from Latest from TechRadar https://ift.tt/OmF5vB2
via IFTTT IA

En los últimos años, la integridad de los procesos de contratación pública ha ocupado un lugar central en las discusiones sobre competencia y gobierno corporativo. Este artículo examina el fallo reciente de la Comisión de Competencia de la India (CCI) contra HP India y varias entidades asociadas, relacionado con dos casos de licitación gubernamental en el periodo 2017-2020 y sus implicaciones para el sector tecnológico y de servicios en la región.

Contexto y alcance de las investigaciones

La CCI acusó a HP India y a ciertos minoristas asociados de coordinar ofertas para contratos gubernamentales en la plataforma Government e-Marketplace (GeM), con la finalidad de manipular precios y descuentos de manera predeterminada o comunicada. El resultado buscado habría sido la creación de una apariencia de competencia, permitiendo a las empresas controlar las condiciones de los descuentos y, en última instancia, favorecer su posición en las adjudicaciones.

Dos casos distintos se investigaron bajo una misma línea de conducta: uno relacionado con el suministro de equipos de cómputo (PCs) y otro con consumibles de impresión, como tinta y tóner. En cada caso, la CCI presentó evidencias que apuntan a prácticas coordinadas entre HP India y varios resellers para fijar precios de oferta y distribuir de forma planificada ciertos contratos between empresas específicas.

Hallazgos clave de la investigación

– Caso de impresión: la revisión de correos electrónicos, declaraciones de testigos, conversaciones de grupos de WhatsApp y un video de 2019 de una reunión de mayoristas evidenciaron discusiones sobre qué empresas presentarían ofertas de apoyo, precios y descuentos, y qué reseller debería ganar contratos determinados.
– Infracciones detectadas: la CCI determinó que 16 resellers de nivel 2 violaron la Ley de Competencia a través de prácticas de bid rigging, imponiendo multas a HP India (119.8 millones de rupias) y a resellers por un total de 23 millones de rupias.
– Caso de hardware y periféricos: se identificó un patrón similar que abarcaba laptops, desktops, estaciones de trabajo, sistemas POS, periféricos y más; además de la participación de cinco resellers adicionales además de las operaciones centrales de HP India. Las multas asociadas a este caso ascendieron a 1.3 mil millones de rupias para HP India y 12.2 millones de rupias para los socios involucrados.

Resultados y ponderaciones de la sanción

Las órdenes finales de la CCI elevan el total de multas contra HP India a aproximadamente 1.42 mil millones de rupias, equivalentes a 14.7 millones de dólares, sin incluir las multas impuestas a sus socios. Un elemento destacado es que la empresa se declaró culpable y presentó una solicitud de auto-reportaje entre 2017 y 2020, buscando una reducción de penalidades, lo que, de acuerdo con la entidad reguladora, terminó moderando la magnitud de las sanciones.

Reflexiones y contexto regulatorio

– El caso subraya la importancia de la transparencia y la vigilancia en licitaciones públicas, especialmente en mercados de alto valor tecnológico donde las cadenas de suministro y la distribución de descuentos pueden afectar de forma significativa la competencia y el uso eficiente de recursos públicos.
– Las revelaciones a través de correos, comunicaciones internas y grabaciones de reuniones han desempeñado un papel crucial para las autoridades al esclarecer prácticas coordinadas que socavan la competencia y la equidad en las adjudicaciones.
– La experiencia de HP India refuerza la necesidad de mecanismos robustos de cumplimiento normativo y de acciones proactivas de auto-reportaje cuando 💡 se detectan irregularidades, un enfoque que puede atenuar las sanciones y fomentar una cultura de integridad corporativa.

Conclusión

Este episodio ilustra los riesgos de prácticas anticompetitivas en el sector TI y de servicios tecnológicos, así como la responsabilidad de las empresas de mantener procesos de licitación justos y transparentes. A medida que los marcos regulatorios evolucionan, las compañías deben implementar controles efectivos, promulgar políticas de cumplimiento y fomentar una cultura de ética en toda la cadena de suministro para evitar incidentes que puedan afectar la confianza de los compradores y la competencia leal en el mercado público.

Nota sobre el contexto que rodea la noticia

TechRadar Pro ha solicitado una declaración a HP; no se obtuvo respuesta inmediata al cierre de la revisión periodística.

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

La industria de tecnología empresarial mantiene una relación peculiar con la responsabilidad. Cuando se trata de la disponibilidad, latencia y seguridad de datos en la nube, esperamos garantías contractuales, SLA y remedios claramente definidos. Pero cuando hablamos de salidas generadas por IA, el contenido que producen estos sistemas, hemos aceptado silenciosamente un estándar distinto: la mejor esfuerzo.

He pasado años en roles comerciales y operativos en empresas como Gap, Amazon y DoorDash / Wolt. En cada uno de esos entornos, los visuales de producto no eran un simple extra de marketing: eran infraestructura. Un color incorrecto en un listado no solo era poco estético; impulsaba devoluciones. Un ingrediente faltante en una imagen de comida no era un tema estético; era un problema de confianza que se ampliaba a escala y podía ser peligroso para nuestros clientes.

Por eso, cuando las imágenes generadas por IA comenzaron a entrar en los flujos de trabajo empresariales de forma contundente, observé con interés. Las ganancias de eficiencia eran convincentes: la capacidad de generar, retocar y adaptar visuales de producto a una velocidad y escala que los flujos de estudio tradicionales no pueden igualar.

Pero faltaba algo fundamental en la conversación empresarial: la rendición de cuentas de las salidas.

La brecha entre lo impresionante y lo confiable

Existe una diferencia entre IA que produce resultados impresionantes en demostraciones y herramientas de IA en las que puedes respaldar las operaciones comerciales. Para compradores empresariales, esa brecha importa enormemente.

Considera qué sucede cuando una imagen de producto generada por IA falla a gran volumen. Un color de producto equivocado en una imagen destacada no dispara una devolución; dispara miles. Una forma distorsionada en una lista de moda no afecta una sola conversión; afecta toda una categoría. La exposición comercial de la inexactitud visual se acumula a escala de una forma que los errores individuales simplemente no pueden.

Sin embargo, para la mayoría de las herramientas visuales de IA disponibles para compradores empresariales, la posición contractual ante esta exposición es esencialmente cero. Compras créditos, ejecutas imágenes y lo que sale es lo que obtienes. Si la salida no coincide con el brief, absorbes el costo: en tiempo de regeneración, en sobrecosto de control de calidad y, en última instancia, en el impacto comercial de un contenido que no funciona.

Esto no es un dictamen contra la tecnología. Las imágenes generadas por IA han transformado genuinamente lo que es operativo para la producción visual empresarial. Pero el modelo comercial no ha acompañado la realidad comercial.

Por qué la propiedad cambia todo

La razón por la que la mayoría de los vendedores de visuales IA no pueden ofrecer garantías significativas no es reticencia; es arquitectura. Si te apoyas en modelos de base de terceros, no tienes capacidad para evaluar, corregir o respaldar la calidad de lo que esos modelos producen a nivel de salida. La rendición de cuentas se detiene en la API.

Los proveedores que pueden hacer garantías son aquellos que controlan el stack completo: los modelos de generación, los modelos de evaluación y el proceso de remediación. Esta es la distinción estructural que hace viable una garantía, no como un gesto comercial, sino como algo que puede ser operativizado.

Cuando un modelo de fidelidad propio se ejecuta sobre cada salida antes de la entrega, tienes un mecanismo para identificar fallos antes de que el cliente lo haga. Cuando posees el evaluador, el corrector y la pipeline de generación, tienes la capacidad de corregir esas fallas.

Cuando has realizado una verificación de factibilidad sobre el catálogo real de un cliente antes de cualquier compromiso comercial, sabes cómo se verá la tasa de aprobaciones en producción.

Esa es la arquitectura que hace que una garantía tenga sentido: no una promesa, sino un proceso auditable con dientes contractuales.

Qué significa la responsabilidad contractual en la práctica

Los mecanismos importan aquí, porque una garantía puede significar muchas cosas. En la práctica, una garantía visual empresarial debería hacer tres cosas: definir criterios de aprobación/desaprobación por adelantado basados en el brief real del cliente; evaluar cada salida contra esos criterios antes de la entrega; activar un remedio claro, ya sea regeneración o crédito/refund, cuando ocurran fallas.

Críticamente, los criterios deben ser específicos. Fallos de fidelidad del producto, un color alterado, un ingrediente ausente, una forma del producto distorsionada, son medibles y contractualmente defendibles. Preferencias estéticas subjetivas, un ángulo de iluminación, un tono de fondo, no lo son. El límite entre estas dos cosas es donde vive una garantía real y donde los compromisos vagos se desmoronan.

Para compradores empresariales, esta especificidad es valiosa en sí misma. Obliga a la conversación sobre qué significa “calidad” para un catálogo concreto antes de la adquisición, en lugar de después. Esa claridad suele mejorar los resultados para ambas partes.

El momento de la rendición de cuentas para la IA empresarial

Estamos en un punto del ciclo de IA empresarial donde la conversación debe pasar de lo que pueden hacer estos sistemas a lo que los proveedores están dispuestos a respaldar. La capacidad ya no es el diferenciador; el mercado está lleno de herramientas capaces. La confiabilidad lo es.

Para los equipos de compras empresariales, esto implica empezar a hacer preguntas más difíciles. No solo “¿cuál es tu tasa de precisión?” sino “¿qué pasa cuando está mal y cuáles son los términos contractuales?” No solo “¿puedes manejar nuestro volumen?” sino “¿qué remedios se aplican cuando no cumples con el estándar acordado?”

Para la comunidad de proveedores, implica reconocer que la era de la IA de mejor esfuerzo en contextos empresariales está terminando. Los compradores que manejan decenas de miles de imágenes de producto a través de pipelines de IA necesitan la misma responsabilidad de esos sistemas que esperan de cualquier otra infraestructura crítica.

El objetivo en comercio nunca fue la imagen más bonita. Siempre fue una imagen que vende, de forma fiable y precisa, a escala. La IA empresarial que puede garantizar ese resultado es la próxima frontera competitiva. Los proveedores dispuestos a respaldar sus salidas contractualmente son los que ganarán un lugar en la infraestructura empresarial a largo plazo.

Hemos destacado lo mejor de la IA para sitios web: las herramientas y recursos apropiados para crear sitios sólidos y optimizados. Esta pieza forma parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica actual.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si estás interesado en contribuir, encuentra más información aquí: https://ift.tt/XY4vfNZ

from Latest from TechRadar https://ift.tt/72Y8uIS
via IFTTT IA

Una década atrás, la tecnología utilizaba datos para acelerar procesos en el ámbito de los bienes raíces comerciales. Los agentes empleaban plataformas para recolectar datos, pasarlos por un flujo estandarizado y entregar soluciones que fluían desde fórmulas predeterminadas.

Hoy, los datos se utilizan para hacer que los procesos sean más inteligentes. Con la potencia de la inteligencia artificial, las plataformas ofrecen a los agentes más que acceso rápido a datos y cálculos: presentan decisiones. Los datos dejan de ser meramente un insumo para convertirse en la inteligencia misma del sistema.

Este cambio aporta nuevas capacidades: la IA no solo acelera procesos, los automatiza.

Sin embargo, también introduce nuevos riesgos. Antes de la IA, los problemas de datos provocaban fallas en las plataformas. Ahora, los problemas de datos pueden llevar a un razonamiento errado.

Para los agentes de bienes raíces comerciales, como para cualquier profesional que ha integrado IA en sus procesos, un razonamiento defectuoso genera salidas engañosas.

Y las decisiones basadas en esas salidas pueden acarrear pérdidas significativas. Por ello, los agentes requieren datos limpios para operar en la Era de la IA.

Los sistemas impulsados por IA necesitan datos que entreguen contexto

Cuando se trata de datos, el contexto es clave para la efectividad de la IA. Acceder a datos no es suficiente. Los sistemas de IA deben entenderlos.

Los enfoques tradicionales que utilizaban los agentes para obtener insights inmobiliarios mostraban límites: podian presentar capas como límites de parcelas, códigos de zonificación, permisos o puntos de interés como elementos aislados. Si bien facilitaban el acceso y la filtración, el usuario debía determinar el contexto.

Para que la IA funcione como se espera, debe comprender cómo se relacionan las capas de datos. Debe saber si una zona permite un uso, si el tamaño de la parcela soporta el desarrollo previsto, si la actividad de permisos señala impulso del mercado y si los impulsores de demanda circundantes soportan la tesis de inversión.

Los datos limpios permiten que la IA razone entre categorías. Elimina fragmentación, inconsistencias y exageraciones. Las plataformas que capacitan a los agentes han refinado, normalizado y fusionado datos en una única capa de inteligencia usable.

En el mundo de la IA, la confiabilidad de los datos se describe a menudo como representatividad. Ofrece a la IA una representación precisa del entorno que debe evaluar. Los datos limpios aseguran representatividad.

Los sistemas impulsados por IA no advierten cuando los datos son deficientes

Los agentes utilizan sistemas basados en IA para descubrir insights que les permiten tomar decisiones con confianza. Pero cuando esos sistemas operan con datos deficientes, la confianza se vuelve peligrosamente errónea.

La amenaza de ser guiados por salidas engañosas de IA a menudo pasa desapercibida porque la IA no advierte cuando los datos son deficientes. Puede proporcionar respuestas con suma precisión aparente incluso cuando la base de datos es incompleta, desactualizada, mal clasificada o sobredimensionada.

Para los agentes inmobiliarios, avanzar con salidas basadas en datos deficientes puede acarrear consecuencias financieras reales. Un desarrollador podría sobrestimar el área usable. Un minorista podría malinterpretar una zona de influencia comercial. Un analista podría recomendar un sitio que no cumpla con la zonificación. Un inversor podría comparar mercados con datasets no comparables.

La inteligencia de la IA se basa en los datos con los que fue entrenada. Datos buenos o malos, esa es la fuente de la que bebe.

Los modelos de IA general no pueden entregar el contexto que necesitan los agentes

Modelos de IA general como ChatGPT o Claude pueden ayudar a los agentes si buscan información general. Pueden explicar zonificación, proponer opciones de financiamiento o explorar posibles desenlaces. Pero su inteligencia está limitada por sus datos, que normalmente no incluyen contenido de contexto local, actualizado y específico que impulse la toma de decisiones en desarrollo inmobiliario.

Para calificar como “limpios”, los datos que alimentan las plataformas deben estar completos y conectados contextualmente. Los modelos de base como los desarrollados por OpenAI son extremadamente poderosos, pero no sustituyen a datos limpios y específicos del dominio.

No pueden saber con certeza si una parcela específica en un condado concreto tiene cobertura de zonificación vigente, si faltan atributos de un edificio en los datos del tasador, si un registro de permisos está emparejado con la parcela correcta, o si dos proveedores usan definiciones de uso de suelo conflicts —a menos que esos datos estén limpios, gobernados y conectados.

La IA puede proporcionar a los agentes la lógica necesaria, pero solo cuando se le ofrece un contexto confiable. En bienes raíces comerciales, ese contexto es altamente local, fragmentado y cambiante constantemente.

Los condados publican datos de forma diferente, las codes municipales varían y las estructuras de permisos son inconsistentes, por mencionar solo algunos de los retos contextuales. Los sistemas de IA se vuelven útiles para la toma de decisiones inmobiliarias al proporcionar una base de datos confiable subyacente.

La demanda de datos limpios es especialmente importante para los agentes de bienes raíces comerciales porque el costo del error es alto. Una evaluación de sitio puede influir en la estrategia de adquisición, el riesgo de entitlement, la viabilidad de desarrollo, las suposiciones de financiación y una serie de componentes críticos. Un pequeño fallo de datos aguas arriba puede convertirse en un gran error financiero aguas abajo.

Las únicas plataformas en las que los agentes deben confiar son aquellas que tratan la calidad de los datos como infraestructura. No construirías un rascacielos sobre cimientos débiles. Lo mismo ocurre con la IA: el modelo, la interfaz y la capa de automatización dependen de una base de datos sólida.

Hemos destacado el mejor software de gestión de propiedades.

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

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

from Latest from TechRadar https://ift.tt/9j7PAYw
via IFTTT IA

El Reino Unido se enfrenta a un doble desafío en su infraestructura móvil. Por un lado, un entorno de planificación y costos operativos que encarece el despliegue y mantenimiento de redes; por el otro, la necesidad de evolucionar hacia un marco regulatorio que fomente la inversión y la resiliencia digital. En una comparación entre 10 países, un informe de VodafoneZiggoThree (conocido por su análisis del sector) señala que el Reino Unido ostenta el segundo costo energético más alto y el segundo entorno de planificación más gravoso, mientras que se ubica en el noveno lugar en calidad general de la red. Estos resultados subrayan una brecha con referentes internacionales y advierten sobre posibles impactos en servicios públicos digitales, resiliencia nacional y crecimiento económico si no se corrigen las desigualdades del ecosistema.

El documento destaca que, a nivel global, países como Singapur, Corea del Sur, Estados Unidos, Noruega, Australia, Alemania y Hungría ya exhiben ventajas en despliegue y rendimiento de sus redes, lo que recalca la necesidad de elevar la vara competitiva del Reino Unido. Andrea Dona, Directora de Networks, subraya que “elevar el entorno de inversión del Reino Unido al nivel de nuestros pares internacionales podría apoyar servicios públicos, eliminar brechas digitales y permitir que las comunidades prosperen”.

El informe advierte además que, si no se mejoran las condiciones, el Reino Unido podría rezagarse en servicios públicos digitales, resiliencia nacional y crecimiento económico. En este sentido, se señala una vía de reforma importante: reconocer a los operadores de redes móviles como proveedores de infraestructura crítica nacional. Este reconocimiento podría protegerlos frente a fluctuaciones de costos —como los de energía— que afectan la continuidad y la planificación de inversiones.

La tesis central es clara: redes móviles rápidas, confiables y de calidad no solo sostienen el crecimiento económico, sino que son un motor para la prosperidad de las comunidades. En palabras de Dona, su papel fundamental en la economía moderna exige un marco que alinee incentivos con resultados a largo plazo, reduciendo obstáculos para inversiones estratégicas y fomentando un entorno regulatorio que facilite la construcción de una infraestructura digital robusta y equitativa.

Este análisis invita a un diálogo público-privado sobre cómo optimizar el paisaje regulatorio para garantizar que el Reino Unido no solo compita a nivel internacional, sino que se convierta en un referente en servicios digitales eficientes y accesibles para todos los ciudadanos. El interés público está en juego: desde la capacidad de las comunidades para conectarse hasta la resiliencia de servicios críticos ante emergencias, todo depende de decisiones que faciliten inversiones responsables, planificación ágil y una política energética estable que amortigüe las oscilaciones que desafían a las redes móviles modernas.

from Latest from TechRadar https://ift.tt/tXVOc1M
via IFTTT IA

El rumor de la Cirqa de Garmin continúa ganando impulso en la industria de los dispositivos de bienestar. Se asienta como un wearable sin pantalla, posicionándose en el segmento de las llamadas “focus wearables” junto a productos como Whoop y Google Fitbit Air. Aunque los detalles oficiales siguen siendo escasos, las filtraciones y menciones tempranas en el sitio web de Garmin han encendido las especulaciones sobre un dispositivo diseñado para competir en un nicho específico del mercado de seguimiento de salud y rendimiento.

Lo que ya parece claro es que Cirqa no busca ser un reloj o una pulsera con un display tradicional. En cambio, apunta a una experiencia centrada en la recopilación de datos de salud a través de sensores y una integración profunda de métricas. Entre las referencias encontradas está el Health Status, una función que combina cinco métricas clave —frecuencia cardíaca, variabilidad de la frecuencia cardíaca, respiración, temperatura de la piel y pulso de oxígeno— para ofrecer una visión general de la salud general. Este conjunto de datos ya es parte de muchos de los mejores relojes Garmin, lo que sugiere una transición natural para Cirqa hacia este tipo de análisis centrado en el bienestar.

Las filtraciones han sido persistentes y, pese a que las referencias se han eliminado en varias ocasiones, no es difícil entender el porqué de la expectativa. En enero, Garmin ya había mostrado indicios de Cirqa en su propio sitio, incluyendo opciones de color (negro y French Gray) antes de retirar la publicación. Este patrón de filtraciones y retiradas ha contribuido a la percepción de que Cirqa está prácticamente confirmada, y que Garmin busca capitalizar la creciente demanda de dispositivos que prioricen la salud y la recuperación sobre la notificación en pantalla.

La llegada de Cirqa parece alinearse con una tendencia más amplia en el mercado de wearables: la pulsera o anillo sin pantalla están ganando terreno como herramientas discretas para la monitorización continua. Productos como Oura Ring 5 y Polar Loop han demostrado que existe clientela para soluciones de bienestar que logran un seguimiento constante sin la distracción de un display. En este contexto, Cirqa podría cubrir una demanda específica: medir de forma continua y proporcionar insights prácticos sin interrumpir la experiencia del usuario con notificaciones o interacciones en una pantalla.

Si bien aún quedan incógnitas sobre especificaciones técnicas, duración de la batería, conectividad y soporte de sensores, el panorama apunta a que Garmin pretenda imponer su experiencia en salud para competir con plataformas que ya han conquistado este nicho. La pregunta que queda abierta es cuánto capitalizará Cirqa en la eficiencia de sus métricas de salud y cuán bien se integrará con el ecosistema Garmin para convertir datos en recomendaciones útiles para la rutina de cada usuario.

En los próximos meses, seguiremos atentos a las noticias y filtraciones que rodean a Cirqa. Con el historial de menciones en el propio sitio de Garmin y la evolución continua del segmento de wearables centrados en la salud, es razonable esperar más información oficial que una vez más permita evaluar si Cirqa puede convertirse en una referencia dentro de este espacio especializado.

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