En el entorno laboral actual, las empresas observan un aumento en el uso de herramientas de inteligencia artificial por parte de los empleados, incluyendo servicios que pueden no haber sido aprobados oficialmente por la organización. Este fenómeno genera incertidumbres sobre qué plataformas de IA se utilizan realmente, qué información se envía y cómo estas soluciones se conectan con las operaciones empresariales. NordLayer presenta AI Scout como una herramienta que ofrece visibilidad sobre la actividad de IA en el lugar de trabajo y los riesgos de seguridad asociados.

Visibilidad del uso real de IA dentro de las empresas

AI Scout funciona como un producto independiente que monitoriza interacciones en navegador y en el escritorio, al tiempo que ofrece controles diseñados para limitar la exposición de información confidencial a través de sistemas. Puede identificar servicios de IA autorizados y no autorizados, permitiendo a las organizaciones comparar la actividad observada con el software aprobado para el uso en el lugar de trabajo. Sus informes destacan el uso a partir de la actividad real, y no de suscripciones adquiridas, además de estimar el consumo de tokens a través de los modelos de lenguaje desplegados. También examina la información que los empleados envían a los sistemas de IA, empleando controles para detectar material potencialmente sensible antes de que se envíe cierto prompt. La empresa afirma que estas salvaguardas operan antes de la transmisión, lo que podría evitar que datos confidenciales lleguen a un servicio externo de IA. Asimismo, NordLayer indica que los controles basados en navegador pueden intervenir cuando se introducen datos que requieren una revisión adicional antes de su transmisión. La monitorización se extiende más allá del uso tradicional de chatbots, abarcando agentes de IA y sus relaciones técnicas con los servicios conectados utilizados en el trabajo. Los administradores pueden inspeccionar la infraestructura MCP vinculada a los agentes de programación y revisar las capacidades disponibles a través de esos sistemas en la práctica.

“Construimos NordLayer AI Scout para entender cómo funciona realmente la IA — no solo lo que parece desde el exterior, sino lo que ocurre a nivel técnico”, afirma Vakaris Noreika, VP de investigación y desarrollo de productos en NordLayer. “Nuestra IA DLP está diseñada para inspeccionar prompts y controlarlos antes de la sumisión, para asegurar que datos sensibles nunca se introduzcan en primer lugar.”

La necesidad de supervisión de IA en el lugar de trabajo

La importancia de la monitorización aumenta a medida que la inversión empresarial en inteligencia artificial crece, al tiempo que crece la utilización de servicios no aprobados por parte de los empleados, una práctica conocida como shadow AI. Una encuesta empresarial de 2026 citada por NordLayer indica que el 59% de las compañías gasta más de un millón de dólares anuales en tecnología de IA. Un informe de la University of Melbourne, citado por NordLayer, señala que el 42% de los empleados utiliza sistemas de IA aprobados, mientras que el 70% recurre a modelos gratuitos en el entorno laboral. IBM reporta que las brechas asociadas al shadow AI elevan en aproximadamente 400,000 dólares el coste medio global de una brecha, que ronda los 4,99 millones de dólares. Estas cifras ayudan a explicar por qué las organizaciones pueden tener dificultades para mantener la visibilidad cuando los empleados utilizan servicios de IA más allá de las plataformas formales.

“Lo que las empresas enfrentan hoy es un zoológico de IA —docenas de LLM no sancionados en uso diario en toda la fuerza de trabajo—, cada uno ampliando la exposición de la organización a filtraciones de datos y brechas de seguridad”, comenta Andrius Buinovskis, VP de estrategia de producto en NordLayer. “La gobernanza real de la IA exige una visibilidad amplia. Con las nuevas soluciones de LLM que surgen a un ritmo acelerado, revisar cada nueva herramienta manualmente no escala; las organizaciones necesitan telemetría que reúna todo el uso de IA, aprobado o no, en una única plataforma.”

Esta visión facilita a los líderes de TI y seguridad la toma de decisiones más informadas y la implementación de salvaguardas consistentes para reducir riesgos sin obstaculizar la productividad. El enfoque de AI Scout propone una estrategia proactiva que integra la supervisión del uso de IA con controles preventivos, ayudando a las empresas a equilibrar innovación y protección de datos en un entorno cada vez más dinámico.

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

Cada semana, otro titular celebra cómo la IA hizo una tarea más rápida. Un desarrollador escribió código un 55% más rápido. Un comercializador generó un primer borrador de una entrada de blog en minutos. Un gestor de producto resumió en segundos un documento de requerimientos de 200 páginas. Estos son números reales.

Pero son los números equivocados para celebrar.

Si damos un paso atrás y planteamos la pregunta más exigente —¿qué es lo que realmente crea valor en la empresa?— la velocidad de las tareas rara vez es el cuello de botella. Donde el tráfico de valor se atasca, casi siempre es hacia arriba, en la pregunta que precede a la tarea:

No se trata de “¿Qué quiere que ITBuild?”

Se trata de “¿Por qué queremos que IT lo construya?”

No es “¿Por qué necesitamos ese post?”.

Es “¿Qué contenido impulsará el impacto en el negocio?”

No se trata de “¿Qué proceso debería optimizarse?”.

Debería ser “¿Cómo abordamos la fuga de calidad que genera retrabajos y desechos?” o “¿Cómo evitamos que los retrasos de la cadena de suministro se eleven hasta incumplir compromisos de entrega?”.

Estas son preguntas a las que la IA aún no puede responder por ti. Y la brecha entre la automatización de tareas y la generación de resultados es el desafío definitorio de esta era de agentes.

La forma sigilosa en que la IA no está ayudando

Harvard Business Review dio nombre a esta brecha de IA a comienzos de 2026: la trampa de micro-productividad. Las empresas optimizan tareas individuales, generan código más rápido, resumen informes más rápido, enrutan tickets de soporte más rápido, sin replantear los flujos de trabajo o los modelos de creación de valor a los que esas tareas pertenecen.

El resultado son mejoras de productividad aisladas que nunca se traducen en impacto comercial. PwC, en su estudio de rendimiento de IA de 2026, encontró que el 74% del valor económico de la IA está siendo capturado por solo el 20% de las organizaciones. Esa es la trampa de micro-productividad. Es lo que separa a los líderes en IA del resto.

Esa élite de IA va a distanciarse aún más de las demás organizaciones que siguen “haciendo IA” para mejoras aisladas de productividad. Gartner advierte que más del 40% de los proyectos de IA agente quedarán cancelados para finales de 2027, porque las organizaciones no definen el resultado al que se dirigen desde el principio.

Las compañías que tienen éxito, según PwC, se enfocan en crecimiento y captura de valor. He observado que muchas organizaciones tienen un problema de priorización. Pedimos a la IA que vaya más rápido en la dirección equivocada. Es como pensar que está bien tomar la salida equivocada de la autopista solo porque vas en un Bugatti.

¿Cuál es la verdadera clave del valor de la IA?

La clave real es tu conocimiento. Saber qué tema de blog moverá a una audiencia incluso antes de escribir la primera palabra; saber si el documento entregará valor para el negocio antes de crearlo; saber qué proceso focalizar, qué puntos de datos conectar.

Estas son decisiones upstream. Requieren inteligencia del dominio del negocio y comprensión de lo que importa, de qué costos son mayores y qué significa un cambio disruptivo en la planta de producción para el P&L. La automatización puramente de tareas no puede proporcionarlo. Solo las personas que se ubican en la intersección entre negocio y tecnología pueden hacerlo.

La solución para extraer cada gota de valor de la IA no es nueva, solo una evolución: equipos de fusión, una unidad transversal que combine el conocimiento del dominio con el juicio arquitectónico de desarrolladores profesionales, moviéndose al ritmo del problema y no al del backlog de TI.

Lo central del equipo de fusión es que representan la identificación del problema y una alineación más rápida entre negocio y tecnología, no solo ir más rápido. Ese concepto debe trasladarse a las IA agents: cómo se construyen y cómo colaboran a lo largo de los flujos de trabajo.

Para que los agentes realmente funcionen y ayuden a evitar esas trampas de micro-productividad, debes conectar datos contextualizados a modelos de ML para que no solo “vayan más rápido”, sino que tomen decisiones de la mayor calidad.

Todo está en la pregunta

El éxito con la IA —no esa mirage de valor que puede crear la micro-productividad— requiere expertos en dominio (p. ej., ingenieros de planta, gerentes de proceso, líderes de cadena de suministro, analistas de negocio, especialistas en compras, ajustadores de reclamaciones, etc.) junto a TI y equipos de datos.

Requiere gente que entienda qué líneas de producto tienen los márgenes más estrechos, qué retrasos de proveedores tienen más impacto en downstream, qué controles de calidad están alargando el tiempo de ciclo.

En otras palabras, la mentalidad de fusión: la disciplina de definir el resultado antes de diseñar la solución, y medir en función del valor del negocio más que de la velocidad de las tareas.

Las organizaciones que capturan la mayor parte del valor económico de la IA en 2026 no son las que tienen procesos más rápidos impulsados por IA. Son las que identificaron los problemas operativos correctos primero, gestionaron sus datos lo suficiente para confiar en ellos y construyeron marcos organizativos para coordinar agentes y personas hacia resultados que realmente aumentan el negocio.

Así que, para tu próxima iniciativa de IA, redefine la pregunta: ¿estás construyendo hacia un resultado fundamentalmente diferente, o solo estás automatizando una tarea?

Este artículo forma parte de TechRadar Pro Perspectives, nuestra plataforma para presentar a las mentes más destacadas de la industria tecnológica.

from Latest from TechRadar https://ift.tt/eE06ANl
via IFTTT IA

En un entorno empresarial cada vez más orientado hacia la IA, un nuevo informe de Pax8 arroja luz sobre un desafío crítico: las empresas del Reino Unido están acelerando la adopción de la IA sin que la gobernanza y la visibilidad de costes vayan a la misma velocidad. La investigación indica que una cuarta parte de las pymes (24%) ha detectado herramientas de IA no autorizadas operando en sus organizaciones durante los últimos seis meses, un indicio claro de que el impulso tecnológico puede estar superponiéndose a los controles internos. Además, casi dos de cada cinco compañías (39%) se enfrentaron a facturas de IA inesperadamente elevadas, lo que sugiere una visión fragmentaria o insuficiente del consumo de IA dentro de estas organizaciones.

Este informe no sólo pone de relieve las brechas de gobernanza, sino que también señala una brecha estructural en la visibilidad del gasto. Solo el 12% de las pymes del Reino Unido dispone de presupuestos dedicados a IA, y un 19% adicional no consigue distinguir entre gasto en IA y gasto tecnológico genérico. Como resultado, apenas el 16% de las pymes con visión de IA confía en poder medir el ROI de la IA, cifra notablemente inferior a países como Suecia (45%), lo que sugiere que muchas empresas no están capaces de justificar la inversión ante responsables o inversores.

El informe subraya a la vez una debilidad: una revisión formal y documentada de IA interna está poco desarrollada en el Reino Unido (23%), frente a Alemania (32%) y Estados Unidos (36%). A la luz de estos datos, sólo alrededor de la mitad de las pymes británicas (54%) están desarrollando su propia IA, una proporción que queda muy por detrás de Estados Unidos (81%). Este desfase no solo afecta la gobernanza interna, sino que también sitúa a las empresas británicas en una posición de desventaja frente a competidores que ya integran IA con procesos más estructurados.

A pesar de estos retos, la demanda de IA no se detiene. La presión por adoptar IA persiste y las preocupaciones de seguridad continúan siendo el principal freno; sin embargo, Pax8 interpreta el estado actual como una oportunidad para proveedores de software y servicios de TI. El mensaje clave para el ecosistema es claro: las organizaciones que ofrecen mayor visibilidad, controles de seguridad, gobernanza y gestión de costos tienen más probabilidades de generar confianza y adopción sostenida entre sus clientes.

Las conclusiones refuerzan la necesidad de alinear tecnología y gobernanza, promoviendo un enfoque de inteligencia conectada que reúna agentes, flujos de trabajo, datos y herramientas para crear una capa de inteligencia integrada. En palabras de Harald Nuij, CEO EMEA, estas tendencias destacan la importancia de empresas de confianza que ayuden a las pymes a unificar estos elementos. En un momento en que la adopción de IA puede parecer una carrera sin reglas, la gobernanza sólida y la gestión de gastos no son ya un lujo, sino un requisito estratégico para sostener el impulso innovador sin perder el control.

Para profundizar, la visión de futuro contempla que los proveedores asuman una responsabilidad mayor: brindar visibilidad mejorada, controles de seguridad y capacidades de gobernanza junto con opciones efectivas de gestión de costos. Esto no solo facilita la adopción responsable de IA, sino que también abre oportunidades para servicios y soluciones que actúen como capas de inteligencia conectada que proporcionen valor continuo a las empresas.

Nota al lector: el análisis se apoya en la investigación de Pax8 Pulses 2026, T3, que marca una instantánea de las dinámicas actuales de adopción, gasto y gobernanza de IA en el entorno empresarial del Reino Unido. Para quienes buscan transformar sus capacidades de IA con una visión más clara y segura, el informe sugiere que la clave reside en colaborar con proveedores que puedan ofrecer transparencia, seguridad y gestión integrada del gasto, más allá de la simple implementación tecnológica.

from Latest from TechRadar https://ift.tt/Gk0HgX3
via IFTTT IA

El lanzamiento del iPhone Duo ha generado un intenso interés en el mercado de teléfonos plegables, y aunque algunos críticos lo señalan como poco rentable por carecer de ciertas características clave, la fibra de la demanda indica que podría convertirse en uno de los teléfonos plegables más populares de la historia. En este análisis, exploramos las perspectivas de valor, los argumentos de competidores y las precauciones necesarias para quienes contemplan hacer una compra anticipada.

Uno de los aspectos más comentados proviene de Carl Pei, CEO de Nothing y cofundador de OnePlus, quien ha planteado que el Duo representa una inversión mayor de la que ofrece en capacidad y características, al no incluir desde la fotografía con teleobjetivo ni Face ID y con una cámara frontal que, a primera vista, podría parecer inferior a la del iPhone 18 Pro. Además, al comparar precios con modelos equivalentes, algunos sostienen que se paga más por un producto que, según su visión, entrega menos en especificaciones técnicas puras. Dicha crítica, sin embargo, no siempre captura el valor percibido por los usuarios, especialmente aquellos atraídos por la experiencia de usuario, el ecosistema y la innovación de diseño.

Más allá de las especificaciones, Pei reconoce que la atención de los usuarios se ha volcado hacia la experiencia de uso: la animación de plegado, el diseño y el ecosistema de Apple. Aunque el resto de los componentes técnicos podrían ser discutidos, la marca aporta un valor intangibles que muchas personas valorarán por encima de las características técnicas aisladas. En opinión de muchos analistas, la presencia de un logotipo de Apple y la familiaridad del sistema operativo iOS juegan a favor del Duo frente a alternativas que corren Android.

El volumen de demanda anticipada podría traducirse en ventas récord, incluso si la oferta se ve afectada por limitaciones de producción como las descritas por analistas. En este contexto, no es sorprendente que hayan aparecido bots de pre-venta, diseñados para asegurar unidades antes de que lleguen al público general. A pesar de la utilidad percibida por algunos usuarios, estos bots suponen riesgos y costos que conviene evaluar con cautela.

Las advertencias son claras: incluso si un comprador logra asegurar un dispositivo, las implicaciones posteriores pueden ser graves. Expertos y autoridades de la industria han señalado que el uso de bots de pre-venta podría exponer al usuario a robo de datos personales o de tarjetas de crédito, malware y otros riesgos de seguridad. Además, existen alertas sobre páginas falsas de pre-pedido que podrían engañar a los consumidores. Por ello, la recomendación general es realizar la compra directamente a través de Apple u minoristas de confianza y, si se quiere ganar tiempo, aprovechar herramientas oficiales como la función Get Ready de Apple y colocar el pedido tan pronto como se materialicen las ventas.

En resumen, el iPhone Duo representa una propuesta que, para muchos compradores, va más allá de las especificaciones técnicas: es una experiencia de uso, un ecosistema y una propuesta de valor que resuena con una base de usuarios amplia y leal. Aunque existen argumentos válidos para cuestionar su relación precio-función, la realidad del mercado sugiere que podría convertirse en un referente en ventas de dispositivos plegables. Quienes consideren la adquisición deben hacerlo con cautela, evitando prácticas riesgosas como los bots de pre-venta, y priorizando compras seguras y directas a través de canales oficiales.

from Latest from TechRadar https://ift.tt/LKw20V9
via IFTTT IA

Los agentes de IA están transformando la forma en que concebimos el desarrollo de software en las empresas. Tradicionalmente, los sistemas confiables siguen un enfoque estructurado: planificar, construir, probar y mantener para garantizar fiabilidad y escalabilidad, enmarcado por el ciclo de vida del desarrollo de software (SDLC).

Sin embargo, los agentes de IA son diferentes: son un equipo de actores autónomos y probabilísticos que trabajan mejor en entornos en tiempo real y dirigidos por eventos, lo que les permite coordinarse con datos en vivo para desarrollar, aprender y operar.

Para escalar una fuerza laboral empresarial de agentes de IA, las organizaciones deben combinar principios de gestión de talento con rigor de desarrollo de software. Estos agentes no son software estático que se puede codificar y desplegar de una vez; debido a los modelos de lenguaje probabilísticos, deben ser construidos, evaluados y gobernados de manera distinta.

Esto implica avanzar desde el SDLC tradicional hacia un Ciclo de Desarrollo de Agentes (ADLC), que aprovecha la estructura y el proceso repetible del SDLC y lo combina con el desarrollo y la gestión de agentes de IA.

Una mano amiga de RR. HH.

Como los agentes de IA desempeñan roles dentro de una empresa, el ADLC debe apoyarse en lecciones del ciclo de vida de los empleados humanos.

Cuando una organización incorpora a un nuevo miembro, hay un proceso deliberado: se define su rol, se le concede acceso a los sistemas necesarios, recibe formación y se integra al equipo. Una vez que está empoderado y en funcionamiento, un gerente supervisa su actividad, monitorizando y desarrollando su rendimiento con el tiempo.

Como actores autónomos operando dentro de un marco de gobernanza, los agentes de IA merecen y requieren el mismo trato.

Los agentes de IA necesitan un enfoque estructurado similar para su incorporación e integración en un negocio y para entregar los beneficios de eficiencia para los que fueron diseñados, lo que significa que requieren datos contextuales en tiempo real para desempeñar sus funciones.

Tratar a los agentes de IA como a humanos en la etapa de contratación

Imagina una organización donde cada empleado es un generalista, no existe jerarquía ni estructura, y toda la comunicación ocurre a través de llamadas uno a uno. Sin correo, sin Slack, sin sistemas compartidos.

La organización no puede escalar. La información no fluye. Las personas se ahogan con datos de todas las direcciones sin comprender qué hacer. No hay estructuras de responsabilidad, no hay controles de acceso, no hay mecanismos de coordinación más allá de conversaciones aisladas.

No se contrataría a un nuevo humano para este caos. Las organizaciones eficaces son distintas: se apoyan en personas especializadas y organizadas jerárquicamente, de modo que la coordinación ocurra en paralelo y la comunicación se base en canales asíncronos que permiten que la información fluya sin requerir que todos estén en línea al mismo tiempo. Lo mismo aplica para la incorporación de IA.

Los agentes de IA y los empleados no son diferentes a los ojos de una malla de agentes

La mayoría de las implementaciones tempranas de IA agente presentan un único agente complejo encargado de hacerlo todo, con acceso a todos los datos, comunicándose de forma síncrona y manteniendo contextos muy amplios o colaborando con sub-agentes. El resultado es un sistema frágil, costoso, poco consistente y totalmente incapaz de manejar la complejidad real de una empresa.

Aquí es donde una malla de agentes puede servir como plataforma de desarrollo y ejecución: ayuda a construir agentes que realmente funcionen en una empresa en tiempo real, especializados en funciones concretas, organizados jerárquicamente y orquestados por una plataforma de desarrollo y ejecución que se especializa en delegar tareas a los agentes adecuados.

Las comunicaciones entre agentes son asíncronas y dirigidas por eventos, y el acceso a datos y sistemas se regula mediante controles de acceso basados en roles, dando a los agentes exactamente los permisos que necesitan y nada más.

Veamos cómo los agentes pueden “integrarse” a través de un ADLC, tal como lo haría un nuevo empleado al unirse a la organización:

1. Tratar la configuración del agente como redactar una descripción de puesto

Antes de que un humano comience, se escribe la descripción del puesto. Se define el rol que ocupará, sus responsabilidades, los comportamientos esperados y los límites de actuación.

El constructor de una malla de agentes puede usar un agente interno de IA para facilitar una interfaz guiada para definir el propósito, alcance y configuración de un agente. Se establecen las instrucciones y prompts del sistema que modelan la personalidad y los parámetros de comportamiento del agente. Se definen también salvaguardas: límites estrictos sobre lo que el agente puede o no hacer, para evitar desviaciones o acciones inseguras.

2. Poner al agente al día con herramientas y acceso a sistemas

Las primeras semanas de un nuevo empleado consisten en obtener acceso a herramientas, sistemas y datos. El onboarding de un agente es igual de importante.

Una malla de agentes debe incluir un conjunto de conectores de datos: integraciones preconstruidas con bases de datos empresariales, lagos de datos, almacenes de datos, APIs de aplicaciones empresariales y servidores MCP. Esto permite que los agentes accedan a datos en tiempo real desde el primer día.

El acceso se otorga mediante controles de acceso basados en roles (RBAC), aplicando el principio de mínimo privilegio para que los agentes vean solo lo necesario. También puede definir habilidades asociadas a herramientas internas para que los agentes sepan cómo utilizarlas de la mejor manera.

3. Pasar el periodo de prueba – someter a estrés a los agentes antes del despliegue

Tras obtener acceso a los sistemas, los humanos reciben formación. Aquí la capacidad general se convierte en habilidades específicas de la empresa y del puesto. No pondrías a un nuevo empleado frente a los clientes sin verificar que sabe lo que hace. La misma lógica se aplica aquí.

Una malla de agentes puede ofrecer una función de Evaluación (Eval) que use IA para proponer pruebas para los agentes, permitir añadir más y ejecutarlas contra ellos. Esto facilita validar la competencia de los agentes frente a criterios de éxito definidos durante el desarrollo, soportando pruebas iniciales y pruebas de regresión a medida que se realizan cambios.

4. Mantener a los humanos en el control – validar las acciones de IA en tiempo real

Incluso el empleado más capaz recibe supervisión cercana al inicio. La supervisión no es micromanejo; es la red de seguridad que garantiza calidad, genera confianza y evita que los errores se agraven.

Una malla de agentes con arquitectura de supervisión humana en el ciclo permitiría canalizar acciones o decisiones de los agentes a revisores humanos para su aprobación antes de la ejecución. Esto es clave en sistemas agentivos porque los modelos de lenguaje grande (LLMs) son no deterministas y cometen errores; cuando el impacto de un fallo es arriesgado, los humanos pueden validar sus acciones, respuestas o conclusiones.

5. El trabajo en equipo hace que el agente de IA alcance su máximo potencial

La fase más transformadora del ciclo de vida de un empleado es aquella en la que los individuos se integran en equipos de alto rendimiento, donde la capacidad colectiva supera la suma de sus partes. Para los agentes de IA, esto es especialmente interesante.

Una malla de agentes debería apoyar flujos de trabajo que definan procesos repetibles, como los pasos para aprobar un préstamo, proporcionar una cotización de seguro o abrir una cuenta. La orquestación dinámica es cuando la malla cobra vida: agentes orquestadores dirigen el trabajo hacia especialistas adecuados, ya sea en secuencia o en paralelo, adaptándose en tiempo real cuando el input es fluido y el camino a seguir debe razonarse.

El resultado es una topología de malla multiagente – organizaciones jerárquicas de agentes que coordinan especialistas en diversas funciones, replicando la estructura de una organización humana eficiente.

6. Mejora continua de IA – detectar deriva de rendimiento temprano

Las organizaciones eficaces no despliegan a los empleados y se olvidan de ellos. Supervisan rendimiento, proporcionan retroalimentación y crean mecanismos para la mejora continua.

La visualización de la malla de agentes ofrecería una interfaz gráfica en tiempo real para rastrear interacciones entre agentes, llamadas a herramientas y LLMs, y los caminos de decisión, de modo que se identifique exactamente qué hacen y por qué. Las evaluaciones continuas detectan deriva de rendimiento o modos de fallo emergentes mediante evaluaciones en línea que se ejecutan en segundo plano, monitorizando la ejecución en producción.

Además, la instrumentación OpenTelemetry puede revelar tendencias de rendimiento a lo largo del tiempo, proporcionando los datos para decidir cuándo y cómo ajustar a los agentes.

Convertir a los agentes de IA en activos críticos exige un nuevo enfoque de despliegue

Para convertir a los agentes de IA de experimentos en herramientas operativas de alto rendimiento, se requiere una mentalidad completamente nueva para construir y desarrollarlos. Los SDLC tradicionales funcionan para código predecible, pero los agentes de IA actúan por sí mismos. Por ello, deben tener roles claramente definidos, accesos seguros a herramientas, pruebas rigurosas, supervisión humana y monitorización constante.

Para desplegar, gestionar y escalar una fuerza de trabajo de agentes de IA con confianza, las organizaciones deben implementar un ADLC sobre una plataforma en tiempo real y dirigiendo por eventos.

We’ve featured the best AI tools. Herramientas de IA destacadas

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

Las opiniones expresadas aquí son propias del autor y no necesariamente las de TechRadarPro o Future plc. Si te interesa aportar, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

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

El gasto en inteligencia artificial (IA) en el Reino Unido continúa escalando de forma sostenida, con proyecciones que sugieren una trayectoria de crecimiento acelerado y un retorno de la inversión (ROI) cada vez más significativo. Un nuevo informe de SAP destaca que el promedio de las empresas británicas invierte 20,6 millones de libras anualmente en IA, un incremento del 27% respecto a 2025 (16,2 millones). A la luz de estas cifras, no sorprende que SAP anticipe un aumento adicional del 45% entre 2026 y 2028, acercando el gasto medio anual a casi 30 millones de libras. Paralelamente, se espera que el ROI se vea a la par con la inversión, subiendo del 17% en 2025 a 22% este año y hasta 39% para 2028.\n\nEste crecimiento, sin embargo, viene acompañado de desafíos notables. SAP señala que solo el 11% de las empresas tiene una estrategia de IA holística y estratégica, con cerca de dos de cada cinco priorizando las inversiones por departamento en lugar de hacerlo a nivel organizacional. Como resumió Leila Romane, directora de SAP Reino Unido e Irlanda, “las organizaciones incrementan sus inversiones y esperan más retorno, pero ahora el foco debe ser convertir esa ambición en valor empresarial escalable.” \n\nA pesar del incremento en gasto, la adopción de IA con capacidad “agentic” (capaz de actuar de forma autónoma) sigue en desarrollo: alrededor del 70% de las empresas del Reino Unido están probando casos de uso de IA agentic y, a la vez, existe un optimismo general de que podrían lograr un incremento de 4,7 veces en los retornos financieros en los próximos dos años. Sin embargo, preocupa que alrededor de la mitad (49%) tema que estas soluciones se implementen con menos gobernanza de la deseada, y solo un pequeño porcentaje (9%) considere que su habilidad de gobernanza está plenamente preparada. Un ASPECTO alarmante es que 61% está desarrollando procesos de gobernanza ahora o reporta un nivel de preparación limitado o nulo.\n\nEn cuanto a las causas subyacentes, el déficit de datos se señala como la principal limitación: calidad de datos deficiente (71%), información incompleta (70%), sistemas aislados (65%) y acceso limitado a datos en tiempo real (62%) obstaculizan la efectividad de las iniciativas de IA. De cara al futuro, el 67% de las empresas considera que los sistemas de datos integrados serán el habilitador más importante para la preparación de IA.\n\nEn palabras de Naomi Weird, directora de Tecnología e Innovación del CBI, “una buena gobernanza no es un freno a la adopción de IA: es todo lo contrario.” Este argumento resuena en un panorama donde la demanda de mayor gobernanza coexiste con una necesidad creciente de soluciones rápidas y escalables.\n\nLa narrativa emergente es clara: el gasto en IA continuará aumentando y, con él, la promesa de ROI relevante. Pero para convertir ambición en valor real, las organizaciones deben invertir en gobernanza robusta y en una base de datos integrada y de alta calidad. Sin estas piezas, el crecimiento de IA corre el riesgo de quedarse en la mera generación de gasto sin el retorno sostenible que las empresas buscan.

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

Cambridge Audio presenta Spira, un tocadiscos que llega con un enfoque claro: facilidad de uso sin sacrificar la posibilidad de ampliar un sistema hi-fi a medida que crece el interés por el vinilo. Diseñado para evitar la complejidad típica de algunos modelos y para ajustarse a presupuestos razonables, Spira busca ubicarse en la franja de entrada sin renunciar a la calidad básica que muchos aficionados esperan.

A primera vista, Spira se presenta como una opción simple y directa. No es un equipo que pretenda impresionar por números extravagantes de especificaciones, sino por su facilidad de configuración y uso cotidiano. Con un precio de venta recomendado de 499 USD / 329 GBP (aproximadamente 640 AUD), se sitúa en la frontera inferior de la gama media, más accesible que otros modelos avanzados de Cambridge, pero suficientemente capaz para servir como puerta de entrada al universo analógico.

El conjunto viene en cinco colores —negro, blanco, verde, naranja y azul— colores habituales en la marca, lo que facilita coordinarlo con otros componentes de la línea Cambridge, incluidos sus altavoces y productos de audio doméstico. Esta coherencia estética facilita crear un sistema cohesionado sin complicaciones.

Uno de los atractivos clave de Spira es su capacidad de conectarse con gran variedad de setups. Incorpora una preamplificación de fono integrada y ofrece conectividad Bluetooth, lo que facilita integrarlo en sistemas existentes sin necesidad de equipos adicionales complejos. Aunque la conectividad anunciada se centra en estas dos opciones, la idea es precisamente permitir una integración sin fricciones para usuarios que ya poseen altavoces o barras de sonido, o que están pensando en una futura actualización de su equipo.

El plato está construido en acero, montado sobre un plinto de madera para disminuir las resonancias y proporcionar estabilidad. El brazo contiene un cartucho preinstalado Audio-Technica, conocido por su buenas prestaciones para usuarios que dan sus primeros pasos en el vinilo y, según Cambridge, es fácil de sustituir si se desea realizar una mejora cuando progresen las preferencias y el presupuesto.

En cuanto al diseño, Spira prioriza la simplicidad: sin multitud de diales o palancas que puedan resultar intimidantes para iniciados. Solo se aprecia un dial de velocidad (RPM), que cumple con la función esencial sin convertir la configuración en una experiencia complicada. Este enfoque minimalista puede no atraer a los usuarios más exigentes, que buscan personalización y alto rendimiento inmediato, pero para la gran mayoría de oyentes que desean un dispositivo fiable y versátil, es una propuesta atractiva.

En resumen, Cambridge Spira se posiciona como un tocadiscos “todo terreno” para quien quiere empezar con vinilo o para quien ya tiene un sistema y busca añadir un componente que se integre sin fricciones. Su combinación de precio moderado, conectividad flexible (incluyendo Bluetooth) y un diseño sobrio pero funcional, lo convierten en una opción razonable para quienes desean iniciar su viaje analógico o ampliar un ecosistema de audio sin complicaciones técnicas.

from Latest from TechRadar https://ift.tt/f5ToRQd
via IFTTT IA

El mayor desafío de la IA aplicada al comercio minorista puede no estar en la demostración de capacidades, sino en su ejecución en el mundo real. Un modelo puede recomendar un descuento, predecir un agotamiento de stock, optimizar una ruta de picking o identificar patrones de tráfico en milisegundos. El valor real aparece cuando esa decisión se convierte en una acción precisa en la tienda física, y llega a tiempo para ser útil, ya sea un cambio de precio o una lectura de sensor.

Ya existe una brecha notable entre la ambición de la IA y su implementación. En una encuesta de Deloitte de 2026 a 200 ejecutivos de retail y productos de consumo, el 75% considera la IA una prioridad estratégica, pero solo el 16,5% puede cuantificar el retorno. Las empresas minoristas creen en la IA; el reto es convertir capacidades aisladas en una solución que funcione de forma consistente en todo el negocio.

Para los minoristas físicos, el desafío no termina con modelos, datos o software. Las decisiones impulsadas por IA deben atravesar tiendas con miles de dispositivos, redes existentes y tecnología instalada durante años. En entornos complejos, incluso la propia infraestructura puede afectar la conectividad. A medida que crece el número de puntos finales conectados, también lo hace la importancia de la base inalámbrica que transporta la información entre la tienda y la nube.

Para CIOs y CTOs, esto implica una nueva limitación poco valorada hasta ahora: si la arquitectura de la tienda podría ejecutar a escala de forma fiable cuando la IA tiene éxito.

Una tienda no es una carga de nube

El retail físico introduce condiciones que el software no puede abstraer por completo. Las tiendas tienen paredes, estantes de metal, cámaras frigoríficas, salas traseras, zonas de carga y sistemas heredados, además de horarios de apertura. Cambios de infraestructura que parecen simples en un diagrama pueden volverse costosos o disruptivos cuando se replican en cientos de locales.

Tomemos el inventario como ejemplo. Un modelo de pronóstico puede mejorar una decisión de reposición, pero la ejecución a nivel de tienda depende de sensores de estantería, dispositivos de mano, herramientas de picking e información de producto que intercambian datos de forma eficiente.

La visión por computadora, los señalizadores digitales y la monitorización ambiental añaden más puntos finales y una mezcla más amplia de datos, desde actualizaciones de dispositivos y lecturas de sensores hasta contenido visual y datos operativos en tiempo real. Estas cargas de trabajo exigen demandas muy distintas sobre la red. Algunas requieren ancho de banda alto o baja latencia; otras implican grandes poblaciones de dispositivos alimentando actualizaciones periódicas en entornos difíciles. Individualmente, ninguna es necesariamente un problema de red; colectivamente, pueden convertirse en uno.

Si una decisión de precio no puede llegar a cada tienda con rapidez, una señal de reposición llega demasiado tarde o cada nueva aplicación requiere otra capa de infraestructura costosa, el minorista pierde parte del valor que la tecnología pretendía crear.

Una respuesta es añadir otra pasarela, controlador o capa de aplicación para el próximo proyecto. Eso puede funcionar en un piloto, pero si se repite con frecuencia, cada nuevo dispositivo accede a una vía de integración, un responsable de seguridad, una consola de gestión y un modo de fallo propio.

En entornos difíciles, añadir infraestructura específica para superar brechas de cobertura también puede alterar la economía de implementación. La tecnología funciona, pero operarla se vuelve progresivamente más complejo.

El problema de escalado aparece cuando el piloto funciona

Los equipos de tecnología del retail están acostumbrados a evaluar si una nueva aplicación cumple su caso de negocio. La IA añade otra cuestión: ¿qué sucede con la infraestructura si la aplicación tiene éxito?

Un piloto puede involucrar una tienda y un número limitado de endpoints. Escalar cambia la economía. La cobertura debe funcionar en todo el edificio, las actualizaciones deben seguir siendo fiables durante la actividad normal y los equipos de seguridad necesitan una forma consistente de incorporar y gestionar dispositivos. Los equipos de operaciones también requieren una propiedad clara cuando algo falla.

La conectividad, por tanto, debe tratarse como una elección arquitectónica, no como una especificación oculta en cada adquisición. El objetivo no es reemplazar toda la red existente ni crear una para cada aplicación, sino emparejar las cargas de trabajo con la capa inalámbrica que mejor se adapte a sus requisitos, manteniendo el conjunto de la red manejable.

Los diseños actuales pueden ser suficientes en algunas tiendas. En formatos grandes o difíciles, o cuando los endpoints de retail IoT crecen rápidamente, puede justificarse una capa inalámbrica adicional diseñada para el propósito. La decisión debe ser deliberada, no una herencia de un proyecto a otro.

Diferentes cargas de trabajo requieren cimientos inalámbricos distintos

La tienda preparada para el futuro probablemente no dependerá de una única red para todo. Es más probable que utilice una combinación de capas de conectividad, cada una soportando las cargas de trabajo para las que está mejor diseñada. Las empresas deben considerar si el Wi-Fi empresarial debe seguir siendo el transporte por defecto para cada nueva categoría de dispositivos conectados.

A medida que se expanden los estates de estantes electrónicos y se añaden más sensores y aplicaciones IoT de retail, las cargas de trabajo adecuadas podrían estar mejor cubiertas por una capa inalámbrica específica, junto a la red empresarial.

Esto no implica una red aislada para cada caso de uso, sino una capa de conectividad escalable y reutilizable capaz de soportar grandes poblaciones de dispositivos a lo largo del tiempo. La seguridad debe estar en la misma conversación: cada punto final necesita gestión consistente, desde una incorporación y credenciales confiables hasta la baja de dispositivos.

Las normas abiertas siguen siendo importantes porque proporcionan una base más consistente para dispositivos, aplicaciones y plataformas futuras. Pero la apertura por sí sola no es la arquitectura. La decisión es qué cargas de trabajo pertenecen a qué capa de conectividad; las normas ayudan a que esas capas sigan siendo manejables y adaptables.

Los programas de IA minoristas más exitosos se juzgarán por más que la calidad de sus predicciones: a medida que crezca el estate conectado, la prueba será si las organizaciones pueden convertir esas predicciones en acciones fiables en tiendas reales.

Antes de aprobar el siguiente piloto de IA, los minoristas deberían preguntarse qué necesitará su estate si tiene éxito, qué cargas de trabajo crecerán y si todas deben seguir transportándose de la misma manera.

Si el éxito implica más dispositivos, datos más ricos, actualizaciones más frecuentes o despliegues en un estate mucho más amplio, la arquitectura inalámbrica que soporta esas cargas de trabajo debe ser una parte central de la estrategia de IA.

Los minoristas no invierten en herramientas de IA o en conectividad por el simple placer de hacerlo. Buscan proteger el margen, mejorar la disponibilidad y facilitar la operación de las tiendas. La capacidad de IA y su escalabilidad son problemas distintos.

El objetivo debe ser una arquitectura en la que nuevas cargas de trabajo puedan utilizar la capa de conectividad que mejor se adapte a ellas sin que el estate tenga que reconstruirse cada vez. Las empresas que diseñen para ambos escenarios estarán en una posición mucho más fuerte para convertir la ambición en ejecución fiable y repetible.

Este artículo forma parte de las perspectivas de TechRadar Pro, una iniciativa para destacar las mentes más brillantes de la industria tecnológica hoy.

from Latest from TechRadar https://ift.tt/EhioG7x
via IFTTT IA