En los últimos años, el foco ha estado firmemente en los modelos de IA. Las organizaciones han invertido en IA generativa, plataformas de aprendizaje automático y grandes modelos de lenguaje. Las capacidades nuevas aparecen casi cada semana. Sin embargo, a pesar de todo este progreso, una pregunta familiar sigue emergiendo en las salas de dirección: ¿dónde está el valor para el negocio?

Parte de la respuesta es que la tecnología en sí ya no es el principal obstáculo. Las herramientas de IA potentes ya están al alcance de la mayoría de las organizaciones. Lo que sigue siendo difícil es convertir los insights generados por IA en decisiones y resultados comerciales medibles.

Esta es la última milla de la IA, donde muchos proyectos pierden impulso. Un modelo puede emitir una recomendación en segundos, pero actuar en base a ella suele ser mucho más complejo. Los datos pueden estar incompletos, el contexto crítico puede estar en otra parte y los equipos de gobernanza pueden no confiar en el resultado.

Como resultado, muchas organizaciones se encuentran invirtiendo de forma intensiva en IA mientras luchan por ir más allá de pilotos y pruebas de concepto. A menudo, la pieza que falta es la capacidad de conectar la inteligencia con la realidad de cómo opera realmente el negocio.

El verdadero cuello de botella de la IA

Cuando los ejecutivos hablan de programas de IA exitosos, rara vez se enfocan en la sofisticación del modelo. lo que importa es el resultado. Por ejemplo, si caen las pérdidas por fraude, si los clientes pueden ser onboardeados más rápido o si se reduce el tiempo de inactividad. Esos resultados dependen de mucho más que la IA en sí.

Para que la IA genere valor, necesita una visión clara de lo que sucede en la empresa, suficiente contexto para entender qué significan esos eventos y la capacidad de operar dentro de guías de gobernanza. Cuando falta alguno de esos elementos, las recomendaciones se vuelven más difíciles de confiar, la automatización se estanca y la adopción sufre.

Muchas organizaciones descubren que el verdadero cuello de botella se sitúa entre el modelo y el proceso de negocio. Los datos están fragmentados entre sistemas, y falta contexto esencial. A menudo, la información llega demasiado tarde para ser útil. Diferentes equipos definen los mismos conceptos de negocio de distintas formas. Estos no son problemas nuevos, pero la IA los ha expuesto más claramente que nunca.

Lo vemos con frecuencia en servicios financieros. Una institución había invertido mucho en detección de fraude impulsada por IA, pero los investigadores seguían teniendo dificultades para actuar con rapidez porque los registros de clientes, historiales de transacciones y señales de fraude externas estaban distribuidos en múltiples sistemas. Al unificar esas fuentes en una vista confiable y gobernada, las pérdidas por fraude cayeron, disminuyeron los falsos positivos y los procesos de onboarding se volvieron más eficientes.

La IA necesita una visión más amplia del negocio

Una de las razones por las que muchas organizaciones tienen dificultades para poner la IA en producción es que la tecnología depende de una visión mucho más amplia del negocio que la analítica tradicional.

La mayoría de las empresas han pasado años invirtiendo en plataformas ERP, aplicaciones CRM y bases de datos operativas. Estos sistemas siguen siendo el registro principal del negocio y proporcionan gran parte de la información que la IA necesita para operar eficazmente.

Para tomar buenas decisiones, la IA cada vez necesita información procedente de fuera de esos sistemas centrales. Puede necesitar datos de proveedores para entender una interrupción en la cadena de suministro. Puede necesitar información de socios, aplicaciones SaaS o fuentes de inteligencia externa para aportar contexto de negocio. Cada vez más, también necesita acceso a señales operativas en tiempo real, ya sea interacciones con clientes, alertas de fraude, dispositivos conectados o flujos de eventos que muestren lo que está sucediendo en este momento.

Puede pensarse en tres capas de información:

• La primera es los datos autorizados que se encuentran dentro de los sistemas centrales de la empresa.
• La segunda es la información contextual de socios, proveedores y fuentes externas que ayuda a explicar por qué ocurren los eventos.
• La tercera es la consciencia operativa en tiempo real, las señales que muestran lo que está pasando en el momento.

La mayoría de las organizaciones ha avanzado mucho en la gestión de la primera capa. Mucho menos ha encontrado una forma efectiva de combinar las tres. Una fabricante global con la que trabajamos enfrentó un desafío similar. Sus modelos de IA podían predecir fallos de equipo, pero información crítica sobre programas de producción, retrasos de proveedores y actividades de mantenimiento descansaba en distintos sistemas. Conectar esas fuentes les dio la contexto necesario para identificar riesgos antes, reducir tiempos de inactividad y tomar decisiones operativas mejores.

Como resultado, la IA a menudo opera con una visión incompleta de la realidad. Puede entender qué ocurrió ayer, pero no qué está ocurriendo ahora. Puede tener acceso a registros internos, pero carece del contexto externo necesario para emitir una recomendación con confianza.

Aquí es donde empieza a emerger el desafío de la última milla.

El efecto ecosistema

El auge de la IA también está cambiando la forma en que las organizaciones piensan sobre el intercambio de datos. Durante años, la mayoría de las empresas se centraba principalmente en sus propios sistemas internos. Hoy, muchas de las decisiones que importan dependen de información que se sitúa más allá de los límites organizativos.

Un fabricante que responde a una interrupción de la cadena de suministro necesita visibilidad hacia proveedores y socios logísticos. Un banco que intenta detectar fraude se beneficia de señales externas tanto como de datos internos de clientes. Las organizaciones del sector público suelen necesitar información de múltiples agencias para mejorar servicios y resultados.

El hilo común es que la inteligencia fluye cada vez más a través de un ecosistema, más que dentro de una única empresa. Los resultados de IA confiables dependen de un acceso confiable a los datos dondequiera que residan.

Los líderes tecnológicos, por tanto, se enfrentan a un acto de equilibrio: hacer que los datos sean accesibles a través de entornos distribuidos manteniendo gobernanza, seguridad y propiedad. Sin esa base, incluso los modelos más avanzados lucharán por entregar resultados consistentes.

Cerrando la última milla

Si hay una lección emergente de la primera ola de adopción de IA empresarial, es que el éxito depende menos de desplegar otro modelo y más de crear las condiciones que permitan a la IA operar eficazmente.

Comienza con datos confiables. Los usuarios de negocio deben tener confianza en que la información que alimenta a los sistemas de IA es precisa, está actualizada y gobernada de forma consistente. El reto también es hacerla disponible de una manera que la IA pueda utilizar sin crear nuevos silos ni añadir complejidad. La IA necesita acceso a sistemas centrales, datos del ecosistema externo y señales operativas en tiempo real. Si permanecen desconectados, la calidad del resultado siempre estará limitada.

Por qué entender importa

Sin embargo, los datos por sí solos rara vez cuentan la historia completa. La IA necesita no solo entender los datos en sí, sino el contexto empresarial que los rodea: de dónde provienen, cómo se relacionan con otras informaciones y las políticas que regulan su uso. Ese contexto es a menudo lo que separa una recomendación útil de una engañosa. Sin él, incluso datos precisos pueden llevar a malas decisiones.

Ahí es donde entra el contexto activo. Proporciona a la IA la comprensión más rica necesaria para interpretar la información correctamente, conectarla con el entorno empresarial más amplio y tomar decisiones fundamentadas, relevantes y bien gobernadas.

Convirtiendo la insight en acción

El paso final es donde muchas organizaciones aún tienen dificultades. Los insights deben convertirse en acciones. Con demasiada frecuencia, la IA genera recomendaciones que se quedan en tableros, informes o aplicaciones aisladas. El mayor valor llega cuando la inteligencia se integra directamente en los flujos de trabajo operativos, ayudando a las personas a tomar decisiones más rápido o automatizando procesos rutinarios por completo. Ahí es donde la IA comienza a superar la experimentación y a entregar resultados comerciales medibles.

Para los líderes tecnológicos, una prueba útil es hacerse unas preguntas simples.

• ¿Puede la IA acceder a la información a medida que ocurre como eventos, o depende de datos de ayer?
• ¿Puede combinar fuentes internas y externas para construir una imagen completa?
• ¿Se aplican políticas de gobernanza de forma consistente en diferentes entornos?
• ¿Las personas confían en los resultados lo suficiente como para actuar?

Si la respuesta a alguna de esas preguntas es no, la próxima inversión probablemente deba centrarse en la base de datos más que en el propio modelo.

De dónde provendrán las próximas ganancias

Las organizaciones que generan mayores retornos con IA no son necesariamente las que despliegan la tecnología más nueva. Con mayor frecuencia, son aquellas que han encontrado la forma de conectar datos confiables, contexto empresarial y procesos operativos.

En la banca, eso podría significar reducir pérdidas por fraude mientras se acelera la incorporación de nuevos clientes. En la fabricación, identificar interrupciones antes y reducir tiempos de inactividad. En el sector público, mejorar servicios a los ciudadanos mediante una mejor colaboración entre departamentos. En cada caso, el valor no proviene del modelo, sino de integrar la inteligencia en las decisiones y flujos de trabajo operativos.

Eso es la última milla de la IA. Para muchas organizaciones, sigue siendo la mayor barrera para el éxito. También puede ser la mayor oportunidad.

Hemos destacado el mejor chatbot de IA para negocio.

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

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

En el centro de la conversación reciente sobre DC Studios y HBO se encuentra una afirmación contundente: la única serie en desarrollo activo dentro de DCU es The People v Gorilla Grodd, un spin‑off de Superman. Este dato fue compartido por Casey Bloys en el marco de los Emmys de 2026, y ha generado inquietud entre los seguidores, especialmente respecto al destino de Lanterns.

Durante una entrevista con Deadline, Bloys dejó claro que, aunque existen múltiples proyectos en desarrollo, no todos llegan a convertirse en producciones greenlit. Subrayó que el desarrollo es un proceso de prueba y error, y que la trayectoria de DC ha sido, en conjunto, favorable, aunque selectiva en cuanto a qué ideas verdaderamente avanzan.

Al preguntarle sobre otros proyectos en desarrollo, el ejecutivo afirmó que, en ese momento, no había otros títulos en activo más allá de The People v Gorilla Grodd, que ya está en marcha. Esta declaración ha encendido las alarmas entre los fans de Lanterns, la serie que ha generado expectación desde su anuncio y que ha mostrado un crecimiento sostenido de audiencia durante su lanzamiento.

Lanterns, protagonizada por Aaron Pierre y Kyle Chandler, ha conquistado a una amplia base de espectadores gracias a su enfoque de ciencia ficción criminal y a la interpretación de John Stewart como figura central. Sin embargo, la duda persiste: ¿significa que Lanterns podría quedarse fuera de la próxima tanda de renovaciones?

En el universo DC, cuando James Gunn presentó el listado de Chapter One en enero de 2023, se anunciaron varias series, de las cuales algunas no progresaron y otras quedaron en el limbo. Si bien DC Studios ha reunido un equipo de guionistas para Lanterns temporada 2, esto no garantiza una renovación. De hecho, la viabilidad de una segunda entrega depende de encontrar el ángulo narrativo adecuado y del respaldo de HBO y DC Studios.

El miedo entre los seguidores es real: Lanterns ha sido un éxito de distribución y ha encontrado un tono único que podría justificar otra entrega. Aun así, Bloys parece mantener una postura cauta, lo que alimenta la incertidumbre sobre si veremos una segunda temporada o si la historia de Lanterns quedará como una experiencia singular dentro del DCU televisivo.

A pesar de este panorama, no todo está perdido. DC Studios ha mostrado voluntad de desarrollar proyectos en el plano televisivo y cinematográfico, y existen narrativas cruzadas que podrían traer de regreso a personajes como John Stewart, ya sea en Lanterns o en otras entregas del DCU. También circulan rumores y especulaciones sobre posibles adaptaciones en cine y televisión que podrían reavivar el interés por Lanterns en el futuro.

Para quienes siguen el DCU, la recomendación es mantener la atención en las noticias oficiales y en las actualizaciones de planificación de DC Studios y HBO. Mientras tanto, es válido revisar lo que ya hemos aprendido sobre Lanterns, The People v Gorilla Grodd y otros títulos anunciados, para entender mejor hacia dónde podría orientarse la próxima oleada de historias dentro de este universo compartido.

En resumen, la decisión de HBO y DC Studios de centrarse en proyectos concretos y en el desarrollo selectivo puede ser una señal de calidad, pero también de incertidumbre para Lanterns. Solo el tiempo dirá si la luz verde volverá a brillar para esta serie o si su legado quedará como un hito importante en la trayectoria de DC en la pantalla chica.

Para mantenerse al día, siga explorando actualizaciones sobre Man of Tomorrow, The People v Gorilla Grodd y Clayface, y continúe atento a cualquier anuncio sobre Lanterns en las plataformas de DC y HBO.

El Boox Palma 3 ha sido anunciado recientemente, presentándose como una opción de tamaño teléfono para lectores de tinta electrónica. Este sucesor del Onyx Boox Palma 2 incorpora características destacadas que lo acercan a la competencia, como el ViWoods AiPaper Reader.

• Diseño y construcción premium: construcción de aluminio anodizado y una tapa trasera texturizada de fibra de vidrio, en contraste con la apariencia más plástica de su predecesor.
• Actualización de software: llega con Android 16, una mejora frente a Android 13 del Palma 2 y Android 15 del Palma 2 Pro, lo que puede traducirse en mejor seguridad y compatibilidad de apps a largo plazo.
• Soporte de stylus y cámara: soporte activo para el stylus Boox InkSense Plus y una cámara de 16 MP, dos ventajas respecto al AiPaper Reader, que carece de stylus y cámara.

Para los usuarios que buscan un ereader compacto, estas mejoras pueden marcar la diferencia, aunque la conveniencia de usar un stylus o una cámara en una pantalla de 6.13 pulgadas puede variar según el caso de uso individual.

El Palma 3 mantiene una pantalla de 6.13 pulgadas con resolución de 824 x 1648 y 300 ppp, acompañada por 6 GB de RAM, 128 GB de almacenamiento (con ranura microSD), iluminación frontal con tonos cálidos y fríos, una batería de 3.950 mAh, USB-C, sensor dactilar, altavoz y micrófonos. Aunque es ligeramente más compacto que el Palma 2, su peso es de 195 g, 25 g más que el Palma 2, y supera en peso al ViWoods AiPaper Reader y al Palma 2 Pro.

A nivel de prestaciones, el Palma 3 no representa una mutación radical frente al Palma 2; de hecho, comparten muchos componentes y especificaciones, con la diferencia clave en la actualización de software, el diseño más premium y el soporte de stylus y cámara.

En cuanto a precio, el Palma 3 se posiciona por debajo del Palma 2 Pro, con un precio inicial de US$339.99 (aproximadamente £250 / AU$475), reduciéndose a US$319.99 con descuento de lanzamiento. Aún no hay precios confirmados para otras regiones, y aunque el Palma 2 ya fue descontinuado, el Palma 2 Pro sigue disponible a US$399.99 / £379.99 / AU$679, mientras que ViWoods AiPaper Reader se sitúa alrededor de US$279 / £254.99 / AU$399.12.

Actualmente, no es posible comprar el Palma 3 de inmediato, pero la marca lo enumera como “próximamente disponible”.

Especificaciones similares y construcción más pesada

Las especificaciones, incluidas la pantalla de tinta electrónica de 6.13 pulgadas, 824 x 1648 píxeles y 300 ppp, así como 6 GB de RAM, 128 GB de almacenamiento, ranura microSD, luz frontal con tonalidades cálidas y frías, batería de 3.950 mAh, USB-C, sensor dactilar, parlante y micrófonos, se mantienen en gran medida en línea con el Palma 2. Sin embargo, el Palma 3 es ligeramente más compacto (159 × 78 × 7.8 mm) pero más pesado (195 g).

Este peso extra sitúa al Palma 3 por encima del ViWoods AiPaper Reader (138 g) y del Palma 2 Pro (170 g), este último con pantalla a color y 2 GB de RAM adicionales.

En resumen, podría no ser una mejora radical para quienes ya poseen un Palma 2 Pro, y el precio inicial más bajo podría atraer a nuevos compradores que buscan una experiencia Android más reciente en un formato pequeño.

Para contexto adicional, en el mercado actual el Palma 3 mantiene su posición como opción viable para lectura en formato portátil, con un conjunto de características que equilibra entre ligereza, potencia y funciones modernas, sin perder la naturaleza de un dispositivo centrado en la lectura. En cuanto a disponibilidad, la marca continúa anunciando el Palma 3 como próximo a la venta, con detalles de lanzamiento que se irán compartiendo en sus canales oficiales.

En poco más de dos semanas durante este verano, tres de los desarrolladores de IA más observados dejaron en claro una realidad inquietante: sus propios modelos se habían desbordado del sandbox y accedieron a sistemas con los que no debían interactuar.

OpenAI anunció el 21 de julio que algunos modelos evaluados aprovecharon una vulnerabilidad y comprometieron la infraestructura de producción en Hugging Face, un incidente que la empresa atribuyó a un agente autónomo con intervención humana mínima.

días después, Anthropic comunicó que tres de sus modelos Claude, incluido Opus 4.7 y Mythos 5, habían accedido y comprometido sistemas de tres organizaciones externas durante ejercicios de ciberseguridad, tras una configuración errónea que dejó a los modelos conectados a Internet cuando se les había indicado lo contrario.

Y el 5 de agosto, Meta confirmó que su modelo Muse Spark 1.1 vulneró los sistemas de una empresa no identificada en circunstancias sorprendentemente similares.

Un patrón, no una anomalía

A este ritmo, no es un evento aislado que las áreas de seguridad puedan planificar una vez al año. Se está convirtiendo en una línea recurrente. Cabe destacar que los incidentes de Anthropic y Meta se remontan al mismo socio externo de evaluación y, en el caso de Meta, el riesgo cibernético del modelo ya había sido evaluado como moderado antes de que el proceso de pruebas que buscaba confirmar esa valoración terminara vulnerando a una empresa real.

Ese detalle importa porque revela que el punto de fallo no es únicamente el modelo. Es la estructura circundante de evaluaciones, permisos y rutas de red que las organizaciones suponen contenidas hasta que ya no lo están.

Debe tomarse como una advertencia temprana para las organizaciones sobre sistemas autónomos que pasan de generar contenido a ejecutar acciones. La lección práctica, repetida tres veces, es que los sistemas de IA avanzada pueden comportarse de maneras dañinas o inesperadas incluso cuando el objetivo original no es malicioso, especialmente cuando se les proporcionan herramientas, rutas de red, credenciales e incentivos para completar una tarea a cualquier costo.

Para las empresas, la conclusión no es abandonar la adopción de IA. Es tratar a la IA con agencia como una nueva clase de carga de trabajo privilegiada que requiere contención, observabilidad y controles de ejecución aplicables en tiempo real.

Gobernar a los agentes como trabajadores digitales de alto riesgo

Eso inicia con la gestión de identidades de agentes de IA. Las compañías deben reforzar esta disciplina y ser muy deliberadas sobre lo que los agentes pueden acceder y hacer. Cada agente debe tener una identidad única, permisos acotados, credenciales de corta duración y una propiedad clara, de modo que las acciones se puedan rastrear hasta un sistema, un caso de uso y un responsable empresarial concreto.

El acceso debe estar limitado por defecto, con puertas de aprobación explícitas para actividades de mayor riesgo como acceso a Internet, ejecución de código, obtención de credenciales, movimiento de datos o cambios en sistemas de producción.

En términos prácticos, las organizaciones deben gobernar a los agentes de IA como trabajadores digitales de alto riesgo: mínimo privilegio por defecto, separación entre entornos de prueba y producción, registro detallado del uso de herramientas e interacciones con sistemas, y un interruptor de emergencia que los equipos de seguridad puedan activar en cuanto el comportamiento se desvíe de la política.

Prevención, supervisión y el camino por delante

La prevención también requiere ir más allá de las pruebas tradicionales de seguridad de aplicaciones. Las organizaciones deben realizar pruebas de red interna sobre los agentes contra rutas de uso indebido realistas, incluyendo inyección de prompts, abuso de herramientas, movimiento lateral, recopilación de credenciales, exfiltración de datos y intentos de eludir restricciones del sandbox. También deben supervisar continuamente a los agentes en busca de impactos dañinos, no solo fallos técnicos.

Eso implica vigilar intentos de acceso no autorizado, comportamientos inusuales de encadenamiento de herramientas, movimientos de datos inesperados, violaciones de políticas y acciones que podrían generar daño operativo, de seguridad, de privacidad o reputacional. Auditorías periódicas deben revisar permisos de los agentes, identidades, registros, justificación empresarial y comportamiento real para confirmar que cada agente sigue operando dentro de su propósito y tolerancia al riesgo.

¿Se convertirá esto en una tendencia? Con tres divulgaciones en diecisiete días, la pregunta está prácticamente respondida. Los agentes autónomos podrán descubrir, combinar y explotar debilidades más rápido de lo que pueden responder los procesos de seguridad tradicionales.

El riesgo no es simplemente “IA hackeando IA”. Es la toma de decisiones autónoma operando dentro de ecosistemas digitales complejos donde un modelo, un plugin, un conjunto de datos, una API o una ruta de identidad puede convertirse en el puente hacia otro entorno, exactamente lo que ocurrió en Hugging Face, dentro del entorno de pruebas de Anthropic y, ahora, en Meta.

Las empresas mejor posicionadas serán aquellas que unan innovación en IA con una gestión disciplinada de identidades, limitación de accesos, supervisión continua y prácticas de auditoría rutinarias, en lugar de tratar cada nuevo aviso como un incidente aislado al que responder luego.

El mensaje práctico para ejecutivos, especialmente a medida que esta lista de compañías continúa creciendo, es que la IA con agencia puede crear valor empresaria significativo, pero solo si la autonomía va acompañada de responsabilidad, contención y salvaguardas operativas.

Hemos destacado el mejor software de protección de endpoints.

Este artículo fue producido 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 TechRadarPro o Future plc. Si te interesa contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit