The Celebrity Traitors Series 2 llega a BBC iPlayer con una premisa atractiva: 21 celebridades compiten en un castillo de las Highlands escocesas para ganar hasta £100,000 para caridad. Con Claudia Winkleman como presentadora, la serie promete giros, alianzas y traiciones que mantienen a la audiencia en vilo. A continuación se ofrece un resumen editorial y una guía práctica para verla, incluyendo opciones legales y consideraciones sobre acceso fuera del Reino Unido.

from Latest from TechRadar https://ift.tt/SN6Lro0
via IFTTT IA

En un mundo donde las decisiones automatizadas impactan directamente en operaciones críticas, el riesgo no siempre proviene de la lógica de una acción individual, sino de la brecha entre lo que la IA puede entender y lo que la empresa necesita que haga. Un agente puede aprobar un pago o modificar un registro con plena consistencia interna, pero si su contexto está desalineado con la realidad empresarial, esa acción puede generar consecuencias no deseadas. Este ensayo explora cómo pasar de buscar el modelo más poderoso a construir entornos donde la IA trabaje con contexto claro, gobernanza integrada y un núcleo operativo compartido.

El debate sobre IA empresarial ha tendido a centrarse en la sofisticación de los modelos: ¿cuál es el más inteligente? ¿cuál es el más eficiente? Sin embargo, cuando las máquinas asumen roles autónomos, la jerarquía de decisiones cambia: lo que importa ya no es solo la calidad del modelo, sino el entorno en el que opera. Una IA agentificada puede actualizar registros de clientes, aprobar solicitudes y desencadenar flujos de trabajo, sin que un humano esté presente en cada paso. En estas circunstancias, las preguntas deben ir más allá de la capacidad del modelo y enfocarse en el entorno operativo: ¿Qué datos tiene acceso? ¿Qué reglas rigen su comportamiento? ¿Qué cambios puede realizar? ¿Dispone del contexto suficiente para entender qué constituye una decisión sensata?

Cómo reducir el riesgo requiere una inversión en contexto, no en libertad operativa.

1) Dar más contexto, no más libertad
Puede parecer paradójico, pero la solución pasa por otorgar a la IA mayor visibilidad de la organización: metas, normas, estado actual de la tarea y restricciones relevantes. Esto no implica un acceso irrestricto a todo el ecosistema, sino la capacidad de ver información pertinente en tiempo real, en lugar de esperar una actualización de entrenamiento. Importa distinguir entre acceso y autoridad: un agente puede entender al cliente, la transacción y el flujo de trabajo, sin necesariamente poder modificar cualquiera de ellos libremente. El objetivo es lograr un equilibrio entre contexto amplio y autoridad acotada.

2) Contexto en el núcleo de la IA
La clave está en trasladar la IA al centro de las plataformas operativas y en anclarla en los sistemas donde se registran compromisos, se aplican reglas y se ejecutan transacciones. En lugar de depender de fragmentos dispersos de la organización, el agente obtiene una visión más completa de lo que sucede y de lo que debería ocurrir a continuación. Esto facilita entender qué reglas siguen siendo actuales, qué cambios están permitidos y qué factores deben priorizarse en cada situación. Aun así, no todas las soluciones deben residir en un único lugar: los grandes fabricantes admitirán ecosistemas variados, siempre que exista un núcleo de confianza que conjunte datos, reglas, permisos e historial.

3) Gobernanza integrada en el flujo de trabajo
La gobernanza debe convivir con el contexto dentro del propio flujo de trabajo. Esto implica: permitir que el agente acceda a la información necesaria para entender el escenario, pero limitar lo que puede hacer con ella; registrar de forma clara las decisiones tomadas y las acciones ejecutadas; aplicar controles de seguridad para evitar que contenido externo sea tratado como datos confiables; y mantener pruebas continuas ante cambios en modelos o flujos de trabajo. Es importante empezar con respuestas y recomendaciones, avanzando lentamente hacia acciones, y utilizar accesos de solo lectura y simulaciones para evaluar el comportamiento del agente antes de otorgarle permisos de ejecución.

4) El aprendizaje cuidadoso de reglas y excepciones
La capacitación basada en documentos aislados puede generar conocimiento desfasado: las reglas empresariales suelen tener excepciones y cambios frecuentes. Por ello, la contextualización operativa debe basarse en la comprensión de cómo se aplican realmente las reglas en la práctica, no solo en su enunciado. El objetivo es que el agente vea cómo las reglas se aplican en diferentes escenarios y entienda cuándo estas siguen vigentes y cuándo deben consultarse intervenciones humanas.

5) El valor de un núcleo de contexto compartido
Con un núcleo de contexto que integre datos, reglas, permisos e historial, la IA puede entender no solo qué hacer, sino cuándo hacerlo y por qué. Este núcleo no excluye la diversidad tecnológica; facilita, en cambio, que las diferentes herramientas y servicios trabajen desde una base común de comprensión y control. De este modo, cuando cambie el modelo subyacente, la operación siga manteniendo coherencia y seguridad.

Conclusión
Las organizaciones que avanzan hacia una IA agente con contexto y gobernanza integrados están mejor posicionadas para convertir la inteligencia artificial en un habilitador de eficiencia sin sacrificar el control, la seguridad y la conformidad. La clave no es simplemente mejorar la capacidad del modelo, sino construir un entorno en el que el modelo pueda actuar con claridad sobre sus límites y con responsabilidad sobre sus efectos. En un panorama donde las decisiones pueden convertir un resultado lógico en una acción real, la combinación de contexto, gobernanza y un núcleo operativo sólido es la mejor garantía de resultados confiables.

from Latest from TechRadar https://ift.tt/kSat4r3
via IFTTT IA

La implementación de inteligencia artificial a escala ha dejado claro que la reducción de tokens no es la única respuesta para controlar gastos. Recientemente se discutió mucho sobre el seguimiento y la gamificación del uso de tokens para etiquetar a los empleados como usuarios avanzados de IA. Sin embargo, a medida que las organizaciones amplían el uso de agentes de IA, el costo total crece y las estrategias deben volverse más sofisticadas. Algunas empresas ya señalan presupuestos de IA desbordados: un caso destacado fue la experiencia de Uber, que afirmó haber agotado su presupuesto de IA para 2026 en apenas cuatro meses. Este desencadenante ha impulsado un interés renovado por el enrutamiento de modelos y por aprovechar modelos de código abierto para optimizar el gasto en IA. La aparición de modelos chinos como Kimi K3, que ofrecen acceso a capacidades cercanas a las de frontera a precios más bajos, ha alimentado aún más el entusiasmo.

La idea de asignar qué modelos deben usarse para qué trabajo es una manera legítima de optimizar costos, pero no debe considerarse aislada ni simplista. Las organizaciones que carecen de la disciplina para definir claramente cuándo debe usarse un modelo de lenguaje grande (LLM) y cuándo tiene sentido procesar datos fuera del modelo corren el riesgo de incurrir en consumo de tokens innecesario y costos inflados. Este momento debe verse como una oportunidad para mirar más allá de la mera reducción de tokens como la única ruta para optimizar los gastos en IA.

La falacia de usar LLMs como motor analítico

Sin duda, los LLMs son transformadores y muchos disfrutan utilizándolos. No obstante, vale la pena examinar con detalle cómo se están empleando. Tareas como reconciliación de archivos, aplicación de reglas de negocio, controles de cumplimiento e interpretación de documentos fuente pueden ser realizadas por LLMs, pero no siempre de forma cost-effective. Los LLMs reconstruyen contexto para formular respuestas, y cuando operan de forma aislada no acceden al conocimiento organizativo que permite llegar a soluciones rápidas sin consumir tokens a través de razonamiento verbal para hallar una respuesta que satisfaga definiciones, políticas y contextos específicos de la empresa.

Además, muchos problemas presentados a los LLMs son repetibles. No tiene sentido que los modelos partan desde cero para responder la misma cuestión una y otra vez, en conversaciones de usuarios y a lo largo del tiempo. Este enfoque limitado, centrado exclusivamente en la selección de modelos, ignora que pedir a los modelos que redescubran información en cada punto es ineficiente. Reducir el consumo innecesario de tokens debe ser parte integral de la ecuación.

El token más barato es el que nunca se genera

Una limitación clave que impulsa los costos en IA es que muchos sistemas no están conectados a la lógica de negocio. Falta una capa de lógica de negocio en las arquitecturas de IA, donde flujos de trabajo analíticos para tareas repetibles, reglas y definiciones específicas de la organización, estén disponibles en vivo. Estas capas permiten establecer y aplicar salvaguardas de cumplimiento sobre la salida analítica.

Cuando se integra una capa de lógica de negocio, los LLMs tienen una opción más eficaz para responder a ciertos tipos de consultas. Imaginemos a un empleado que solicita a un modelo calcular el desempeño de margen de su equipo. De forma aislada, un modelo podría extraer datos de múltiples fuentes, expandir enormemente su ventana de contexto y aun así fallar al no considerar definiciones internas de conceptos como margen. En contraste, una capa de lógica de negocio ofrece flujos de trabajo preconstruidos que calculan variables clave de margen a diario, y el modelo puede trabajar con esos resultados.

Los flujos de trabajo repetibles, apoyados en la lógica de negocio existente, ayudan a optimizar costos de IA. Las capas de lógica de negocio también facilitan la integración con plataformas de datos en la nube y con LLMs, funcionando como tejido conectivo que evita la duplicación de costos de cómputo. Por ejemplo, el cómputo puede realizarse en una plataforma de datos en la nube, mientras que el resultado se utiliza en un flujo de trabajo analítico al que un LLM puede recurrir. Esto reduce la necesidad de un cómputo intensivo de LLM para interpretar datos de la nube.

La necesidad crítica de acertar

Más allá de gestionar costos granularmente, conviene reconocer que la implementación sólida de la lógica de negocio en entradas y salidas de IA genera beneficios a largo plazo. La ausencia de lógica de negocio reduce la confianza en las herramientas de IA y ralentiza la adopción que podría generar ROI. En dominios empresariales como impuestos, cumplimiento y finanzas, las respuestas deben ser deterministas; ahí, la lógica de negocio y su movilización son la clave para obtener respuestas confiables.

Con la expansión de agentes en las empresas, esta necesidad será cada vez más evidente. Mil agentes pueden generar mil respuestas distintas a la misma pregunta, y eso no es deseable. Una fuente de verdad empresarial, a través de una capa de contexto empresarial, ayuda a mantener la coherencia.

Un nuevo enfoque para la optimización de costos

La selección de modelos, por sí sola, es insuficiente para optimizar costos si no se limita el consumo innecesario de tokens. Las organizaciones que combinan flujos de trabajo confiables, lógica de negocio gobernada y casos de uso bien definidos obtendrán los mejores retornos de la adopción de IA. Además, conviene reconocer que la integración entre plataformas de datos en la nube, LLMs y flujos de trabajo analíticos crea un tejido que evita la duplicación de cómputo y facilita un uso más eficiente de los recursos.

Como ejemplo, el cómputo puede ejecutarse en una plataforma de datos en la nube; el resultado puede alimentar un flujo analítico del cual un LLM extrae información. En este marco, la necesidad de cómputo intensivo de LLM para interpretar datos de la nube se reduce significativamente.

La visión de futuro

Más que buscar la manera más barata de cada token, la optimización de costos en IA pasa por arraigar las inversiones en IA en procesos y estructuras de negocio que sean estables, auditables y escalables. Las empresas que integren flujos de trabajo confiables, una lógica de negocio bien definida y casos de uso enfocados verán un mayor retorno de la inversión, con una adopción más rápida y menos variabilidad en las respuestas.

Este enfoque se alinea con la tendencia de avanzar hacia una IA que actúe como un socio de negocio, no solo como una caja negra de procesamiento. Si le interesa profundizar, hemos explorado estrategias y ejemplos que muestran cómo convertir la lógica de negocio en el eje central de las soluciones de IA para empresas.

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

La adopción de la inteligencia artificial (IA) en el entorno laboral está desigualmente distribuida entre niveles jerárquicos, y sus efectos no son ni uniformes ni necesariamente simples. Un reciente análisis de PwC en el Reino Unido revela que 19% de los trabajadores usa IA de forma diaria, frente al 15% del año anterior, pero existen sesgos claros sobre quién utiliza IA y de qué forma.

Entre los datos publicados, se observa que la penetración de IA varía significativamente por grado de responsabilidad: 85% de los ejecutivos senior y 73% de los managers han utilizado IA, mientras que solo 35% de los no gestores lo ha hecho. Este desbalance sugiere que las ventajas de la IA se concentran en capas de decisión superiores, dejando a muchos trabajadores sin experimentar sus posibles beneficios.

Pero incluso si más trabajadores de conocimiento incorporan IA en su rutina diaria, PwC advierte que la IA no está necesariamente aliviando la carga de trabajo. El informe señala que cerca de la mitad de los empleados (44%) ha visto aumentar su volumen de trabajo tras el uso de IA, y un porcentaje similar (45%) teme que la complejidad de sus tareas haya aumentado. Estos hallazgos ponen de relieve una dicotomía: la IA puede mejorar la calidad y el uso de habilidades (con 70% y 63% respectivamente reportando efectos positivos), pero también incrementa la complejidad y la carga percibida.

En este contexto, Claire Reid, Chief Innovation and Technology Officer de PwC UK, subraya la necesidad de replantear cómo se realiza el trabajo. La conclusión clave no es simplemente hacer más o mejor, sino rediseñar el trabajo para que personas y IA, juntos, logren mejores resultados. En palabras de Reid: “La verdadera recompensa no es hacer más trabajo; es rediseñar el trabajo para que las personas y la IA puedan entregar mejores resultados.”

La brecha entre niveles de seniority persiste, y la organización debe responder de forma proactiva para ampliar los beneficios de IA. La reticencia a probar nuevas herramientas, la confusión sobre las políticas de la empresa y la falta de capacitación son barreras que abundan. Una estrategia más clara y una comunicación más efectiva podrían permitir que más trabajadores adopten IA y aprovechen sus impactos positivos, sin sacrificar seguridad ni claridad.

Las lecciones clave para las organizaciones se centran en tres ejes: 1) repensar el trabajo alrededor de los problemas correctos, 2) dotar a las personas de las habilidades y la confianza necesarias para usar IA de forma adecuada, y 3) establecer salvaguardas apropiadas para gestionar riesgos y asegurar una implementación responsable. Sólo así será posible que la IA no sea un motor de presión adicional, sino una palanca para resultados mejores y sostenibles en toda la organización.

[Imagen: representación de IA y trabajo colaborativo, con un enfoque en la interacción entre personas y tecnología para lograr mejores resultados.]

from Latest from TechRadar https://ift.tt/M20v1NW
via IFTTT IA

Samsung ha presentado los primeros auriculares de tipo ear-cuff de la marca, los Galaxy Buds On, una propuesta que llega para ampliar la oferta de audífonos abiertos sin bloqueo del conducto auditivo. Con un diseño clip-on y un armazón de C-bridge, estos audífonos buscan combinar comodidad y rendimiento en un formato que permite escuchar el entorno mientras se disfruta de la música. Actualmente, el anuncio confirma un lanzamiento exclusivo para Corea en su fase inicial, con planes de llegada a otros mercados por confirmar, sin fechas precisas para el internacionalizar.

El precio de salida en Corea es de 299.000 wones, equivalente a aproximadamente 220 USD, 170 GBP o 320 AUD. En términos de posicionamiento, este rango sitúa a los Buds On entre los precios de los Galaxy Buds 4 y los Buds 4 Pro, lo que sugiere una estrategia de producto de gama media-alta para usuarios que priorizan la conciencia situacional sin sacrificar la experiencia sonora. A falta de información sobre disponibilidad global, la expectativa es que el precio extranjero se acerque a los valores convertidos para una oferta comparable en mercados internacionales.

En cuanto al diseño, la carcasa mantiene una estética similar a las generaciones anteriores de Galaxy Buds 4, con tapa translúcida y un diseño compartido que facilita la experiencia de uso. Los auriculares adoptan un formato abierto, con un driver y un contrapeso conectados por un arco, priorizando la estabilidad y el balance de sonido sin ocluir el canal auditivo. A diferencia de otros modelos que destacan un diseño de arco elaborado, Samsung se ha centrado en analizar formas de oreja para optimizar la colocación del altavoz y la batería sin generar incomodidad.

En lo relativo al sonido, Samsung sugiere el uso de lo que llaman TwinBoost speakers, un término que insinúa la presencia de dos drivers por auricular, lo que podría traducirse en una respuesta en frecuencia más amplia y mayor dinámica. Aunque los detalles completos aún no están disponibles, las promesas de rendimiento apuntan a una experiencia competitiva para audífonos abiertos dentro de este ecosistema.

Entre las características anunciadas se destacan tecnologías para evitar la fuga de audio, similar a soluciones vistas en otros modelos de apertura, controles táctiles en el contrapeso, y funcionalidades de gestos y control por voz. Para usuarios de Galaxy, la integración con Galaxy AI y un modo de emparejamiento rápido estarán disponibles, aumentando la fluidez entre dispositivos y la experiencia de usuario.

La batería ofrece aproximadamente 9,5 horas de uso continuo, cifra que supera a varios modelos recientes dentro de la familia Galaxy Buds, y que se posiciona como un punto atractivo para actividades prolongadas al aire libre, transporte o trabajo remoto. A falta de confirmación sobre fechas de lanzamiento internacionales, se espera que Samsung revele más detalles cerca de la fecha de lanzamiento oficial en Corea y, posteriormente, ofrezca información sobre disponibilidad global.

En resumen, los Galaxy Buds On abordan una categoría en crecimiento dentro del segmento de auriculares abiertos, con un diseño específico para un uso activo y una promesa de características centradas en la seguridad auditiva, el confort y la conveniencia tecnológica. A medida que se amplíe la cobertura geográfica y se publiquen pruebas y especificaciones completas, podremos evaluar con mayor rigor su desempeño frente a rivales en el mercado de open-ear y establecer si esta propuesta marca un punto de inflexión para la adopción masiva de este estilo de auriculares.

from Latest from TechRadar https://ift.tt/e35Q7Jb
via IFTTT IA

Un estreno exclusivo marca el lanzamiento de Remedy Entertainment: la banda sonora oficial de Control Resonant llega a PC y consolas, y entre las pistas destaca un tema que ahonda en el vínculo entre los protagonistas Jesse y Dylan. Sibling Theme, descrito por el compositor Petri Alanko como una “subconjunto del tema de origen”, propone un acompañamiento musical que captura la conexión fraternal dentro de un mundo de recuerdos infantiles torcidos y emociones contenidas. Ya disponible para escuchar en YouTube (enlace exclusivo) y en todas las plataformas de música, la pista acompaña a una experiencia que promete invocar memorias y despertar sensaciones profundas en los oyentes.

La pieza se nutre de una interpretación íntima: Alanko señala que, si bien el tema original tenía una versión mucho más vibrante, las secciones centradas en la memoria de la infancia requerían una solución más delicada. Tras probar diversas combinaciones, encontró la armonía y la línea melódica adecuadas para lograr una sensación de consuelo y sanación entre los hermanos, sin perder la intensidad emocional que demanda la narrativa del juego. El resultado es una composición que, según el propio compositor, “lleva las emociones, como si calmara y reconfortara las memorias infantiles dañadas”.

Además de la revelación exclusiva de Sibling Theme, la banda sonora oficial de Control Resonant se puede disfrutar en 13 temas a través de las plataformas de música y en YouTube. Alanko enfatiza que crear una banda sonora es una labor de amor, que abre las puertas a un mundo donde los eventos oníricos dejan su huella. El proyecto, que supuso un alcance y una profundidad emocional superiores a trabajos anteriores, llevó al compositor a explorar una narración centrada en la devoción, la dedicación y la determinación, y a permitir que las emociones emergieran incluso en medio de la acción.

Control Resonant ya está disponible en PlayStation 5, Xbox Series X|S y PC, y la experiencia sonora promete acompañar a los jugadores desde el primer momento, al tiempo que ofrece a los fans un primer vistazo a la intimidad entre Jesse y Dylan a través de una pieza que, en palabras de Alanko, conecta con las emociones más profundas de la historia.

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