how it’s actually being delivered and secured. And the gap between those two things is widening, with security teams left scrambling to fix vulnerabilities like whack-a-mole.

The speed is understandable. AI hasn’t followed the usual enterprise lifecycle. It hasn’t patiently moved from concept to pilot to controlled rollout. In many cases, it’s gone straight from experimentation into something business-critical, stitched together from APIs, models, agents, and data sources that weren’t originally designed to work together in this way.

That creates something fundamentally different. Not just another application, but something more fluid, a tool that behaves dynamically to make decisions and interact across multiple layers of the stack in real time.

And this is where the problem begins.

Where AI security currently breaks down

While the architecture that needs to be secure has changed, the thinking around security largely hasn’t, meaning traditional security measures are still being applied to situations they aren’t built for. Most organizations believe they have this covered. They’ve extended their existing controls, added new tools and invested in visibility. On paper, it looks like a sensible evolution of what they already had that keeps up with AI.

But in reality, much of that security still sits around AI rather than within it.

These traditional methods are protecting edges, monitoring outcomes and analyzing behavior after the fact. What they’re not consistently doing is sitting in the path of execution, where decisions are actually being made, and where things can go wrong in real time. It’s this distinction that matters more than most people realize.

AI doesn’t behave like anything we’ve secured before. A single interaction isn’t just a request and a response. It’s a chain of events where a prompt is interpreted, a model responds, an agent may take action, data is retrieved, decisions are made, and outputs are generated. This all happens in one continuous flow.

The risk doesn’t exist at a single point. It exists throughout that chain. This is where prompt injection happens. It’s where models can be manipulated, where sensitive data can leak through inference and where unintended behaviors and outcomes emerge.

The cause of this isn’t always an incorrect configuration; it can also be the result of the system responding exactly as designed, just not in the way anyone expected.

The industry is starting to acknowledge this. There’s a growing recognition that runtime is where the real battle is being fought, and that securing AI means understanding how it behaves under pressure, not just how it’s built.

Moving beyond bolt-on security

But if that’s becoming clearer, why are so many organizations still getting it wrong? Well, in most cases, it comes down to how decisions are being made. AI is often being driven by innovation teams or developers, those who are closest to the opportunity and implementation of AI tools.

But that also means infrastructure and security decisions are following behind rather than shaping the architecture from the start. At the same time, there’s a tendency to default to adding more tools to plug the security gaps. Faced with a new risk, the natural instinct is to look for something new and shiny to buy that addresses it.

AI doesn’t fit neatly into that model. It doesn’t live in one place. It cuts across applications, APIs, data, and user interaction all at once. Treating AI as something you can secure with a standalone tool misses the point entirely.

What is actually needed is a different way of thinking, one that starts with looking at where control actually needs to exist. There are only so many places security can be meaningfully enforced, and for AI, one of the places that consistently matters is the flow of traffic itself.

This is the point at which requests are made, decisions are processed, and responses are returned – where behavior can be influenced the most and where policy can be enforced. Everything else, to some degree, is reactive.

This is also where the conversation around security platforms becomes more interesting. Not because AI capabilities have simply been added to existing portfolios, but because the role these platforms play is changing.

Sitting in front of applications and APIs, they have long been responsible for managing traffic, applying policy and enforcing decisions. What’s changed is that these same control layers are now being extended into AI interactions themselves.

That shift is subtle, but important, as it moves AI security away from being something that happens in isolation and closer to something that is embedded directly into how systems operate. Not bolted on, not observed from the outside, but enforced as part of the execution path.

This isn’t really about one vendor. It’s about recognizing that AI has changed the shape of the problem.

Control will define the next era of AI security

The market is still catching up. The tooling is still evolving. And most organizations are understandably feeling their way through it.

But the decisions being made now – where to place control, how to integrate security, what assumptions to carry forward from the past – will define how manageable this becomes over the next few years.

We’ve seen this before, just in a slightly different form. APIs went through a similar phase not long ago – rapid growth, fragmented control, and then a long period of retrofitting security once the risks became clear.

AI is moving faster than that ever did. The attack surface is broader, the behavior less predictable, and the consequences potentially more significant.

Which means there’s less room for getting it wrong.

The organizations that navigate cybersecurity well in the age of AI won’t necessarily be the ones that adopt AI the fastest. They’ll be the ones that understand where control needs to sit and make deliberate decisions about how it’s enforced. With AI, more than anything else, it’s not just about what you can see. It’s about where you can act.

We’ve featured the best endpoint protection software. This article was produced as part of TechRadar Pro Perspectives, our channel to feature the best and brightest minds in the technology industry today. The views expressed here are those of the author and are not necessarily those of TechRadarPro or Future plc. If you are interested in contributing find out more here: https://ift.tt/imFS6gO

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

from Latest from TechRadar https://ift.tt/WC4OVnj
via IFTTT IA

James Gunn está llevando al DCU hacia territorios poco convencionales con un spin-off de Superman que ya empieza a tomar forma. El proyecto, que se ha bautizado como The People v. Gorilla Grodd, propone una mirada audaz: un mockumentary de crimen que sigue a la prensa y a los investigadores mientras revisan un caso controversial dentro del universo de Metropolis. Con ocho episodios de media hora, la serie promete combinar humor, intriga y una mirada satírica al periodismo dentro de un marco plenamente superheroico.

Sobre el elenco, el programa exhibe una mezcla de nombres que ya participaron en el universo de Superman y nuevas incorporaciones que amplían el tejido de la Metropolis de ideas. Skyler Gisondo retoma el rol de Jimmy Olsen, quien se convierte en el protagonista del show. A su lado, Beck Bennett interpreta a Steve Lombard, Mikaela Hoover a Cat Grant y Wendell Pierce a Perry White; todos ellos, previamente vistos en la película de Superman, regresan para esta nueva entrega. Curiosamente, Rachel Brosnahan, quien dio vida a Lois Lane, no figura en el reparto inicial, lo que ha generado especulaciones entre la audiencia sobre su posible regreso en futuras entregas del universo.

En cuanto al enfoque narrativo, The People v. Gorilla Grodd se describe como un “true crime docuseries” que reabre el caso de Gorilla Grodd, un simio con inteligencia superior y poderes telepáticos, condenado por la presunta asesinato de su padre, el rey de Gorilla City. La Daily Planet sirve como hilo conductor periodístico, con Olsen investigando si Grodd fue culpable o víctima de una injusticia judicial dentro de una metrópoli que ya ha visto de todo. El proyecto promete una revisión de la investigación desde múltiples ángulos: nuevos testimonios, análisis de expertos y entrevistas que buscan desentrañar la verdad detrás de la condena.

El formato híbrido entre drama, comedia y análisis documental ofrece una plataforma para explorar dinámicas de prensa y poder, así como una reinterpretación del legado de Grodd dentro del DCU. Aunque el sitio y la fecha exacta de estreno aún se mantienen en reserva, la confirmación de la producción por HBO Max y los ejecutivos James Gunn y Peter Safran garantiza que The People v. Gorilla Grodd no será una entrega menor, sino una pieza que podría influir en la dirección creativa del conjunto de títulos de DC en los próximos años.

Sobre la pregunta que genera mayor expectativa entre los fans: ¿veremos aparecer a The Flash en The People v. Gorilla Grodd? Los debates en foros y redes señalan la posibilidad, especialmente por la naturaleza de Grodd como uno de los villanos más emblemáticos de El Velocista Escarlata. Sin embargo, por ahora, esa aparición sigue siendo una conjetura sujeta a las decisiones de guion y dirección que adopten Gunn, Safran y los showrunners. Lo que es claro es que este spin-off abre una conversación sobre qué tan lejos puede ir una historia centrada en un personaje de cómic cuando se aborda desde la lente del periodismo investigativo y de una reinvención del universo compartido.

En síntesis, The People v. Gorilla Grodd representa una apuesta audaz para el DCU: un crimen documentado con sabor a mockumentary que desafía convenciones, amplía el repertorio de personajes ya conocidos y propone una plataforma para explorar preguntas complejas sobre justicia, verdad y poder mediático dentro de un marco de superhéroes. Si este experimento logra equilibrar humor, intriga y una crítica sutil al periodismo, podría convertirse en una referencia sobre cómo contar historias de superhéroes en la era contemporánea.

from Latest from TechRadar https://ift.tt/ipVaAy2
via IFTTT IA

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

La era de la información ha llevado a un viaje empresarial en busca de datos en cada rincón: datos de clientes, datos de ventas, inventarios, sistemas y operaciones. La premisa ha sido simple y poderosa: cuanto más se sabe, más rápidas y contundentes pueden ser las decisiones.

Sin embargo, esa corriente de datos expuestos y sin formato ha encontrado impedimentos. Cada sistema—CRM, correos internos, hojas de cálculo y documentos en PDF—guarda fragmentos de la realidad empresarial, operando con lógicas propias y no siempre interoperables. Este desalineamiento entre fuentes dificulta que la IA extraiga significado de forma fiable, independentemente de cuántas veces se le pida que “lea entre líneas”.

La pregunta clave es si el valor de la IA se estanca por la cantidad de datos o si el verdadero desafío es la interoperabilidad y la estructura subyacente. ¿Han alcanzado las herramientas actuales su máximo potencial, o necesitamos un enfoque más consciente de contexto y conexión?

La tentación de la escala frente a la claridad

Es comprensible suponer que más datos equivalen a mayor precisión. Las IA se entrenan con datos y, por tanto, se espera que cuanta más información haya, mejor sea el razonamiento. Pero, como ocurre con cualquier sistema, la entrada debe estar estructurada para ser entendida. La realidad es que gran parte de los datos disponibles no está formateada de forma que una IA pueda interpretarla de manera directa.

La mayoría de las organizaciones utilizan múltiples herramientas que recopilan información en formatos dispares. Este mosaico de formatos y lógicas dificulta la creación de una visión unificada que las IA puedan procesar sin fricciones.

Cada fragmento de documento o conjunto de datos aporta un pedazo del panorama, pero sin un marco común, la IA lucha por integrarlos de forma coherente. Por ello, la capacidad de procesar datos no es suficiente: se necesita un diseño que permita entender el contexto y las relaciones entre fuentes diversas.

Ejemplos de fragmentación en acción

La accesibilidad de datos ha avanzado, pero las IA públicas ya se encuentran consumiendo el propio output de otros agentes. El siguiente paso es refinar cómo las IA utilizan la información disponible. En bienes raíces, por ejemplo, la tasación y la lista de propiedades requieren información de registros de propiedad, zonificación, entorno y demografía; ninguno de estos sistemas fue concebido para comunicarse entre sí. Esto ha permitido que la IA tenga dificultades para encontrar su footing inicialmente.

En la práctica, enfoques más nuevos priorizan la capacidad de localizar, interpretar y sintetizar información de fuentes distintas, facilitando tareas que antes requerían búsquedas manuales. La fragmentación de datos y los silos ralentizan la toma de decisiones y las soluciones que abordan estas limitaciones tendrán un valor alto en el mercado.

Cada industria enfrenta el mismo problema fundamental: abundancia de datos sin una vía clara para convertirlos en conocimiento accionable. Adoptar la IA por simple atracción de tendencias no basta; se requieren modelos que prioricen contexto y conexión, junto con prácticas de almacenamiento y formato de datos que favorezcan la interpretación automática.

Cómo avanzar ante la sobrecarga de información

La situación actual ejemplifica los riesgos de priorizar la cantidad sobre la calidad. En parte, las propias empresas han contribuido a la problemática al empujar una narrativa de escala y potencia de procesamiento, mientras que aspectos como la comprensión contextual e la integración de datos quedan a la sombra.

No obstante, es probable que la historia cambie a medida que más casos de éxito destaquen la capacidad de automatizar procesos manuales y tediosos. El verdadero valor de la IA reside en entender lo que existe a un nivel más profundo y completo; eso es lo que genera la información decisiva para las decisiones estratégicas.

Este artículo forma parte de TechRadar Pro Perspectives, una plataforma para presentar ideas y experiencias de líderes y especialistas en tecnología. Las opiniones expresadas pertenecen al autor y pueden no reflejar necesariamente a TechRadar Pro o Future plc. Si desea contribuir, puede obtener más información en el enlace de colaboraciones.

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

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

Las empresas están invirtiendo en Forward Deployed Engineers (FDEs). AWS ha anunciado una inversión de mil millones de dólares en una organización dedicada a incrustar a miles de ingenieros junto a los clientes. OpenAI ha establecido una Deployment Company y acordado adquirir Tomoro, sumando aproximadamente 150 FDEs y especialistas en implementación. Microsoft ha indicado que contrataría a 6,000 personas y destinaría 3.5 mil millones de dólares a su nueva unidad de entrega de IA, según CNBC. Pero, ¿qué deberían entregar los FDEs y qué valor aportan realmente a los clientes?

El modelo FDE es una evolución de la colaboración entre empresas y clientes en torno a proyectos, con una comprensión del negocio y de la tecnología involucrada y con una expectativa mucho más alta de trabajo de ingeniería práctico. Lo que ha cambiado es la tecnología que se despliega.

Dónde entregan valor los FDEs
Los FDEs suelen incrustarse directamente en un cliente y trabajan con múltiples equipos. Identifican un flujo de trabajo de alto valor, entienden los datos y las limitaciones operativas del cliente y luego trabajan para construir las integraciones necesarias y llevar el sistema de prototipo a la producción.

Para el despliegue de IA, eso implica más que conectar un modelo a una aplicación. Incluye considerar el contexto empresarial y los datos disponibles para el modelo, así como evaluar la precisión, la fiabilidad y los umbrales de confianza. También puede involucrar revisar los guard rails, el proceso de revisión y escalamiento, la seguridad y la observabilidad, así como la integración con flujos de trabajo y procesos de negocio existentes.

Las empresas necesitan FDEs porque buscan desplegar sistemas probabilísticos en entornos operativos deterministas. En otras palabras, las empresas quieren usar sistemas que pueden variar en cada respuesta dentro de procesos de negocio que requieren resultados previsibles y uniformes. Los FDEs deben traducir esas salidas de forma que entreguen lo que las empresas desean lograr.

Por ejemplo, un modelo técnicamente impresionante podría fallar dentro de un flujo de trabajo real por múltiples razones, desde contexto incompleto o datos de baja calidad, hasta que la organización no esté preparada para permitir que el sistema actúe sin revisión.

Qué depara el futuro para los roles de FDE
En su mejor versión, los FDEs deberían resolver esos problemas y llevar a la empresa a la fase de producción. Esto garantiza que la tecnología funcione y entregue valor. Sin embargo, eso no es el final de la historia.

Los FDEs deberían convertir lo aprendido en una empresa en capacidades reutilizables que otros también puedan aprovechar. Si cada implementación permanece a medida y depende indefinidamente de talento de ingeniería individual, la tecnología no escalará.

En su lugar, una colaboración exitosa debería generar conectores reutilizables, marcos de evaluación, patrones de gobernanza y mejoras de producto de las que otras compañías puedan beneficiarse. Para la empresa que contrata al FDE, deben entregar proyectos exitosos. Pero el objetivo final es hacer que la próxima implementación sea menos dependiente de un FDE específico y, en su lugar, hacer que el producto mejoré.

¿Existen lecciones más grandes de crecimiento del rol FDE? La verdadera tendencia de contratación apunta a un profesional híbrido que puede ser experto en múltiples áreas al mismo tiempo: desde escribir software de producción y comprender el comportamiento y las limitaciones de los modelos de IA, hasta aprender el negocio y el dominio del cliente con suficiente insight para reconfigurar procesos.

Al mismo tiempo, se espera que naveguen por seguridad, gobernanza y restricciones organizativas, asuman la responsabilidad de resultados comerciales medibles en su negocio y en sus clientes, y sean tan competentes para comunicarse con ingenieros con la camisa arremangada como con ejecutivos de traje.

Para las empresas que basan sus productos en FDEs, esta expansión es una señal de una gran oportunidad de mercado y de que los clientes quieren lo que se ofrece. También hay un componente de marketing, con los FDEs como la última posición “nueva” que resolverá problemas para las empresas.

Parte de este reclutamiento será genuinamente nuevo, mientras que otra parte será una reasignación o recolocación de personas que antes habrían sido ingenieros de campo, arquitectos de soluciones, consultores técnicos o ingenieros de servicios profesionales.

IA Market Maturity (Madurez del Mercado de IA)
Este crecimiento continuo también puede ser una señal de alerta. El número de FDEs necesarios con el tiempo debería disminuir a medida que los productos de IA y la infraestructura maduren y se aprendan lecciones. La demanda de un rol específico es una señal de inmadurez de la categoría. Las industrias maduran cuando el trabajo repetible está estandarizado, industrializado e integrado en software en lugar de recrearse como un servicio único para cada cliente.

La misma prueba se aplica a la IA hoy. La dependencia de FDEs demuestra que las empresas quieren IA, pero que los productos actuales aún no están lo suficientemente completos, son predecibles o fáciles de operacionalizar sin una aportación sustancial de humanos. Si cada implementación requiere especialistas incrustados para ensamblar el contexto, controles, evaluaciones e integraciones a mano, la categoría aún no ha madurado por completo.

Las empresas, por tanto, deben tener cuidado de no medir el éxito simplemente por la cantidad de FDEs contratados o por pruebas de concepto completadas. Las medidas adecuadas son el tiempo hasta producción, adopción sostenida, valor comercial medible, autosuficiencia del cliente y la cantidad de capacidades de producto reutilizables creadas a partir de cada compromiso.

Este análisis forma parte de TechRadar Pro Perspectives, nuestra vía para presentar las ideas de las mentes más brillantes de la industria tecnológica.

Nota: Las opiniones expresadas pertenecen al autor y no necesariamente a TechRadar Pro o Future plc. Si está interesado en contribuir, descubra más aquí: https://ift.tt/imFS6gO

from Latest from TechRadar https://ift.tt/ZTlkc2t
via IFTTT IA