La narrativa de la ‘SaaSpocalypse’ continúa dominando las perspectivas de los inversores, con temores de que el desarrollo de la IA amenace el valor de las empresas de software. Sin embargo, considero que no se trata de una Apocalipsis SaaS, sino de un periodo de selección natural para la industria del software —donde los más fuertes prosperarán.

La adopción generalizada de la IA eleva el listón, por lo que los proveedores de SaaS deben centrarse en entregar resultados diferenciados y de alto valor. Los proveedores basados en ofertas amplias y poco diferenciadas que no entreguen un valor claro y evolutivo pronto estarán en peligro de extinción, sustituidos por soluciones de IA simples.

En contraste, las compañías de software con verdadera especialización, profundo entendimiento del cliente y defensas sólidas están bien posicionadas para fortalecer y evolucionar su posición en la era de la IA.

Conocimiento profundo del cliente

En el mercado industrial medio, el desarrollo de IA debe estar anclado en aplicaciones prácticas. Los fabricantes operan en entornos físicos e industriales donde la prioridad es construir y entregar las piezas y productos que impulsan la economía real.

Sabemos que nuestros clientes no buscan construir software por sí mismos ni experimentar con ‘vibe coding’, sino que desean que sus socios tecnológicos de confianza mejoren sus plataformas de forma segura y estructurada.

El profundo conocimiento de la industria, el conocimiento de flujos de trabajo especializados y décadas de datos intrincados son los factores críticos que permiten identificar dónde se puede entregar valor real a los clientes. Estos elementos son los más difíciles para que los disruptores de IA intenten simular o replicar.

El impacto de la IA reformará significativamente la forma en que se desarrolla y entrega el software, pero los proveedores deben seguir confiando en data moats establecidos y marcos de seguridad.

Los proveedores de SaaS que poseen el banco de conocimiento que ya proporciona el software y que capitalizan esta profunda experiencia durante la adopción de IA serán los que resistan la prueba del tiempo. Invertir en plataformas y agentes de IA que transformen ese conocimiento en acción autónoma entregará exactamente lo que los clientes necesitan: toma de decisiones mejorada, mayor eficiencia mediante expansión de márgenes y mayor resiliencia.

Una cosa permanece constante: la presión sobre las empresas para entregar más con menos. Para triunfar en este momento crítico, las compañías de software deben ayudar a las empresas a lograrlo mediante aplicaciones tácticas y diferenciadas de IA dentro de sus flujos de trabajo.

Incorporar IA de forma segura con gobernanza clara

Incorporar IA en los flujos de trabajo es una forma práctica y de alto impacto para escalar sin aumentar significativamente el gasto. Cuando los agentes de IA se integran y entrenan en sistemas, pueden automatizar tareas rutinarias, aportar insights en contexto y guiar a los usuarios en acciones siguientes. Esto libera tiempo para trabajos de mayor valor.

Al incorporar herramientas de IA, los proveedores deben priorizar la gobernanza estableciendo límites claros, procesos y sistemas seguros. La formación específica por roles es crítica para garantizar que la IA se integre correctamente en los flujos de trabajo manteniendo la seguridad de los datos empresariales.

Las capacidades añadidas de IA juegan un papel central en el desarrollo de la fuerza laboral. A medida que los flujos de trabajo se vuelven más inteligentes, los empleados deben recibir apoyo para desarrollar nuevas habilidades y entregar trabajo de mayor valor, mientras los clientes se benefician de sistemas más receptivos y competentes.

Reconocer una progresión natural más allá de la integración superficial de IA, enfocándose en análisis, juicio y mejora continua. Para lograrlo, los proveedores pueden incorporar agentes de IA directamente en los entornos de software de los que los clientes ya dependen. Así, los usuarios finales pueden ampliar su capacidad sin introducir riesgos o interrupciones innecesarias en las operaciones centrales.

La IA no reemplaza la experiencia ni el SaaS; eleva la línea base y ayuda a los equipos a desarrollar las habilidades necesarias para entregar más valor.

Protección de márgenes

La industria se mueve ahora más allá del entusiasmo inicial por la IA hacia una comprensión más realista de su coste e impacto. A medida que las organizaciones enfrentan las realidades de implementación, integración, gobernanza y costes operativos continuos, la conversación se vuelve más equilibrada.

Este cambio separará aún más a quienes entregan valor significativo y embebido de quienes dependen de características superficiales de IA.

En periodos de incertidumbre económica y condiciones de mercado volátiles, que son cada vez más una realidad global, las empresas deben construir resiliencia mediante la toma de decisiones inteligente y el pensamiento a futuro. Cuando los costes, los precios de la energía, el transporte y la disponibilidad de proveedores fluctúan rápidamente, los fabricantes suelen apoyarse en indicadores rezagados y hojas de cálculo desactualizadas, que quedan obsoletas en cuanto se comparten.

Esta latencia puede combatirse con IA que esté directamente integrada en el SaaS y que combine datos internos y externos para informar cambios de precio probables y ventanas de compra ideales.

Crucialmente, dado que estos insights se sitúan dentro de la plataforma que los clientes utilizan a diario, las recomendaciones predictivas se entregan en contexto con la información adecuada en el momento correcto. La visibilidad en tiempo real del rendimiento, respaldada por IA, permite a las empresas actuar con mayor confianza ante condiciones inciertas.

Para los clientes, esto se traduce en márgenes más fuertes, mejores resultados y mayor resiliencia empresarial. Así, los usuarios finales pueden disfrutar de una plataforma intuitiva e informativa que facilita su trabajo.

Superar la dicotomía “uno u otro”

La IA y el SaaS están convergiendo. Las organizaciones que invierten tanto en la tecnología como en la capacidad de usarla de forma efectiva obtendrán el mayor retorno. Con la gobernanza adecuada y un entendimiento claro de las necesidades del cliente, la IA se convierte en un multiplicador de valor para lo que el SaaS ya ofrece, no en su reemplazo.

La conversación debe centrarse en los clientes que usan SaaS, que no desean experimentar con código sino herramientas tecnológicas en las que pueden confiar, entregadas con procesos, seguridad y fiabilidad claros.

En última instancia, esto no es el fin del SaaS, sino un punto de inflexión para diferenciar a los proveedores de software. Aquellos que integren la IA de forma significativa dentro de productos de confianza y mantengan una especialización genuina emergen fortalecidos de este periodo de selección natural. Las organizaciones que inviertan en tecnología y en la capacidad humana para usarla de forma eficaz obtendrán el mayor rendimiento.

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

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

A medida que la adopción de la IA avanza, es natural que algunos trabajadores sientan aprensión. Un estudio de Harvard Business Review señala que la confianza en la IA generativa proporcionada por el empleador cayó un 31% entre mayo y julio de 2025, a pesar de la creciente presión de la dirección para aprovechar la tecnología y aumentar la productividad. Este dato revela una brecha clara entre las prioridades de los líderes y las de sus equipos.

Las herramientas de IA tienen la capacidad de aligerar la carga de trabajo en distintas áreas y generar resultados medibles: por ejemplo, los equipos que integran la IA como parte central de sus funciones comerciales mostraron una mayor probabilidad (65%) de aumentar sus tasas de cierre. Sin embargo, narrativas que enmarcan la IA principalmente como un motor de reducción de costos y de personal están frenando la adopción, a pesar del claro potencial positivo.

La conversación ha pasado de la especulación a la ejecución, pero muchas organizaciones siguen luchando por ir más allá de pilotos aislados. Cerrar esa brecha es una responsabilidad de liderazgo para realizar el potencial de la tecnología.

Las iniciativas de IA no fracasan porque las herramientas sean débiles o ineficaces, sino porque los empleados no confían en cómo se está introduciendo la tecnología, qué significan las nuevas herramientas para su rol o si seguirán teniendo un lugar una vez que se integren por completo.

El verdadero desafío es ayudar a los equipos a superar su aprensión hacia la IA mediante el aumento de su fluidez, la implementación de guías claras, la dedicación de tiempo para entrenamiento práctico y el esclarecimiento de casos de uso que hagan que la solución se sienta controlable y con propósito, más que opaca y amenazante.

Encabezando la confianza y la fluidez

La IA no va a quitarle el trabajo a un empleado; lo hará otra persona que la use de forma eficiente, aprovechando su propio beneficio. Esto dará lugar a roles completamente nuevos (ingenieros de prompts, responsables de ética de IA, especialistas en mantenimiento de IA), tal como la transformación digital creó funciones que apenas existían hace una década. Cuando trabajaba en una empresa global de redes sociales, hace una década, el concepto de “social selling” parecía abstracto. Hoy es mainstream, y estamos en la misma trayectoria con la IA, solo más rápido.

Cuando los líderes hablan de IA solo en términos de hacer más con menos, los empleados perciben una amenaza, no una oportunidad. La gente es mucho menos propensa a confiar en la IA si no confía en las intenciones de la dirección detrás de ella. La tranquilidad no puede provenir únicamente de políticas; debe demostrarse con el comportamiento.

Todo empieza con una visión cuidadosa para construir fluidez entre los equipos. Aquí es donde la dirección debe mostrar a los empleados cómo funciona la IA en sus roles específicos. Cuando no hay una comprensión clara de cómo y dónde pueden integrar la IA en sus flujos de trabajo, es natural que aparezca la duda.

La adopción se consolida cuando los líderes proporcionan guías claras, formación responsable y ejemplos prácticos para que la IA se perciba como una tecnología que amplifica sus habilidades, no como una amenaza.

Rediseño de roles, no solo incorporación de herramientas

El éxito de la adopción de IA depende de que los roles de los usuarios evolucionen al mismo ritmo. Si las personas operan de forma distinta para aprovechar las ganancias de la IA, sus descripciones de trabajo no pueden permanecer estáticas.

Los líderes más efectivos están rediseñando proactivamente responsabilidades para eliminar tareas de baja utilidad y enfocar a sus equipos en interpretación, creatividad y juicio.

Esto varía según la función empresarial. En un equipo de éxito del cliente, el rol debe ir más allá de la atención reactiva posventa, ya que esa atención desperdicia el valor adicional que la IA puede aportar a la inteligencia empresarial. Los líderes deben reconocer que los CSM pueden hacer mucho más cuando cuentan con IA y reformular sus roles para que actúen como arquitectos estratégicos de ingresos. Al usar IA para construir experiencia en buyer personas, pueden formular preguntas más precisas y consultivas para anticipar sus necesidades y resolver problemas antes de que el cliente se dé cuenta de ellos. Eso representa una verdadera reestructuración del rol, no una simple etiqueta.

En ventas, la IA está transformando la forma en que los gerentes entrenan. En lugar de acompañar a un representante en una llamada y tomar notas (con sesgos inconscientes asociados), los gerentes pueden revisar un briefing generado por IA, aplicar tarjetas de puntuación basadas en datos e identificar exactamente dónde los individuos necesitan apoyo. Pueden identificar las llamadas de ventas donde se manejaron situaciones desafiantes y usar ejemplos reales como material de entrenamiento. Pueden ver qué equipos están ganando, por qué y dónde se están rompiendo los procesos. El coaching deja de ser tan instintivo y subjetivo para basarse más en datos y resultados reales.

Qué parece el verdadero liderazgo en IA

Si bien los empleados pueden sentirse aprensivos respecto a las implicaciones de la IA sobre sus roles, los líderes serán evaluados principalmente por los resultados que sus equipos generan. En última instancia, la IA será un multiplicador significativo. Ya no es una cuestión de si la IA puede entregar resultados; el desafío es guiar a las personas en el camino hacia comprender cómo la IA potenciará sus habilidades, no reemplazarlas.

Fomentar la adopción de IA de manera que genere resultados reales es una de las prioridades más urgentes de los líderes. Las personas no pasan de la aprensión a la agencia simplemente porque se les diga que la IA importa. Lo logran cuando los líderes hacen que la tecnología sea comprensible, útil y claramente alineada para respaldar sus roles. Eso significa demostrar confianza y redefinir cómo trabajan las personas, no sólo exigirles que aprendan rápidamente a usar nuevas herramientas.

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

A pesar de años de inversión en inteligencia artificial (IA), la mayoría de las experiencias de cliente siguen siendo fragmentadas, reactivas y dependientes de sistemas desconectados detrás de escena.

Aunque el 88% de las empresas ya utiliza IA en al menos una función, casi dos tercios permanecen atascados en fases piloto, según McKinsey, lo que resalta la brecha entre la adopción de IA y la transformación operativa meaningful.

Los Modelos de Gran Lenguaje (LLMs) han ayudado a las empresas a crear interacciones más rápidas y personalizadas, pero muchas organizaciones están reconociendo que la IA conversacional por sí sola no es suficiente. A medida que las organizaciones compiten cada vez más en la economía de la experiencia, el enfoque se está moviendo hacia tecnologías capaces de coordinar acciones, flujos de trabajo y decisiones a lo largo de todo el recorrido en tiempo real.

Esa cambio está impulsando una nueva era de orquestación de la experiencia del cliente de forma agentiva, donde los sistemas de IA pueden ir más allá de responder a solicitudes y ayudar a ejecutar tareas, resolver problemas y coordinar resultados de forma autónoma a través de la empresa.

Los Modelos de Acción Grande (LAMs) están emergiendo como una pieza clave de esa transición, ayudando a las organizaciones a avanzar más allá de la inteligencia conversacional hacia la ejecución operativa en tiempo real.

Mover la IA más allá de la conversación

Esta transición importa porque cambia fundamentalmente lo que las herramientas de IA pueden entregar dentro de la experiencia del cliente.

Los LLMs llevaron la inteligencia conversacional a la empresa, ayudando a la IA a comprender la intención y generar interacciones más naturales. Los LAMs se basan en esa base para convertir la intención en acción: determinar los próximos pasos y ejecutar flujos de trabajo complejos en tiempo real, dentro de límites de seguridad definidos por la empresa.

Es importante destacar que el auge de los LAMs no implica el fin de los LLMs. Las dos tecnologías trabajan juntas. Los LLMs siguen siendo críticos para la comprensión conversacional y el razonamiento contextual, mientras que los LAMs conectan esa inteligencia con acciones coordinadas. Esto lleva la IA más allá de responder a solicitudes, hacia la orquestación de resultados a lo largo del recorrido del cliente.

Por ejemplo, consideremos un viaje de aerolínea interrumpido en temporada alta. Hasta ahora, incluso agentes de IA avanzados solo podían explicar la demora o dirigir a los clientes hacia otro canal de soporte.

Los agentes virtuales agents impulsados por LAMs cambian esa dinámica por completo. Estos agentes virtuales pueden autenticar al cliente, rebooking de vuelos, actualizar asientos, procesar compensaciones, coordinar flujos de trabajo entre sistemas y enviar actualizaciones proactivas antes de que el cliente pregunte.

Ese es el cambio real: pasar de IA que genera respuestas a IA que ayuda a orquestar resultados significativos para los clientes.

La transición hacia la orquestación agentiva

Esto marca el comienzo de un cambio más amplio hacia una experiencia de cliente autónoma impulsada por orquestación agentiva. A medida que los sistemas de IA son cada vez más capaces de razonar y actuar a través de sistemas, las organizaciones están reconsiderando el modelo operativo detrás de la experiencia del cliente.

La mayoría de las empresas no fueron diseñadas para entregar experiencias seamless, proactivas y contextualmente conscientes que todos esperamos. Creemos que cerrar esa brecha requiere un nuevo modelo operativo para la experiencia del cliente, basado en orquestación en lugar de automatización aislada. Uno que pueda conectar journeys de principio a fin con contexto compartido, continuidad y ejecución coordinada a través de canales, sistemas, equipos y agentes de IA.

Este cambio es especialmente significativo, porque las empresas hoy en día ya no compiten únicamente por productos o servicios. Cada vez más, compiten por la experiencia.

Históricamente, las organizaciones a menudo enfrentaban un compromiso entre eficiencia operativa y empatía con el cliente. Mejorar una cosa con frecuencia empeoraba la otra. La orquestación de experiencias potenciadas por IA tiene el potencial de cambiar fundamentalmente esa ecuación, al permitir experiencias que son simultáneamente eficientes, proactivas, personalizadas e emocionalmente inteligentes.

Ya empezamos a ver ejemplos de práctica. Utility Warehouse, una de las primeras organizaciones en desplegar agentes virtuales agentivos impulsados por LAMs, ha utilizado la tecnología para apoyar viajes complejos del cliente, incluyendo facturación y restauración de servicios.

Al simplificar su arquitectura de experiencia y conectar mejor los flujos de trabajo front y back-office, la empresa ha duplicado las tasas de contención mientras mejora tanto la experiencia del cliente como la de los empleados.

Las organizaciones mejor posicionadas para triunfar en la próxima era de la experiencia del cliente serán aquellas que no solo implementen más IA, sino las que sean capaces de orquestar experiencias inteligentes y conectadas a gran escala.

Por qué la gobernanza ya no es opcional

No obstante, la autonomía sin gobernanza genera riesgo.

Los titulares sobre agentes de IA que eliminan bases de datos, interpretan mal instrucciones y operan fuera de los parámetros aprobados han dejado al descubierto un desafío creciente para las empresas. Cuanto más capaz se vuelve la IA, más importante es la confianza y la rendición de cuentas.

La gobernanza ya no puede tratarse como algo agregado después del despliegue. A medida que los sistemas de IA se vuelven más capaces de razonar y actuar de forma independiente, la gobernanza debe evolucionar de políticas estáticas a una arquitectura operativa integrada en las capas de orquestación.

Aquí es donde la gobernanza por diseño se vuelve esencial. Los sistemas de IA requieren salvaguardas de grado empresarial y límites operativos claros para garantizar que las acciones autónomas permanezcan confiables y alineadas con las políticas de negocio.

Esperamos que estándares de interoperabilidad abiertos como Model Context Protocol (MCP) y Agent-to-Agent (A2A) jueguen un papel cada vez más importante para habilitar una orquestación agentica responsable en toda la empresa.

El MCP está diseñado para actuar como una capa de conexión segura entre sistemas de IA, herramientas empresariales, datos y flujos de trabajo, proporcionando el contexto y los controles en tiempo real que las IA necesitan para operar de forma segura y eficaz. A2A puede permitir que los agentes de IA se comuniquen, colaboren y coordinen acciones entre diversas plataformas y sistemas.

En conjunto, estos estándares pueden sentar las bases de una orquestación multi-agente, donde los agentes de IA y los equipos humanos pueden trabajar con contexto compartido, gobernanza y supervisión operativa para entregar experiencias de cliente más fluidas y orientadas a resultados. Para las organizaciones que escalonen IA agentica en la experiencia del cliente, confiamos en que esta confianza se convertirá en un diferenciador competitivo.

La supervisión humana sigue siendo esencial. A medida que la IA se integra más en el trabajo diario —con un 36% de las personas ya usando herramientas de IA en el lugar de trabajo en el Reino Unido— la conversación se desplaza de lo que la IA puede automatizar hacia dónde la intervención humana es más necesaria.

La IA se está volviendo más eficaz para manejar procesos rutinarios y complejos de forma autónoma, pero estos sistemas siguen necesitando supervisión humana. A medida que la IA asume más responsabilidad operativa, las personas seguirán desempeñando un papel crítico en diseñar sistemas, gestionar excepciones, guiar decisiones y intervenir en momentos que requieren empatía y matiz.

Esperamos que ese equilibrio gane importancia a medida que las organizaciones avancen hacia experiencias de cliente más autónomas. El objetivo es permitir que humanos e IA operen como un sistema coordinado, cada uno aportando donde es más efectivo.

El próximo capítulo de la experiencia de cliente autónoma

A medida que la competencia se desplaza cada vez más hacia la economía de la experiencia, la lealtad del cliente se crea menos por productos o servicios aislados y más por la calidad de la experiencia global que se entrega. El reto ya no es simplemente introducir IA en la experiencia del cliente, sino usarla para eliminar fricciones, coordinar recorridos y entregar resultados de manera más efectiva a lo largo de la empresa.

Los LAMs están acelerando esa transición al permitir que los sistemas de IA tomen acciones de forma autónoma a través de flujos de trabajo, canales y procesos operativos en tiempo real, moviéndose de un soporte reactivo hacia experiencias de cliente más proactivas y conectadas.

Es vital que las organizaciones puedan combinar con éxito IA, personas y operaciones de formas que hagan que las experiencias parezcan sin esfuerzo para los clientes, a fin de competir. Esa capacidad de orquestar experiencias inteligentes y conectadas que impulsan resultados a escala se convertirá en un diferenciador mucho más importante que la adopción de IA por sí sola.

Hemos destacado el mejor chatbot de IA para negocios.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica hoy.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/LOrKk4z
via IFTTT IA

En el primer episodio de Stuart Fails to Save the Universe, la realidad parece doblarse sobre sí misma. Si tu cabeza aún da vueltas, no estás solo: el viaje por el multiverso que propone esta historia nos invita a mirar más allá de lo evidente y a cuestionar qué significa realmente “salvar” cuando cada decisión genera ramificaciones imposibles de prever. Este artículo examina cómo se ha construido ese universo de posibilidades y qué podemos esperar en los próximos movimientos de la temporada.

La narrativa ha ido más allá de la simple premisa de una tienda de cómics que rompe un dispositivo catastrófico. Ya desde el inicio, se ha insinuado la presencia de un perfil sorprendente: un personaje de The Big Bang Theory cuyas circunstancias se devastan de manera inesperada, o al menos así se expresa la verosimilitud en el relato. Este tratamiento aporta una capa de humor sombrío que, sin dejar de ser ligero, pone en jaque la idea de que “todo está bajo control” en un universo que cambia a cada segundo.

Con la llegada del segundo episodio, la serie confirma su promesa de un salto cuántico definitivo. ¿Cuándo podremos ver Stuart Fails to Save the Universe episodio 2 en HBO Max? En Estados Unidos, la entrega aterriza el jueves 30 de julio a las 18:00 PT / 21:00 ET. A nivel internacional, las ventanas de estreno se extienden de la siguiente manera:
– Estados Unidos – 18:00 PT / 21:00 ET
– Canadá – 18:00 PT / 21:00 ET
– Reino Unido – Viernes 31 de julio a las 02:00 BST
– India – Viernes 31 de julio a las 06:30 IST
– Singapur – Viernes 31 de julio a las 09:00 SGT
– Australia – Viernes 31 de julio a las 11:00 AEDT
– Nueva Zelanda – Viernes 31 de julio a las 12:00 NZDT

Este tipo de descolumnaje temporal no es casual: cada episodio parece diseñar un nuevo eje temporal que obliga a lectores y espectadores a reorganizar su comprensión del tiempo narrativo. ¿Qué significa, entonces, “salvar” cuando la colisión de realidades alternativas transforma la propia definición de salvación? La respuesta puede residir en la forma en que los personajes aceptan la incertidumbre y, a través de ella, crean estrategias para continuar a pesar del caos.

En cuanto a la cadencia de los estrenos, las nuevas entregas se anuncian para cada jueves en Estados Unidos y, en general, para los viernes en el resto del mundo. Estas fechas, además de servir como calendario de visualización, funcionan como un mapa de la expectativa: cada semana, la audiencia debe reajustar su hipótesis sobre el arco narrativo y, al mismo tiempo, intervenir con su propia imaginación sobre el destino de los protagonistas.

A lo largo de la temporada, el viaje de Stuart y su equipo promete seguir entrelazando humor, tensión y una observación aguda sobre la cultura pop y la ciencia ficción. Si te interesa el comportamiento de los universos paralelos y cómo las decisiones aparentemente menores pueden desencadenar consecuencias monumentales, este podría ser uno de los títulos que defina el año en streaming. Mantente atento a cada estreno, porque cada episodio podría acercarnos un paso más a entender si, efectivamente, existe una forma de navegar entre mundos sin perder la brújula personal.

Para completar, una breve nota visual: la serie no escatima recursos audiovisuales para reforzar la sensación de movilidad temporal. En el material promocional y en las imágenes de episodios, el atrezzo y la iluminación juegan con perfiles que recuerdan a un tablero de ajedrez cósmico, donde cada jugada podría cambiar el sentido de la partida. Si eres fan de las narrativas que desafían la linealidad, este proyecto ofrece un terreno fértil para la reflexión y la diversión a la vez.

En resumen, Stuart Fails to Save the Universe se posiciona como una propuesta que conjuga juego, reflexión y entretenimiento en un formato que invita a ver la realidad desde múltiples ángulos. A medida que avanzan los episodios, la invitación es clara: acompáñanos en este viaje por los afterhours del multiverso y descubre qué significa, en última instancia, salvar un universo que quizá ya esté en otra realidad.

from Latest from TechRadar https://ift.tt/uny9Yw6
via IFTTT IA

Las laboratorios occidentales siguen construyendo los modelos de IA con mayor rendimiento en pruebas de rendimiento, pero las alternativas chinas más fuertes ya quedan a solo unos puntos porcentuales de distancia, y a un coste hasta 100 veces menor, dependiendo del modelo y del escenario de despliegue.

Este cambio redefine la pregunta competitiva. El ganador de la carrera no será necesariamente la empresa con el modelo más inteligente, sino aquel ecosistema que haga que la IA avanzada sea lo suficientemente asequible para desplegarse en todas las áreas. Esa conclusión surge de un análisis de 33 modelos de 15 proveedores, comparando rendimiento en razonamiento, costo y control de despliegue en el mercado actual.

A seis puntos de distancia: la cumbre de la clasificación casi se ha cerrado

En GPQA Diamond, una exigente prueba de razonamiento científico, los modelos líderes siguen siendo estadounidenses, pero los laboratorios chinos ya no están a una escala por detrás en una banda separada. Están dentro de la misma franja competitiva que los líderes. Claude Mythos 5 lidera con 94.4%, seguido por Gemini 3.1 Pro con 94.3% y Claude Fable 5 con 94%. Sin embargo, Qwen 3.7 Max ya alcanza 92.4%, mientras que GLM-5.2 y DeepSeek V4 Pro obtienen 91.2% y 90.1%.

Las puntuaciones del benchmark siguen favoreciendo a Occidente. Lo que ya no hacen es explicar por completo la decisión de negocio.

La cifra que importa más: hasta 100x más barato

Un coste de inferencia inferior no solo ahorra dinero en la misma carga de trabajo: cambia lo que las empresas pueden permitirse construir. Los costes de inferencia más bajos significan más consultas con el mismo presupuesto, IA desplegada en docenas de procesos internos en lugar de un único uso premium, y soporte, análisis y automatización más asequibles. También permiten que modelos avanzados sean accesibles para startups y empresas de tamaño medio que no pueden justificar precios de vanguardia.

Parte de esa brecha de precio refleja un modelo de seguridad diferente. Los sistemas de código abierto chinos suelen venir con salvaguardas predeterminadas más ligeras que los modelos occidentales de frontera, por lo que parte de la responsabilidad de pruebas, prevención de uso indebido y cumplimiento recae en la empresa que los despliega.

Un modelo ligeramente más débil pero diez o cincuenta veces más barato puede ser comercialmente más competitivo que el líder del benchmark, porque la mayoría de las aplicaciones empresariales no necesitan los últimos puntos de razonamiento; necesitan una estructura de costos que escale. Es una elección binaria. El mercado ya se ha dividido en dos capas y cada una sigue su propia lógica.

En la base está la capa de gran volumen: clasificación, soporte, generación de contenidos y tareas rutinarias de negocio. Aquí, “bastante bueno” ya gana, porque los usuarios apenas notan una diferencia de unos pocos puntos de benchmark, mientras que cada CFO nota una diferencia de precio de diez veces o más. Los modelos de código abierto chinos ya están ocupando esta capa. En el último año, la cuota de modelos estadounidenses en el tráfico de OpenRouter cayó de aproximadamente 74% a 20%, mientras que los modelos chinos crecieron hasta casi la mitad. Por volumen de tokens, ya es su mercado.

En la cima está la frontera: tareas complejas de agentes, codificación y todo aquello donde un modelo realiza docenas de pasos sin intervención humana. Aquí, una pequeña diferencia en calidad se acumula con cada paso y, en una secuencia de 50 pasos, un par de puntos porcentuales de tasa de error pueden significar la diferencia entre completar la tarea y fallar. Por eso el dinero se comporta al revés de el tráfico: los presupuestos corporativos se concentran alrededor de unos pocos modelos de punta. Anthropic representa ahora alrededor del 40% del gasto API empresarial, en gran parte por codificación y agentes. Los tokens fluyen hacia modelos baratos, mientras que los dólares van hacia los mejores.

Por ello no habrá un ganador claro-toma-todo como en la búsqueda. Los modelos no generan un efecto de red y cambiar a otro cuesta casi nada; encaminar entre varios ya es una arquitectura de producción estándar. Al final tendremos un oligopolio de unas pocas laboratorios de frontera capturando la mayor parte del valor en la cima, y un océano de modelos de bajo costo y commodity en la base que capturan la mayor parte del volumen. Y esa frontera seguirá moviéndose hacia abajo: lo que hoy es frontera será commodity dentro de un año. Por eso el valor no reside en un modelo específico, sino en la velocidad de iteración y distribución.

Esto nos devuelve a la idea original sobre regulación. Si Occidente sobrerregula sus propios modelos, entregará toda la capa inferior a China, porque para la mayoría de tareas empresariales, “bastante bueno” es ya suficiente. No es una hipótesis; ya se ve en los números.

Ese es el verdadero riesgo para las empresas de IA occidentales. El mayor peligro no es que China tome de inmediato la cima del benchmark, sino que el mercado decida que esa cima ya no justifica el premio.

Más allá del precio: las pesos abiertas como segunda ventaja

Varios de los modelos chinos más fuertes, como GLM-5.2, DeepSeek V4 Pro y Qwen3.5 397B, se lanzan con pesos abiertos, lo que significa que las compañías pueden ejecutarlos en su propia infraestructura en lugar de alquilar acceso mediante una API.

Eso ofrece a las empresas mayor control sobre sus datos, menor dependencia de la política de precios o cambios de un solo proveedor y la capacidad de adaptar el comportamiento del modelo a sus necesidades.

Los laboratorios chinos no solo ofrecen versiones más baratas de productos occidentales. Están compitiendo con un modelo de adopción diferente, basado en menor coste, apertura y control, uno que atrae directamente a las empresas que desconfían del encierro con proveedores.

Ese debate ya ha llegado a Washington. En una carta abierta reciente, líderes como Satya Nadella y Jensen Huang defendieron contra restricciones a modelos de IA de código abierto, advirtiendo que limitar su desarrollo podría debilitar la competitividad de Estados Unidos.

Cuando los jefes de las empresas más valiosas del mundo defienden algo al mismo tiempo, la primera pregunta siempre es sobre el dinero. Los modelos abiertos benefician a Nvidia porque vende el hardware a todos los que los ejecutan. Es revelador que OpenAI y Anthropic, cuyos negocios dependen de modelos cerrados, no firmaron la carta al principio, y OpenAI se unió solo después de que la ausencia se convirtió en la historia principal. Todos aquí defienden su propio modelo de negocio, y eso es normal. No debería confundirse con una preocupación por la humanidad.

Pero en sustancia, los signatarios tienen razón. Es la misma historia que el código abierto. Dar software gratis alguna vez pareció irracional y luego Linux se convirtió en la base de toda la Internet. Los modelos cerrados y abiertos coexisten, cada uno en su propio segmento. Cuantos más modelos abiertos haya, más competencia habrá, más barata será la tecnología y más rápido se moverá toda la industria.

El contexto real de esta carta no es filosofía, sino el intento de Washington de restringir modelos chinos abiertos que se han acercado a la frontera.

Qué presiona a los laboratorios occidentales

Ninguna de estas tendencias implica que OpenAI, Anthropic o Google estén perdiendo la carrera de IA. Sus modelos siguen liderando en capacidad bruta.

Pero esa ventaja está volviéndose más difícil de monetizar en cada carga de trabajo. A medida que surgen alternativas más baratas que se acercan lo suficiente para uso empresarial rutinario, los laboratorios occidentales enfrentarán más presión para defender precios premium tarea por tarea en lugar de depender solo del liderazgo en benchmarks.

Six temas que los modelos chinos no tocarán de la misma forma

Pero los mismos modelos que ofrecen mayor libertad económica y técnica traen una restricción diferente. La apertura técnica no implica neutralidad política.

Los modelos chinos pueden ofrecer más control de la infraestructura, pero siguen estando más restringidos políticamente en temas relacionados con China: Tiananmen y 1989, el estatus de Taiwán, Xinjiang y el trato a los uigures, las protestas de Hong Kong, críticas a Xi Jinping y referencias políticamente sensibles como Winnie the Pooh.

Las respuestas pueden ser rechazadas, redirigidas o enmarcadas de acuerdo con la posición oficial china. Esto opera en dos niveles: un filtro en vivo en la API alojada y una alineación más profunda integrada en el modelo mismo, que sobrevive incluso cuando una empresa ejecuta el modelo en sus propios servidores.

Enkrypt AI descubrió que aproximadamente el 91% de las respuestas de DeepSeek R1 sobre controversias relacionadas con China seguían inclinadas a favor de Beijing tras intentos de jailbreak estándar. La autoservicio puede proporcionar soberanía de datos, pero no garantiza automáticamente neutralidad política.

Qué decide la próxima fase

Occidente sigue liderando en capacidad máxima. La próxima fase de la carrera no se decidirá por unos pocos puntos de benchmark, sino por qué ecosistema puede convertir la inteligencia avanzada en infraestructura asequible y escalable para el mercado más amplio.

China ha construido una ventaja seria en coste y control, pero las compañías que adopten esa infraestructura también deberán tener en cuenta sus restricciones políticas.

from Latest from TechRadar https://ift.tt/PWx2Zrc
via IFTTT IA

Microsoft ha informado sobre una estimación de llegada de una computadora cuántica comercialmente viable, situándola en 2029 como fecha probable. Para las empresas, eso significa estar a tan solo diez reuniones de junta trimestrales de distancia.

Cada nueva predicción reaviva el debate sobre cuándo llegará realmente el Q-Day, pero lo más apremiante es el periodo de preparación que esto ofrece a las organizaciones. La preparación cuántica no es algo que se pueda lograr de la noche a la mañana. Para cuando llegue una computadora cuántica cryptográficamente relevante, las empresas ya deberán haber identificado sistemas vulnerables, mapeado datos críticos y comenzado su migración. El Q-day no marca el inicio de la preparación, sino el momento en que dicha preparación será evaluada.

Tratar la cuántica como un problema de mañana corre el riesgo de repetir un error similar al ocurrido con Y2K. Los consejos de administración deben reconocerlo como un riesgo empresarial crítico. El debate sobre cronogramas es una distracción que no podemos permitirnos, especialmente cuando podría existir adversarios recopilando datos para descifrarlos en una fecha futura.

Cómo podría desaparecer la confianza en los datos empresariales de la noche a la mañana

Para datos de larga vida —como registros financieros, propiedad intelectual o datos de identidad— el riesgo no comienza solo cuando una computadora cuántica rompe la criptografía de hoy. El riesgo ya existe a través de ataques de recolección ahora y decrujado después, donde atacantes recogen datos cifrados hoy con la intención de descifrarlos cuando las computadoras cuánticas sean suficientemente potentes y viables.

Muchas empresas minimizan este riesgo por dos motivos: creen que, incluso si se recolectan datos cifrados, el gran volumen limita la amenaza. Pero quizá no han considerado el poder de la IA y la cuántica trabajando juntas. La IA ha permitido revisar terabytes de datos casi al instante, identificando información de alto valor a gran escala. Y eso es exactamente lo que harán los actores malintencionados una vez que la cuántica pueda romper la cryptografía.

Otros asumen que no están en riesgo porque disponen de poco datos de larga vida para robar. Sin embargo, el impacto de una violación va más allá de la información expuesta: una vez que la integridad de los datos se pone en duda, la confianza en los sistemas, contratos, transacciones e incluso en la propiedad intelectual basada en esos datos se erosiona rápidamente. En ese punto, el problema se convierte en una pérdida de confianza.

Por qué el riesgo no recae sólo en el CISO

Para muchos consejos, la seguridad cuántica suena como un desafío tecnológico especializado. En realidad es un desafío de liderazgo que afecta gobernanza, resiliencia, cumplimiento y responsabilidad corporativa.

Las consecuencias van desde la exposición regulatoria y el riesgo de proveedores hasta la confianza de clientes, la resiliencia operativa y, en última instancia, la confianza en los datos que sustentan decisiones estratégicas y modelos de IA sobre los que se estructura gran parte de la actividad empresarial. Si la información sensible ya no puede ser confiable, tampoco pueden confiarse las decisiones, transacciones o servicios que se construyen sobre ella. Con la adopción de herramientas de IA y automatización, la confianza en los datos se ha convertido en un activo de negocio por derecho propio.

Por eso la preparación cuántica no puede quedar solo en manos del CISO. Los equipos de seguridad juegan un papel crítico en identificar la exposición y planificar la migración, pero la responsabilidad final de la resiliencia a largo plazo recae en el liderazgo.

Una buena gobernanza implica adelantarse a los riesgos materiales antes de que se vuelvan urgentes. Retrasar la migración a criptografía postcuántica (PQC) es uno de los riesgos tecnológicos más significativos de la década, y las juntas que actúen ahora podrán demostrar exactamente cuán importante es para la seguridad futura de una empresa.

Por qué la migración empezará a rendir frutos ya

Una de las razones por las que las organizaciones subestiman el reto es la suposición de que la preparación cuántica solo implica sustituir un algoritmo de cifrado por otro. En realidad, los sistemas criptográficos están altamente interconectados: cambiar un componente suele tener implicaciones en otros lugares.

Antes de que una organización pueda declararse cuánticamente preparada, debe entender y tener visión completa de todo su ecosistema criptográfico. Esto incluye dónde se usa la cifración, cómo interactúan los sistemas y, por tanto, qué activos se verán afectados por el cambio. Sin ese conocimiento, es imposible planificar una estrategia de migración efectiva.

Si bien el camino hacia la preparación cuántica no es breve, el proceso aporta valor inmediato. Mapear las dependencias criptográficas a menudo revela debilidades de seguridad existentes y lagunas de gobernanza que las organizaciones pueden y deben abordar hoy.

Así, en muchos casos, el esfuerzo necesario para prepararse ante amenazas cuánticas también refuerza la resiliencia frente a las amenazas actuales, entregando un retorno de inversión más rápido de lo que muchos esperan.

Qué deberían hacer las juntas ahora

Las juntas no necesitan convertirse en criptógrafos de la noche a la mañana, pero sí deben empezar a hacer mejores preguntas y aceptar que la seguridad cuántica es un tema de presente.

Deberían plantearse las preguntas correctas ante las personas adecuadas. Esto incluye:

• Quién lidera nuestra estrategia de preparación cuántica en el negocio?
• ¿Sabemos identificar dónde estamos más expuestos a lo largo de las cadenas de suministro?
• ¿Qué activos de datos seguirían siendo sensibles si se exponen dentro de diez o veinte años?
• ¿Dónde dependemos de la criptografía en toda la organización?
• ¿Tenemos un plan para identificar y reemplazar sistemas vulnerables y dependencias de proveedores?
• ¿Comprendemos la diferencia en costo, complejidad, posición competitiva y riesgo reputacional entre empezar hoy versus esperar hasta 2029?

Las organizaciones que actúen con rapidez utilizarán este periodo de alerta para entender su exposición y modernizar su criptografía, situándose en una posición que demuestre haber tomado medidas razonables mientras aún había tiempo.

La buena noticia es que empezar la migración a PQC es mucho más sencillo de lo que las juntas pueden creer. El primer paso es mapear el inventario criptográfico de la empresa. Y, más allá de ser una inversión futura, esto ayudará a identificar vulnerabilidades actuales también.

Lo importante es dar el primer paso cuanto antes, ya que es un proceso largo que no sucederá de la noche a la mañana. La pregunta que las juntas deben hacerse ahora es: “si la cuántica llegara mañana, ¿qué expondría sobre su organización?”. Si el liderazgo no puede responder con confianza hoy, todavía hay trabajo por hacer.

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

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