La reciente demostración de la animación iPhone Duo ha generado un gran interés en el ecosistema de dispositivos plegables, especialmente al verla reproducida en el Galaxy Z Fold 8. Aunque por ahora se trata de una demostración y no de una funcionalidad que puedas activar de forma nativa en el sistema, el interés es claro: la posibilidad de trasladar una transición tan fluida entre pantallas a un formato diferente ha encendido la imaginación de usuarios y desarrolladores.

En iOS 27, Apple ha optimizado la experiencia para el nuevo factor de forma plegable, destacando una transición que hace que la wallpaper parezca disolverse y recorrer el borde entre las dos superficies al abrirse o cerrarse la pantalla principal de 7.6 pulgadas. Este efecto, que ya ha sido replicado en dispositivos Android, muestra hasta qué punto las animaciones pueden enriquecer la experiencia de usuario cuando el hardware lo permite. Un usuario de Android ha utilizado un sensor de bisagra de alta precisión para mapear valores de movimiento y generar una transición que parece realista en ambas pantallas del Galaxy Z Fold 8. El resultado es visualmente atractivo: una mitad de la pantalla que se vuelve semi-transparente a medida que se abre o cierra, revelando lo que hay debajo mediante una capa de gradientes y sensores de movimiento.

Sin embargo, es importante subrayar que, por ahora, se trata de un hack o experimento. No es algo que puedas aplicar a nivel del sistema operativo ni usar de forma generalizada en todas las aplicaciones. El desarrollador señala que para que funcione a escala necesitaría acceso a permisos y capacidades que solo Samsung podría facilitar. En otras palabras, mientras la demostración es impresionante, no se trata de una función lista para su adopción general en el ecosistema Android.

Las reacciones en la comunidad han sido mayoritariamente positivas. Muchos describen la experiencia como “genial” o “asombrosa” y destacan la rapidez con la que apareció esta idea poco después del anuncio de Apple. Esto sugiere un apetito notable entre los usuarios de plegables por experiencias visuales más sofisticadas, incluso si aún no están disponibles de forma sistemática.

Es prudente, no obstante, considerar posibles limitaciones. Quien probó la animación en Persona advierte que, si bien el efecto es atractivo al verlo de frente, puede volverse molesto con el tiempo. Además, la ilusión depende de ángulos de visión y del rendimiento de la pantalla; variaciones en el ángulo de visión pueden romper la experiencia. Estas observaciones pueden ser relevantes para futuros intentos de replicar efectos similares fuera del ecosistema original.

En cuanto al mercado, por ahora el iPhone Duo permanece como el único dispositivo plegable que ofrece una animación de este tipo, estableciendo un estándar de lo que los usuarios pueden esperar de las transiciones entre pantallas. Si te interesa esta experiencia, las preventas están previstas para comenzar el viernes 16 de octubre, con precios desde 1,999 USD / 1,999 GBP / 3,499 AUD.

En resumen, la demostración demuestra lo que es posible cuando se combinan sensores de movimiento de alta precisión con efectos visuales y gradientes bien diseñados. A medida que los fabricantes exploren estas ideas y cooperen para habilitar funcionalidades a nivel del sistema, podríamos ver nuevas experiencias de usuario más inmersivas en teléfonos plegables. El interés está servido, y la próxima generación de dispositivos podría traer respuestas más definitivas sobre la viabilidad y la aceptación de estas animaciones entre usuarios y desarrolladores.

from Latest from TechRadar https://ift.tt/pbO3Iir
via IFTTT IA

OpenAI lanzó ChatGPT Images 2.5 esta semana, destacando mejoras notables en el creador de imágenes impulsado por IA. El nuevo modelo promete detalles más nítidos, iluminación más natural y texturas más ricas, al tiempo que preserva mejor personas y objetos a partir de fotos de referencia. También se afirma que puede generar imágenes hasta un 50% más rápido y seguir instrucciones visuales complejas de forma más fiable.

Entre las novedades útiles se incluye Sketch para convertir bocetos en imágenes terminadas, plantillas para carteles y fotografía de productos, y la posibilidad de dejar comentarios directamente en una imagen al solicitar ediciones. OpenAI lo presenta como su modelo de imágenes de última generación, lo cual establece una barrera alta para algo que, inevitablemente, a veces se ve obligado a dibujar dragones antes del desayuno.

La reacción inicial, sin embargo, no es tan ordenada. Un usuario de Reddit dejó quizá la reseña más memorable hasta ahora: “The noise patterns are awful”. Otro comentó, al evaluar una generación de IA, “This…looks terrible.” La queja es fácil de entender: todo se trata del ruido.

Todo es más nítido, incluido el problema

El ruido es una crítica un poco resbaladiza cuando se habla de imágenes generadas por IA. En fotografía, generalmente describe el granulado que aparece cuando la iluminación y la técnica fotográfica no encajan. Pero las imágenes generadas por IA pueden mostrar algo similar sin haber pasado por una cámara. Todo adquiere un aspecto áspero, arenoso, y, por alguna razón, nada parece limpio.

El ruido resulta especialmente perjudicial porque puede disfrazarse de detalle. Los modelos generativos han aprendido que las fotografías contienen grano, textura, variaciones mínimas de color e imperfecciones ocasionales. Las imágenes 2.5 parecen especialmente ansiosas por reproducir esas señales, a veces dispersándolas por cielos, piel, plumas y fondos de estudio.

Eso va en contra de los supuestos de “detalles más nítidos” y “texturas más ricas” prometidos por OpenAI. A pesar de enfatizar una iluminación y texturas más naturales, algunos usuarios consideran que ChatGPT Images 2.5 ha retrocedido.

“Deben eliminar estos artefactos ruidosos. Hace que, en su mayoría, sea inútil para la producción,” escribió una persona. Hay elogios mezclados con quejas, pero está lejos de ser aclamado universalmente.

Quise comprobar si el problema sobrevivía fuera de capturas de Reddit, así que probé varias imágenes con sujetos altamente detallados y áreas que deberían permanecer visualmente suaves, para ver si aparecía algo de grano. Incluso ajusté mis indicaciones para pedir gradientes suaves y la eliminación de cualquier ruido visual.

Resultados y observaciones

Comencé con una imagen de una taza en un estudio fotográfico. Al principio, la efigie del pavo real, flores, frutas y paisaje que rodean la cerámica virtual es impresionante. Pero al mirar más de cerca, el fondo gris del estudio conserva una textura granular persistente, y algunos de los patrones más pequeños se desvanecen en un antialias confuso. El modelo genera una gran cantidad de información visual sin decidir siempre qué partes merecen claridad.

Un problema similar ocurrió cuando solicité una lechuza de granja al atardecer. Las plumas son un motivo perfecto para la complejidad, y las Images 2.5 las manejan bien. Las estructuras individuales permanecen visibles en las alas y la cara, las garras son convincentes, y el animal evita la calidad plástica que solían tener las imágenes de fauna IA.

Detrás de ello, un cielo que debería ser como una hoja en blanco presenta un grano fino evidente. No arruina la foto, pero una vez que lo notas, no puedes dejar de notarlo.

Otra prueba mostró que una escena de fantasía con un caballo alado y un dragón coexistiendo con un arcoíris en un lago alpino funciona con coherencia, aunque la textura granosa es visible de inmediato. El cielo azul pálido tiene una calidad texturizada sutil en lugar de un degradado limpio, y las montañas, árboles y detalles de la criatura presentan un aspecto crujiente y fuertemente sharp. No es un desastre, pero parece una fotografía demasiado procesada.

También quedé impresionado con una escena de dos amigos en una azotea al atardecer: las expresiones son convincentes y se percibe una gravedad real en la forma en que se mueven sus prendas. Pero al observar durante más de un minuto, el grano que recorre el cielo crepuscular y sus cabellos y piel resulta evidente. Si la luz era adecuada, ese grano parece un artefacto de la generación más que una limitación física de la toma en condiciones difíciles.

Conclusión

Al evaluar estas imágenes, la IA muestra rendimiento rápido, adaptabilidad y competencia en muchos aspectos. Sin embargo, su preferencia por una textura granular debilitada la realismo que busca emular. Tal vez la próxima actualización reconozca que lo más impresionante que puede aportar un generador de imágenes IA a una parte de una imagen es, en esencia, nada.

Qué opinas tú? Participa en nuestra encuesta para compartir tu punto de vista.

from Latest from TechRadar https://ift.tt/lD6bZ3f
via IFTTT IA

En el cambiante panorama de las pequeñas y medianas empresas, la asesoría experta puede marcar la diferencia entre avanzar con confianza o quedarse estancado. Lenovo ha unido fuerzas con Eva Longoria, actriz reconocida por Desperate Housewives y empresaria serial invertida en sectores que van desde la alimentación hasta los medios, para ofrecer una propuesta de mentoría y guidance práctico dirigido a emprendedores que buscan respuestas a sus desafíos diarios.

La iniciativa Call Eva forma parte del programa global Backing Every Business de Lenovo. A través de este proyecto, los emprendedores de Brasil, Francia, India, Japón, México, Reino Unido y Estados Unidos pueden enviar sus preguntas, ya sea por un número de teléfono dedicado o a través de CallEvaNow.com. Longoria seleccionará las cuestiones más urgentes y las abordará posteriormente en su cuenta de Instagram personal, con una sesión programada para el 16 de septiembre de 2026.

La filosofía detrás de Call Eva reside en la idea de que las grandes decisiones no siempre requieren respuestas propias; a veces, una perspectiva externa, basada en experiencias reales de otra empresa, puede aclarar el rumbo. Longoria señala que una de las lecciones más valiosas como emprendedora es entender que no es necesario saberlo todo de inmediato: pedir insights a alguien de confianza puede ser el primer paso para tomar decisiones más acertadas y avanzar con mayor confianza.

Este enfoque colaborativo es el núcleo de Lenovo Backing Every Business: reunir a emprendedores para compartir experiencias, perspectivas y consejos prácticos, fomentando relaciones de pares que permitan enfrentar desafíos comunes. Además, la participación de Eva Longoria añade una dimensión de liderazgo visible, que puede inspirar a quienes están construyendo desde cero o buscando escalar sus operaciones.

El compromiso de Lenovo con la comunidad emprendedora se refuerza con declaraciones de ejecutivos de la compañía. Emily Ketchen, Directora de Marketing de la división Intelligent Devices Group e International Markets de Lenovo, subraya que la tecnología por sí sola no construye un negocio: también se necesita asesoría confiable, experiencias compartidas y una comunidad que comprenda la realidad de crear y hacer crecer una empresa. Backing Every Business y Call Eva buscan unir estas piezas para que los emprendedores puedan avanzar con más claridad y seguridad, escuchando directamente las inquietudes de quienes están en el campo.

La iniciativa, acompañada de recursos visuales y contenido que sitúa a Eva Longoria como mentora accesible, refuerza una tendencia actual en la que figuras reconocidas colaboran con marcas para aportar valor práctico a las comunidades emprendedoras. Al combinar la visibilidad de una celebridad con la experiencia de negocio real, Call Eva ofrece un canal adicional para entender mejor los retos que enfrentan las pequeñas empresas y para buscar respuestas que faciliten su crecimiento.

En definitiva, Call Eva no es solo una oportunidad de acercar preguntas a una figura pública; es un puente que conecta a los emprendedores con respuestas útiles, pertinentes y accionables, del mismo modo en que Lenovo ha diseñado su programa para crear una red de apoyo que trasciende la tecnología y llega al terreno de la experiencia, el consejo y la acción.

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

La inteligencia artificial está transformando rápidamente la forma en que se diseña, escribe y prueba el software. Los equipos de desarrollo pueden usar IA para generar código, crear casos de prueba, identificar defectos probables y automatizar tareas repetitivas de aseguramiento de calidad (QA) a una velocidad que, hace apenas unos años, parecía imposible.

Ese aceleramiento tiene un valor claro. Pero también genera un nuevo desafío de QA. Cuando la misma clase de tecnología se utiliza tanto para crear software como para decidir si ese software es correcto, las organizaciones corren el riesgo de alimentar un bucle cerrado de confianza. Un modelo de IA puede generar código basado en una interpretación particular de un requisito y luego generar pruebas a partir de la misma interpretación. Si la hipótesis original es incorrecta, tanto el código como la prueba pueden coincidir entre sí y aun así fallar al usuario.

En resumen, la IA, por sí sola, no puede ser la única juez de su propio trabajo.

Este no es un argumento contra el desarrollo asistido por IA. Los errores, las alucinaciones y las salidas inconsistentes son expectativas de una tecnología que aún está madurando. La pregunta más importante es si las organizaciones cuentan con mecanismos independientes capaces de detectar esas fallas antes de que afecten a clientes, empleados o procesos críticos del negocio.

Encabezado: Las suposiciones compartidas crean puntos ciegos compartidos

La assurance de software tradicional ya reconoce la valorabilidad de mantener separación entre desarrollo y pruebas. Las personas que construyen un sistema lo entienden profundamente, pero esa familiaridad puede dificultar cuestionar las suposiciones sobre las que se basó. Pruebas independientes abordan el sistema desde una perspectiva diferente, mirando no solo lo que se pretendía que hiciera el software, sino también cómo podría fallar.

El mismo principio se aplica a la IA. Los modelos entrenados con datos similares, solicitados con los mismos requisitos o funcionando dentro del mismo entorno de desarrollo pueden reproducir los mismos puntos ciegos. Un modelo que genera una funcionalidad puede pasar por alto un requisito ambiguo, un recorrido de usuario poco común o un edge case específico de un dispositivo. Un segundo modelo, al ser solicitado para probar esa funcionalidad, puede reforzar la omisión en lugar de exponerla.

Este problema se agrava cuando las pruebas generadas por IA se tratan como evidencia de calidad simplemente porque se ejecutan con éxito. Un test que pasa solo garantiza que se cumplieron las condiciones del test. No prueba que esas condiciones sean completas, independientes o significativas.

El resultado puede ser un sistema técnicamente coherente que, en la práctica, está equivocado.

La tensión más fundamental entre la IA generativa y la assurance formal de software es la repetibilidad. Los agentes de IA modernos están diseñados para generar y adaptar. Es decir, ante un objetivo aparentemente idéntico, pueden elegir pasos diferentes, usar herramientas distintas, interpretar el contexto de manera diferente y producir código o pruebas distintos.

Esto no siempre indica que el sistema esté aprendiendo con cada ejecución; también es una consecuencia de la generación probabilística, cambios de contexto y modelos evolutivos. Esa variabilidad puede ser útil cuando los equipos exploran soluciones, pero entra en conflicto con la disciplina central de QA. Es decir, una prueba controlada debe ser capaz de ejecutarse de nuevo con la misma versión, en las mismas condiciones, con resultados esperados definidos y evidencia de un pase o fallo claro.

Sin ese control, las organizaciones pueden terminar con actividad de IA en lugar de aseguramiento, y salidas que parecen plausibles, pero no pueden reproducirse de forma fiable, medirse, auditarse o defenderse.

Encabezado: El éxito funcional no equivale a éxito para el usuario

Muchas pruebas automatizadas evalúan el software mediante señales a nivel de código. Verifican si un servicio devuelve la respuesta esperada, si una página contiene un elemento concreto, o si se puede localizar un botón mediante un identificador o selector.

Estas comprobaciones son importantes, pero no equivalen a validar la experiencia del usuario. Una prueba puede confirmar que un botón existe aunque esté oculto tras otro elemento. Puede verificar que un campo contiene texto sin reconocer que el texto está truncado, ubicado en el lugar erróneo o renderizado de forma ilegible.

Puede encontrar un menú que está técnicamente presente pero inaccesible en una pantalla pequeña. Puede confirmar que una transacción se completó sin notar que la confirmación mostrada al usuario contiene el monto, la cuenta o el estado incorrectos.

Desde la perspectiva del sistema, el software puede haber funcionado correctamente. Desde la perspectiva del usuario, puede haber fallado.

Este matiz importa porque los servicios digitales modernos dependen cada vez más de combinaciones complejas de código de aplicación, comportamiento del navegador, sistemas operativos, tamaños de pantalla, escritorios remotos, entornos virtuales y componentes de terceros.

Un cambio en cualquiera de estas capas puede modificar lo que aparece en pantalla sin provocar necesariamente que una prueba funcional convencional falle. Por ello, las pruebas deben examinar no solo lo que reporta el sistema subyacente, sino lo que el usuario ve y puede hacer.

Encabezado: Por qué la validación visual importa

La validación visual de la interfaz de usuario ofrece una perspectiva independiente porque prueba el resultado renderizado en lugar de depender únicamente de la estructura interna de la aplicación. Esa independencia es significativa. Las pruebas basadas en código suelen depender del conocimiento del sistema que se prueba: identificadores de objetos, estructuras de documentos, etiquetas de accesibilidad, APIs o respuestas de datos esperadas. La validación visual puede evaluar la interfaz final tal como se presenta al usuario, incluyendo diseño, posicionamiento, contenido, estado y usabilidad en distintos entornos.

La validación visual no es una fase separada de assurance ni un reemplazo de las pruebas funcionales, de integración, de seguridad o de rendimiento. En cambio, se aplica a lo largo de todas las divisiones de assurance donde se diseña, construye, cambia o prueba una interfaz de usuario, desde componentes individuales y pruebas de unidad hasta pruebas de integración, de sistema y de aceptación del usuario.

Las pruebas funcionales confirman que una operación se completó correctamente; la validación visual confirma que el resultado se muestra con precisión, de forma consistente y sigue siendo usable. Una assurance confiable exige ambas a lo largo del ciclo de vida del desarrollo.

La necesidad se acentúa a medida que la IA genera una mayor proporción de cambios de software. Las herramientas de IA pueden producir código rápidamente, pero ese ritmo aumenta el volumen y la frecuencia de cambios que los equipos de calidad deben evaluar. Sin un nivel de assurance centrado en la experiencia renderizada, los defectos pueden avanzar por las canalizaciones de entrega más rápido de lo que las organizaciones pueden reconocer.

La validación visual actúa como un control de la brecha entre la ejecución técnica y la experiencia humana.

Encabezado: la repetibilidad convierte la automatización en evidencia

La IA es eficaz para generar ideas, guiones y posibles escenarios de prueba. Sus salidas, sin embargo, pueden variar entre ejecuciones. Un modelo puede interpretar la misma instrucción de manera diferente según el contexto, la configuración o la variación probabilística. Esa flexibilidad puede ser útil durante la exploración, pero no es suficiente para una assurance formal.

Una prueba utilizada para aprobar una versión de software debe ser repetible. Los mismos inputs deben producir el mismo procedimiento, los mismos puntos de control y los mismos criterios de éxito o fallo. Los equipos deben poder establecer qué fue probado, cuándo, qué versión de la aplicación estuvo involucrada y por qué se aceptó el resultado.

La IA es eficaz para generar ideas, guiones y posibles pruebas, pero los sistemas generativos y con agencia no son controles inherentemente determinísticos. Su salida puede variar por generación probabilística, cambios de prompt, actualizaciones de modelos, resultados de recuperación y decisiones de un agente al seleccionar herramientas y planificar su siguiente acción. En desarrollo de software, esta flexibilidad puede acelerar el descubrimiento. Para la assurance formal, crea un problema de control material.

Una prueba para aprobar una versión debe ser repetible y auditable. La misma versión de la aplicación, entradas y entorno deben producir el mismo procedimiento definido, puntos de control y criterios de éxito, lo que permite a los equipos precisar qué se probó, cuándo, con qué versión y por qué se aceptó el resultado.

Solo entonces se pueden medir pases y fallos a lo largo del tiempo, reproducir defectos y confiar en la evidencia en una auditoría o en un entorno regulado.

Esta es la diferencia entre usar IA para acelerar la creación de pruebas y permitir que la IA se convierta en la autoridad de las pruebas.

La IA puede ayudar a los equipos a redactar casos de prueba, identificar brechas y reducir el esfuerzo necesario para automatizar flujos de trabajo rutinarios. Una vez que una prueba se adopta como parte de un proceso de assurance, debe volverse controlada, determinista, trazable y auditable. Sus resultados esperados deben ser explícitos. Los cambios deben revisarse. Los fallos deben reproducirse. Debe conservarse la evidencia de pases y fallos.

Sin esos controles, una organización puede saber que un sistema de IA realizó ‘algunas pruebas’, pero ser incapaz de demostrar con precisión qué ocurrió. Eso es una base débil para la confianza operativa y una base aún más débil para la rendición de cuentas.

Encabezado: Entornos regulados elevan las apuestas

Las consecuencias de errores en la interfaz no se distribuyen de manera uniforme. En una aplicación de consumo, un campo desalineado o un mensaje incorrecto pueden generar frustración y pérdida de ingresos. En finanzas, atención sanitaria, defensa o gobierno, un defecto similar puede influir en un pago, una decisión clínica, una instrucción operativa o un servicio público. Una interfaz que muestra el estado equivocado, oculta una advertencia o presenta información desactualizada puede provocar consecuencias mucho más allá de la pantalla.

Las organizaciones reguladas también deben poder explicar y evidenciar sus controles. No basta con afirmar que se probó un sistema. Puede que necesiten demostrar que las pruebas fueron consistentes, que los resultados fueron revisados y que el software se comportó como se esperaba en los entornos donde se implementó.

La assurance generada por IA de que los cambios de una ejecución a otra complican esa tarea. Lo mismo ocurre con una estrategia de prueba que se centra en respuestas internas del sistema y descuida la interfaz final utilizada por el personal o los clientes.

La validación visual independiente y repetible puede ayudar a proporcionar una cadena de evidencia más clara. Muestra no solo que una aplicación devolvió los datos esperados, sino que la información correcta apareció en el lugar correcto, de forma usable, en el punto en que se requiere una decisión o acción humana.

Este enfoque es particularmente importante cuando errores de presentación aparentemente menores pueden alterar el comportamiento. Una advertencia oculta, un punto decimal mal colocado, una unidad incorrecta o un indicador de estado desactualizado pueden no impedir que una aplicación funcione, pero pueden inducir a tomar acciones equivocadas.

En estos entornos, la interfaz no es simplemente una capa estética. Forma parte del sistema de control operativo.

Encabezado: Combinar velocidad con control

La mejor estrategia no es elegir entre IA y las disciplinas de calidad establecidas. Es asignar cada una el papel para el que está mejor equipada.

La IA puede aumentar la velocidad de desarrollo, ampliar la cobertura de pruebas y reducir el esfuerzo manual necesario para producir automatización. La validación independiente puede desafiar las suposiciones incrustadas en esas salidas. Las pruebas deterministas pueden convertir ideas de IA en controles repetibles. Las comprobaciones visuales pueden confirmar que un software técnicamente exitoso también funciona para la persona frente a la pantalla.

Este modelo en capas permite a las organizaciones beneficiarse de la IA sin confundir productividad con prueba.

También reconoce que ningún método de prueba único puede proporcionar una assurance completa. Las comprobaciones a nivel de código pueden confirmar el comportamiento de componentes individuales. Las pruebas de integración pueden establecer si los sistemas se comunican correctamente. Las pruebas de seguridad pueden exponer vulnerabilidades. Las pruebas de rendimiento pueden examinar el comportamiento bajo presión. La validación visual, en todos los niveles del desarrollo de la interfaz, puede determinar si el resultado final sigue siendo preciso, accesible y usable.

El valor proviene de combinar estos métodos, no de pedirle a uno solo que haga el trabajo de los demás.

A medida que la IA se integra más profundamente en la entrega de software, la assurance debe volverse más independiente en lugar de menos. Las organizaciones deben suponer que el software generado por IA puede estar a veces equivocado, incompleto o inesperadamente inconsistent. El objetivo no es eliminar cada error en el punto de creación, sino asegurarse de que esos errores sean visibles antes de que lleguen al usuario.

La IA puede ayudar a escribir la tarea, incluso a sugerir cómo debe verificarse. Pero la calificación final debe provenir de un proceso de assurance independiente, repetible y responsable.

from Latest from TechRadar https://ift.tt/P8hwdTG
via IFTTT IA

La llegada de la inteligencia artificial está transformando la manera en que trabajamos, pero su impacto no es lineal ni predecible. Un análisis sólido sugiere que el valor real de la IA no reside únicamente en sustituir tareas, sino en potenciar capacidades humanas, ampliar el alcance de lo que las personas pueden lograr y, en paralelo, replantear la forma en que se organiza el trabajo.

Contexto, juicio y significado son rasgos exclusivamente humanos que la IA no puede emular por completo. Estas cualidades permiten tomar decisiones con comprensión de matices, entender contextos sociales y dar sentido a los esfuerzos realizados en la organización. Este es un argumento central: las reducciones indiscriminadas de personal mediante la automatización pueden generar ahorros a corto plazo, pero podrían erosionar el talento y el conocimiento institucional necesarios para sostener la innovación a largo plazo.

Una proyección conservadora, citada por Gartner, estima que para 2029 uno de cada tres empleados cuya posición haya sido reemplazada por IA necesitará ser reempleado, y potencialmente a un costo mayor que si se hubiesen mantenido en sus roles originales. Este hallazgo subraya que las decisiones sobre IA deben contemplar un plan de retención y reinserción que vaya más allá de la simple reducción de headcount.

Gartner señala cuatro tendencias que configuran la economía de la próxima década:

– Relación humano-IA: las empresas deben enfatizar la colaboración entre personas y máquinas, entendiendo la IA como una herramienta de augmentación que expande capacidades, en lugar de un conservador de tareas que elimina empleos.
– Cambio cultural: las organizaciones deben adaptar sus culturas para aprender y evolucionar con la IA, fomentando la educación continua, la adaptación de roles y la cooperación eficiente con sistemas automatizados.
– Contexto, juicio y significado: proteger estas dimensiones es crucial para mantener la calidad de las decisiones, la coherencia institucional y la motivación de los equipos.
– Inversión continua: la IA no es un proyecto único; las inversiones deben ser cíclicas y sostenidas para que el valor generado se acumule con el tiempo, creando una organización que aprende y se adapta.

En palabras de Tori Paulman, vicepresidenta de analistas, el ventaja competitiva se desplazará hacia las personas y hacia una organización diseñada alrededor de la IA: “quien construya una organización moldeada por IA donde el valor de la IA se acumula al reconfigurar roles y lograr que los flujos de trabajo crucen fronteras tradicionales, ganará en velocidad y reducirá fricción”.

El enfoque recomendado para las empresas es claro: reinvertir en IA para lograr mejoras sostenibles, no conformarse con ganancias mediocres o cortoplacistas. La automatización puede y debe coexistir con el desarrollo humano, fortalecer la capacidad de innovación y optimizar procesos sin sacrificar el capital humano que da sentido al negocio.

Este marco no es solo una visión estratégica; es una invitación a repensar estructuras organizativas, procesos y culturas para que, al aprovechar las capacidades de la IA, las organizaciones puedan crear valor de manera continua, incluso cuando el terreno tecnológico evoluciona rápidamente.

Nota: la pieza de Gartner citada enfatiza que el verdadero diferenciador será la habilidad de las empresas para construir una organización impulsada por IA, donde el valor se multiplica al transformar roles y permitir que los flujos de trabajo vayan más allá de las limitaciones tradicionales. Esto implica un compromiso con el aprendizaje, la adaptación y la preservación de la experiencia humana como motor de progreso.

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

En el panorama actual de las series de streaming, algunas historias logran distinguirse por su precisión narrativa y su capacidad para combinar suspense con una mirada crítica sobre la naturaleza humana. Last Seen, la nueva apuesta de Apple TV+, encaja perfectamente en esta esfera, presentando una propuesta que va más allá de los giros espectaculares para explorar las capas éticas y emocionales que quedan al descubierto cuando el pasado se cuela en el presente. Basada en la novela The Dispatcher de Ryan David Jahn, la historia sigue a Ian Ridley (Patrick Brammall), un operador de emergencias que oculta su lucha personal contra el alcoholismo y que recibe una llamada sobre un cuerpo hallado cerca de su casa. En ese instante, la culpa y la esperanza convergen: podría tratarse de su hija, desaparecida hace 11 años.

La adaptación televisiva traslada la acción a Australia, lejos de Texas, pero mantiene esa telaraña de giros que promete mantener a la audiencia en vilo semana a semana. Con los dos primeros episodios ya disponibles y los cuatro restantes por estrenarse, la serie propone un ritmo que equilibra la intriga con un retrato humano de sus personajes. Según Patrick Brammall, no estamos ante un héroe clásico: Ian es complejo, con una fijación por lo que queda en los papeles, pero también cargado de esperanza, culpa y las consecuencias de sus fracasos. En contraposición, Sarah (Chloe Jean Lourdes) aparece al inicio como una figura luminosa, solo para revelar que, a medida que la historia avanza, las líneas entre protagonismo y antagonismo se vuelven borrosas.

La dinámica entre Ian y Henry (Brendan Cowell) funciona como un espejo: dos caras de la misma moneda que, poco a poco, van revelando secretos difíciles de aceptar. Al finalizar el episodio 2, el clima cambia: la agencia, previamente en manos de los protagonistas, es entregada a Sarah, un giro que sorprende y que, según Brammall, representa la complejidad de la construcción narrativa de la serie. Este tipo de desenlace, poco convencional para un drama criminal, es una señal de la ambición de Last Seen: no solo contar una historia de investigación, sino también cuestionar quién tiene la verdad y qué significa ser responsable cuando las presiones mediáticas y las consecuencias personales se cruzan.

En un momento en que la televisión de crimen suele moverse entre fórmulas conocidas, Last Seen se distingue por su capacidad para sorprender sin perder la coherencia interna. Si la serie logra sostener este nivel de desarrollo en las semanas venideras, estamos ante una propuesta que podría convertirse en un título imperdible para los amantes del suspense bien construido y de las narrativas que invitan a pensar más allá del intriga inmediato. A medida que se despliegan los episodios restantes, la pregunta no será solo quién cometió el crimen, sino qué podría significar para cada personaje vivir con las respuestas que la investigación va desentrañando.

Nota: el enfoque de la serie en temas como la culpa, el arrepentimiento y la ambigüedad moral refuerza su atractivo para una audiencia que busca profundidad emocional junto a la tensión de la trama. Si Last Seen continúa evolucionando con esa filosofía, podría consolidarse como una experiencia televisiva sólida y memorable en Apple TV+.

from Latest from TechRadar https://ift.tt/LZq5I90
via IFTTT IA

Durante gran parte del auge de la IA, la conversación sobre infraestructura se ha centrado en la computación: chips, servidores y los cada vez más grandes centros de datos necesarios para soportarlos. Pero a medida que la IA pasa de la experimentación a la implementación a escala, los líderes tecnológicos enfrentan un nuevo desafío de infraestructura que podría ser igual de trascendental: asegurar suficiente energía fiable, de forma rápida, para mantener esa computación en funcionamiento.

Los centros de datos de IA son fundamentalmente diferentes de los clientes de energía tradicionales, comerciales e industriales. Son más grandes, más concentrados y extremadamente sensibles al tiempo, con una tolerancia casi nula a interrupciones. Eso hace que la disponibilidad de energía sea más que una consideración operativa: puede determinar dónde se construye la infraestructura de IA, la rapidez con la que se pone en marcha y si las organizaciones pueden convertir inversiones tecnológicas de gran envergadura en valor para el negocio.

El gas natural emerge como combustible puente para el desafío energético de la IA

Para los líderes tecnológicos, la pregunta clave no es simplemente si se puede generar suficiente electricidad. Es si la energía firme y despachable puede llegar a un centro de datos cuando y donde se necesita.

Aquí el gas natural está jugando un papel cada vez más importante. Dadas las limitaciones de otras alternativas de energía no intermitentes, el gas puede proporcionar la generación continua necesaria para soportar cargas de IA a gran escala. El análisis de escenarios de PwC muestra un potencial de escala: incluso en nuestro escenario más conservador, la demanda de gas vinculada a la IA alcanza 5,2 mil millones de pies cúbicos por día (Bcf/d) para 2030, frente a aproximadamente 1,6 Bcf/d hoy. Para 2035, nuestros escenarios sitúan la demanda entre 7,6 y 11,5 Bcf/d.

Sin embargo, para los desarrolladores de centros de datos y las empresas de tecnología, esas cifras cuentan solo una parte de la historia. Tener suficiente gas en el sistema no significa necesariamente que pueda llegar a un centro de datos en el plazo requerido. Debe producirse, transportarse, almacenarse y entregarse a la presión adecuada a través de la infraestructura conectada. En otras palabras, el desafío de energía de la IA se está convirtiendo cada vez más en un desafío de entregabilidad.

La escasez puede estar en el tiempo, no en el capital

Las empresas tecnológicas están destinando decenas de miles de millones de dólares a la infraestructura de IA, pero el dinero no puede resolver con rapidez muchas de las limitaciones que separan un centro de datos planificado de uno operativo.

Licencias, derechos de paso de tuberías, interconexiones a la red, turbinas, agua y mano de obra calificada pueden alargar los plazos de desarrollo. Los desarrolladores compiten simultáneamente por equipos críticos y capacidad industrial mientras navegan por la zonificación local y restricciones hídricas. Eso cambia la ecuación de la infraestructura.

En un mercado definido por la velocidad de despliegue, una tubería existente, un corredor previamente autorizado, un activo de almacenamiento o una capacidad de generación disponible puede valer más que una alternativa teóricamente de menor costo que tardará años en desarrollarse. Para los líderes tecnológicos que toman decisiones sobre la capacidad de IA, la selección de sitios, por lo tanto, debe considerar mucho más que tierra, conectividad y la disponibilidad eventual de energía. La capacidad de asegurar energía fiable en el plazo requerido debe considerarse mucho antes en el proceso.

La procuración de energía se convierte en una capacidad estratégica

Ya estamos viendo a los desarrolladores de centros de datos responder de manera diferente. La generación detrás del medidor, por ejemplo, puede permitir que un campus combine generación de gas en sitio o cercana con suministro de combustible firme, en lugar de depender únicamente del proceso tradicional de interconexión a la red. PwC estima que más del 30% de la demanda de gas relacionada con IA podría estar detrás del medidor para 2035.

También están surgiendo otros modelos, como laterales dedicados de tuberías acoplados con generación y arreglos más integrados que conectan el suministro de gas, transporte, almacenamiento, generación y la carga del centro de datos. La lección más amplia para negocios y líderes tecnológicos no es que cada centro de datos deba seguir la misma estrategia energética, sino que la procuración de energía ya no puede tratarse como una función de apoyo que ocurre después de las decisiones tecnológicas y de bienes raíces. Se está convirtiendo en una capacidad estratégica.

Construir infraestructura de IA requerirá un ecosistema más amplio

Este cambio también altera a quiénes necesita la empresa tecnológica alrededor de la mesa. La próxima generación de infraestructura de IA requerirá una mayor coordinación entre hyperscalers y desarrolladores de centros de datos con utilities, proveedores de gas natural y operadores de tuberías. Cada vez más, estas partes deberán resolver el camino completo desde el suministro de energía hasta la computación operativa, en lugar de optimizar únicamente su segmento.

Para los ejecutivos tecnológicos, eso hace que la estrategia de asociación sea cada vez más importante. Asegurar la infraestructura energética antes, entender las limitaciones regionales y desarrollar relaciones en todo el ecosistema energético puede ayudar a reducir el riesgo de programación antes de que miles de millones en computación esperen por energía.

La IA puede ser una revolución tecnológica, pero escalarla se está convirtiendo rápidamente en un desafío de infraestructura física. Las organizaciones mejor posicionadas para la próxima fase serán aquellas que consideren la energía como una capacidad estratégica y reconozcan que el gas natural puede desempeñar un papel crítico para proporcionar la energía fiable y despachable necesaria para poner en línea la capacidad de IA y mantenerla en funcionamiento.

En la carrera por escalar la IA, el tiempo para la energía podría determinar, en última instancia, el tiempo para el valor.

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

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