Para muchas pequeñas y medianas empresas, las conversaciones sobre ciberseguridad suelen centrarse en los endpoints: portátiles, servidores y plataformas en la nube. Sin embargo, existe una categoría de dispositivos que permanece fuera de ese foco: la impresora. A pesar de estar profundamente integrada en la operación diaria y de manejar información altamente sensible, la infraestructura de impresión sigue siendo ampliamente pasada por alto. Esta falta de escrutinio es parte de un desafío más amplio. Investigaciones recientes muestran que el 73% de las pymes del Reino Unido temen problemas de privacidad de datos en sus procesos actuales de gestión documental, subrayando una preocupación generalizada sobre cómo se maneja la información sensible en flujos de trabajo tanto digitales como físicos. Aun así, el 55% de las pymes británicas considera a las impresoras una prioridad baja dentro de su estrategia de ciberseguridad. Esta desconexión preocupante entre los datos críticos que manejan las impresoras y su baja priorización de seguridad crea una vulnerabilidad que los atacantes pueden explotar para acceder a flujos de trabajo sensibles, interceptar documentos o moverse lateralmente dentro de una red.

Un punto ciego creciente en entornos de trabajo híbridos
Como sabemos, el trabajo ya no se ubica únicamente en la oficina. Ocurre a través de redes domésticas, dispositivos personales y espacios compartidos, entornos que las pymes luchan por monitorear o controlar. Hoy, los flujos de impresión y escaneo manejan datos sensibles, desde nóminas y contratos hasta registros de clientes. Sin visibilidad de quién imprime qué y dónde, las organizaciones no pueden proteger esa información sensible. Tampoco hace falta mucho: un escaneo mal dirigido o un trabajo de impresión dejado en una bandeja puede exponer información confidencial, a menudo sin señales evidentes de que algo anda mal. Según Quocirca, el 74% de las pymes ha experimentado un incidente de pérdida de datos relacionado con la impresión en el último año. Un 33% adicional indica que los documentos impresos en impresoras propiedad de los empleados son ahora un factor principal en la pérdida de datos.

Además, factores conductuales agravan el problema. Investigaciones señalan que el 47% de las pymes del Reino Unido cree que los empleados intentan eludir las directrices de seguridad de la impresión. Al mismo tiempo, el 63% asume que sus impresoras son seguras porque se encuentran detrás de un firewall, y la mitad no las considera una amenaza de seguridad en absoluto. En conjunto, estas tendencias apuntan a una brecha de seguridad clara: mientras los flujos de impresión manejan datos cada vez más sensibles en entornos distribuidos, no se securizan, monitorizan ni gobiernan al mismo nivel que otros endpoints.

Riesgos reales en hardware desactualizado
Casi tres cuartas partes (73%) de las pymes del Reino Unido frecuentemente se preocupan por el riesgo que representa su hardware desactualizado. Impresoras más antiguas con firmware sin parchear y credenciales por defecto procesan y almacenan datos sensibles sin ser gestionadas. Una impresora comprometida puede servir como punto de entrada a sistemas empresariales más amplios. Si los portátiles y los servidores requieren monitoreo activo, las impresoras también lo requieren. Las preocupaciones no se limitan al hardware; abarcan exposiciones de ciberseguridad vinculadas a impresoras conectadas, vulnerabilidades introducidas mientras los documentos escaneados se mueven a través de la nube y el riesgo de acceso no autorizado a las colas de impresión. Junto a esto, existen problemas visibles y cotidianos, como documentos confidenciales dejados desatendidos y la dificultad de rastrear la información cuando existe en formato físico. Estos riesgos pueden gestionarse, pero solo si las pymes tratan la impresión y el escaneo como parte del perímetro de seguridad. Sin ello, la resiliencia en flujos de trabajo híbridos se convierte en conjeturas. El futuro del trabajo no solo se trata de la nube y la IA; también se trata de asegurar los procesos documentales diarios que movilizan datos sensibles entre entornos físicos y digitales.

Construir control a través de visibilidad e impresión más inteligente
A pesar de la baja priorización, casi seis de cada diez pymes (63%) en el Reino Unido reconocen que la seguridad de la impresión requiere mejoras. Para asegurar el futuro del trabajo, las organizaciones necesitan bases de hardware seguras y protecciones que acompañen las amenazas en evolución. La impresión inteligente se apoya en estas bases de hardware seguras al incorporar visibilidad, aplicación de políticas y trazabilidad directamente en los flujos de impresión y escaneo. De las pymes británicas que han adoptado la impresión inteligente, el 89% afirma que proporciona una visibilidad más clara de la actividad de impresión y escaneo entre usuarios y ubicaciones, el 86% afirma que les ayuda a cumplir con normas de cumplimiento y seguridad, y el 85% dice que mejora la aplicación de reglas y restricciones.

Repensar el rol de la impresión en la ciberseguridad
A medida que profundizamos en el futuro del trabajo, las impresoras deben integrarse a la estrategia de seguridad más amplia. Una brecha de datos originada en una impresora puede ser tan perjudicial como una originada en un dispositivo o red comprometidos, con potenciales pérdidas financieras significativas, sanciones regulatorias y daño reputacional. Las impresoras no son solo equipos de oficina; forman parte de la infraestructura digital que sostiene el trabajo moderno. A medida que los flujos de impresión y escaneo se vuelven más digitales y conectados a la nube, las impresoras merecen la misma atención de seguridad que cualquier otro endpoint. En la práctica, eso significa que las pymes necesitan tres cosas: una base de hardware segura como cimiento, una seguridad que se mantenga al ritmo de las nuevas amenazas y la visibilidad y el control para mantener la resiliencia a escala. Incorporar las impresoras en la estrategia de seguridad es un paso práctico para proteger datos sensibles en un mundo donde el trabajo y el riesgo están distribuidos.

Notas finales
Este enfoque no es solo una mejora técnica; representa una evolución cultural en la gestión de la seguridad, donde cada dispositivo, incluso el que imprime, es parte de la defensa conjunta. Al priorizar la seguridad de la impresión, las pymes pueden reducir puntos ciegos, reforzar controles y garantizar que la información sensible circule de forma segura desde la creación hasta la archivación, ya sea en papel o en la nube.

Texto generado para apoyar a profesionales y tomadores de decisiones que buscan fortalecer la ciberseguridad en entornos híbridos, destacando la importancia de un enfoque integral que incluya la impresión como parte central de la protección de datos.

from Latest from TechRadar https://ift.tt/6xorU7T
via IFTTT IA

Duck.ai se posiciona como una plataforma de chat con IA que permite conversar con modelos avanzados como GPT-5 o Claude Opus sin necesidad de crear una cuenta. Lanzada por DuckDuckGo a principios de 2025, la oferta se integra en el ecosistema de búsqueda y navegación de la compañía, accesible en duck.ai, a través del navegador de DuckDuckGo o mediante extensiones de escritorio. Dos rasgos distinguen a esta herramienta frente a soluciones similares: todo el flujo de conversación pasa por un proxy de anonimización de DuckDuckGo y los proveedores de IA tienen restricciones contractuales que impiden usar estas conversaciones para entrenamiento. Este compromiso es especialmente relevante frente a plataformas de acceso directo a modelos que no ofrecen garantías equivalentes.

En TechRadar Pro hemos evaluado software empresarial desde 2012. Nuestra cobertura de IA incluye una recopilación de herramientas de IA y una guía de compra centrada en el desarrollo de código para 2026, además de reseñas y noticias sobre plataformas. A continuación se ofrece una visión completa de Duck.ai y sus posibles usos, beneficios y limitaciones para profesionales y equipos que valoran la privacidad y la eficiencia.

Qué es Duck.ai? Duck.ai es el servicio de chat de DuckDuckGo diseñado para permitir la interacción con modelos de IA de alto rendimiento sin necesidad de registro ni exposición de datos personales. Está disponible en duck.ai, a través de las extensiones de DuckDuckGo y dentro de la app para iOS y Android. El servicio enruta todas las conversaciones mediante un proxy de privacidad, anonimizando las solicitudes antes de llegar al proveedor de IA. DuckDuckGo también exige a los proveedores límites contractuales estrictos sobre el uso de datos, lo que implica que las conversaciones no se almacenan en los servidores de DuckDuckGo y no pueden usarse para entrenar modelos por parte de los proveedores o de la propia Duck.

Funciona para tareas habituales de IA: redacción de correos, resumen de documentos, respuestas a preguntas, escritura de código y chat general. Es una opción especialmente atractiva para profesionales concienciados con la privacidad, freelancers y cualquiera que quiera acceso de vanguardia a IA sin una suscripción recurrente.

Duck.ai: visión general
– Modelo subyacente: variedad de opciones que, según el nivel de suscripción, incluyen GPT-4o mini, GPT-5 mini, Claude 4.5 Haiku, Claude Sonnet 4.6, Claude Opus 4.7 y otros, con disponibilidad de versiones Pro y Plus.
– Ideal para: usuarios preocupados por la privacidad; tareas generales de IA; acceso sin registro.
– Funciones distintivas: enrutamiento a través de un proxy de privacidad; acceso sin inicio de sesión; conmutación entre modelos; chat por voz.
– Interfaz de usuario: interfaz de chat mínima; barra lateral izquierda para cambiar de modelo; historial de chat almacenado localmente en el dispositivo.
– Costes de suscripción: gratuito; Plus: 9,99 USD/mes o 99,99 USD/año; Pro: 19,99 USD/mes o 199,99 USD/año.
– Precio de API: sin API pública; producto de consumo solamente.

Cuándo comprar Duck.ai
– Si quieres chatear con IA sin necesidad de crear una cuenta.
– Si la privacidad es determinante para tu flujo de trabajo: Duck.ai anonimiza cada conversación y restringe el uso de datos por parte de los proveedores, superando en protección de datos a una cuenta directa con OpenAI o Anthropic.
– Si valoras el multi-modelo: el plan Plus combina GPT-5.4 y Claude Sonnet 4.6 con VPN e protección de identidad, lo que resulta competitivo.

Cuándo no comprar Duck.ai
– Si necesitas una API para desarrollos o automatizaciones: Duck.ai no ofrece API; para construir productos o integraciones conviene ir directamente a OpenAI o Anthropic.
– Si ya dispones de una VPN: los planes de pago incluyen VPN y servicios de identidad; no hay una opción solo IA.
– Si dependes de límites predecibles: DuckDuckGo no publica límites diarios exactos, lo que dificulta planificar trabajo de alto volumen o con requisitos temporales.

Mi experiencia con Duck.ai
Probé Duck.ai en los niveles gratuito y Pro durante varias semanas. En el nivel gratuito, la experiencia es limpia y rápida, sin registro y con seis modelos listos para usar. Cambiar entre GPT-4o mini y Claude 4.5 Haiku se hace con un clic y ambos manejan consultas de investigación y tareas de redacción sin problemas. El nivel Pro añade Claude Opus 4.7 con razonamiento extendido. En tareas complejas, Opus 4.7 ofrece respuestas más estructuradas y bien razonadas. Para escritos cotidianos o consultas rápidas, el nivel gratuito es suficiente; el Pro brilla en trabajos especializados y que requieren múltiples pasos. Una frustración constante fue la opacidad de los límites de uso: DuckDuckGo mantiene los límites vagos para evitar abusos, y es posible que usuarios de alto volumen alcancen techos sin aviso claro.

Duck.ai: características
– Característica definitoria: el proxy de privacidad; cada mensaje pasa por DuckDuckGo antes de llegar al proveedor de IA. DuckDuckGo exige a los proveedores límites contractuales de uso de datos, lo cual es crucial cuando se manejan datos sensibles como decisiones financieras, cuestiones de salud o asuntos confidenciales.
– Repertorio de modelos en la versión gratuita: GPT-4o mini, Claude 4.5 Haiku, GPT-5 mini, gpt-oss-120b, Llama 4 Scout y Mistral Small 3 24B, con opciones más potentes en planes de pago.
– Suscripciones de pago: Plus añade GPT-5.4 y Claude Sonnet 4.6 junto con VPN y protección de identidad; Pro añade Claude Opus 4.7 y razonamiento extendido, con límites de uso superiores.
– Chat por voz: lanzado en febrero de 2026, permite hablar con un modelo de IA a través de una conexión cifrada. El audio no se almacena tras la sesión y actualmente el proveedor de modelos es OpenAI, limitando la variedad de modelos para voz.
– Cargas de archivos: aún no disponibles; para analizar PDFs o documentos hay que pegar contenido manualmente. DuckDuckGo ha indicado que la carga de archivos está en la hoja de ruta.

Duck.ai: experiencia de usuario
La interfaz es deliberadamente mínima: no hay paneles de control, configuraciones complejas ni procesos de onboarding. La historia de chat se almacena localmente en el dispositivo. Se cambia de modelo haciendo clic en el nombre del modelo en la parte superior de la conversación. Los usuarios nuevos pueden iniciar un chat en segundos. Las funciones de IA son opcionales; DuckDuckGo permite ocultar los botones de Duck.ai y superposiciones de IA en la configuración de búsqueda, una muestra de su enfoque centrado en la privacidad. Deshabilitar IA sin perder otras funciones es un rasgo que muchos servicios no ofrecen.

Soporte al cliente
DuckDuckGo mantiene documentación detallada de ayuda con políticas de privacidad, disponibilidad de modelos, límites de uso y gestión de suscripciones. En general, la documentación es clara y responde a la mayoría de preguntas sin necesidad de contacto directo. No hay chat en vivo ni teléfono de soporte. Para cuestiones de suscripción o facturación, se puede recurrir al menú de configuración de suscripción, pero los tiempos de respuesta no se publicitan. Las empresas que dependan del plan Pro para trabajos críticos deberían considerar este aspecto en su evaluación.

Precio y modelos
– Gratuito: seis modelos, sin registro, con límites de uso diarios no especificados.
– Plus: 9,99 USD/mes o 99,99 USD/año; añade GPT-4o, GPT-5.4, Claude Sonnet 4.6 y Llama 4 Maverick, más VPN, Eliminación de información personal y Recuperación de identidad.
– Pro: 19,99 USD/mes o 199,99 USD/año; añade Claude Opus 4.7, razonamiento extendido y el doble de límites de uso frente a Plus.

Conclusiones
El nivel gratuito de Duck.ai es de los mejores ofrecidos sin inicio de sesión disponibles en la actualidad, al permitir acceso a GPT-5 mini y Claude 4.5 Haiku con protecciones de privacidad reales y sin coste. El plan Plus ofrece una relación precio-beneficio atractiva frente a alternativas como ChatGPT Plus o Claude Pro, al combinar modelos de vanguardia con un conjunto de servicios de seguridad. El plan Pro es más recomendable para usuarios avanzados que requieren análisis complejos y múltiples pasos. Sin embargo, no existe una opción de IA aislada, por lo que si ya se paga por VPN u otros servicios, podría resultar redundante. En cuanto a limitaciones, la ausencia de una API y la falta de claridad en límites de uso diarios pueden ser factores decisivos para empresas con necesidades de automatización o de alta cadencia. Duck.ai continúa evolucionando con funciones como el chat por voz y la posibilidad de cargar documentos en el futuro, lo que podría ampliar aún más su caso de uso profesional.

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

Recent reports indicate that Lidl identified a cyberattack impacting data stored by an IT service provider connected to Lidl Online Shop. The incident led to the exposure of some personal information, including full names, phone numbers, email addresses, dates of birth, and customer numbers. Importantly, passwords, billing and delivery addresses, bank details, and other payment information were not reportedly compromised, and customer accounts remained unaffected.

Lidl has advised customers to stay vigilant against phishing and identity fraud, acknowledging that stolen data could be used to craft more convincing targeted emails. While there is no concrete evidence of misuse at this time, the company emphasizes precautionary measures to reduce risk and protect customers against potential fraud.

The company described its response as prompt, stating that it immediately resumed security controls and took necessary steps to restore the affected systems. A formal report was filed with the relevant authorities, and IT forensic experts were engaged to investigate the breach. Local data protection authorities in the Netherlands, Belgium, and Germany were notified as part of the incident response. Lidl operates approximately 12,900 stores across 32 countries in Europe and the United States.

This event underscores the broader challenges that large retail organizations face when relying on third-party IT service providers. It serves as a reminder for consumers to monitor financial statements and correspondence, verify unexpected communications, and exercise heightened skepticism regarding unsolicited messages that request sensitive information.

For organizations, the incident reinforces the importance of robust third-party risk management, rapid containment, clear communication with customers, and proactive collaboration with law enforcement and forensic experts to investigate and mitigate data exposure.

from Latest from TechRadar https://ift.tt/KWFvl9u
via IFTTT IA

Los costos de infraestructura para IA en las empresas Global 1000 se proyectan que serán un 30% más altos que los presupuestos actuales para 2027, según IDC. Esa brecha revela una desalineación entre cómo se comportan las cargas de trabajo de IA en producción y cómo la TI empresarial ha planificado históricamente la capacidad. Este patrón se repite en múltiples industrias: un piloto valida un modelo en un conjunto de datos controlado y se crean presupuestos en torno a esa economía. Pero cuando el sistema pasa a producción, la factura suele superar con creces lo que se modeló originalmente.

La tendencia natural es señalar el tamaño del modelo o el costo de los tokens, pero ese no es el principal culpable. El gasto reside en la capa de datos, impulsado por la frecuencia de lectura, cuántos servicios se tocan y cuán continuamente operan esas acciones.

Qué no muestran los pilotos
Un piloto se ejecuta contra un conjunto de datos estrecho, con unos pocos usuarios concurrentes y una cadencia de solicitud-respuesta familiar para una aplicación web. La producción es muy distinta.

Pensemos en un agente de soporte al cliente de IA en producción. Una sola solicitud de usuario puede activar búsquedas simultáneas a través de actividad de sesión, registros CRM, sistemas de inventario, manuales recuperados y otras fuentes, antes de que el modelo genere una respuesta. Todo esto ocurre bajo presupuestos de latencia de sub-100 ms, y la búsqueda más lenta regula el resto. El problema operativo se convierte en la latencia en cola (tail latency) entre muchas búsquedas pequeñas en paralelo.

Luego se añaden flujos de trabajo agentivos. Una solicitud de usuario se descompone en un plan y luego en una serie de pasos que emiten sus propias búsquedas, escriben estados intermedios y los leen de nuevo. Lo que empieza como una inferencia se expande a decenas o cientos de accesos a datos, con la sesión y el estado de la memoria mantenidos a lo largo de todo el recorrido. El perfil de costos que emerge no se parece en nada a lo que se tasó en el piloto.

De dónde sale el 30% de sobrecosto
La sobrecarga proviene de una serie de decisiones defensivas tomadas ante la incertidumbre. Cuando los equipos no pueden ver cómo fluyen los datos en una única solicitud, sobreprovisionan para absorber picos. Cuando no pueden predecir el comportamiento de caché bajo contexto cambiante, duplican datos entre sistemas para reducir riesgos de dependencia.

Si un servicio downstream se ralentiza, se añade otro servicio para aislarlo. Cada decisión tiene sentido de forma local. En conjunto, se genera un sistema que cuesta un 30% más que la carga de trabajo real, y eso antes de añadir cualquier nuevo caso de uso.

Los problemas subyacentes suelen ser los mismos. El fan-out por solicitud no se mide de extremo a extremo. El contexto se fragmenta a través de tiendas de características, sesiones, sistemas de perfiles de usuarios, índices vectoriales y APIs de terceros. Las cachés KV y el reuso de prefijos quedan fuera de la cuenta porque la capa de inferencia no puede mantener o compartir estado entre llamadas. Las decisiones de replicación y jerarquía se toman por sistema, no por patrón de acceso. Todo ello no aparece en un piloto: aparece en la factura de producción.

Qué debe entregar la capa de datos de IA
La IA en producción es un sistema distribuido y continuo cuyo camino más activo es la construcción del contexto: muchos lectos pequeños por solicitud bajo presupuestos de baja latencia, combinados con escrituras que deben mantener representaciones múltiples del mismo ente consistentes. Estas arquitecturas requieren dos cosas al mismo tiempo: lecturas de baja latencia previsibles bajo alta concurrencia y escrituras consistentes a lo largo de la ruta de datos. La infraestructura subyacente tiene que dimensionarse y formarse en consecuencia.

Decisiones arquitectónicas que empujan el resultado
– Emparejar la capa de datos con el patrón de acceso: estados de sesión, memoria de agentes, búsquedas de características, contexto recuperado y reutilización de caché KV presentan diferentes patrones de lectura, requisitos de frescura y necesidades de durabilidad. Tomarlas como capas de datos diferentes o colocarlas sobre la misma base de datos sin considerar estos patrones es una fuente común de sobrecosto. La tienda de sesión y el sistema de registro difieren en demandas de acceso de la misma capa de datos.
– Diseñar para fan-out y latencia tail predecible: el rendimiento (throughput) no debe ser la métrica principal para una capa de datos de IA. La métrica adecuada es la predictibilidad de múltiples lecturas pequeñas disparadas por una única solicitud. Un lote de búsquedas en paralelo solo es tan rápido como su miembro más lento; una búsqueda lenta detiene toda la construcción del contexto.
– Tratar la consistencia de escrituras como un requisito de corrección: cuando las actualizaciones entre perfiles de usuario, embeddings, vectores de características y estado de sesión no están sincronizadas, las lecturas de contexto subsequentemente obtienen versiones mezcladas y el modelo genera salidas basadas en datos contradictorios. Esto provoca alucinaciones que no tienen que ver con muestreo o probabilidad de modelo, y no se corrigen con prompts más grandes.
– Reutilización de datos en tiempo de inferencia como infraestructura: reutilizar caché KV, compartir prefijos y persistencia de memoria de agente deben ser consideraciones de infraestructura de primer nivel. Las equipos que lo abordan temprano pueden ejecutar las mismas cargas de trabajo con menor utilización de GPU que quienes no lo hacen. Este es el mayor punto de apalancamiento que no suele aparecer en la mayoría de los modelos de costos de IA.

Cómo empezar
El paso más útil es trazar una única solicitud de producción de extremo a extremo: contar las lecturas, registrar las fuentes y medir las latencias en cola. Este ejercicio revela más que una revisión arquitectónica. Una vez que los equipos ven cómo se mueven los datos en una interacción, pueden categorizar los accesos a datos por capa y verificar que cada uno funcione sobre infraestructuras adecuadas a su patrón.

A partir de ahí, la pregunta siguiente es qué se está recomputando y podría reutilizarse, especialmente entre llamadas de inferencia y pasos agentivos. El fan-out por interacción debería convertirse en una métrica que se observe tan de cerca como la latencia p99, porque a escala impulsa el costo con la misma claridad.

El costo de IA en producción es una disciplina de diseño. Los equipos que abordan este tema temprano tienen mucho más control sobre el rendimiento y el gasto que los que esperan a que la factura obligue a actuar. En muchos casos, la brecha del 30% es el costo de aprender estas lecciones demasiado tarde.

Notas finales
– Este análisis subraya la importancia de tratar la capa de datos como la clave para gestionar costos y rendimiento en IA en producción.
– Las decisiones de diseño deben centrarse en patrones de acceso y en la coherencia de datos a lo largo de todo el flujo de trabajo, no solo en el rendimiento aislado de un modelo.
– Trazar y medir de extremo a extremo una interacción real se revela como la herramienta más poderosa para evitar sorpresas en la factura y para lograr una IA más eficiente y confiable en producción.

Este artículo forma parte de TechRadar Pro Perspectives, que reúne a las mentes más brillantes de la industria tecnológica para compartir ideas y experiencias relevantes.

from Latest from TechRadar https://ift.tt/Xl8wRyW
via IFTTT IA

DeepSeek entró en escena como un trueno en enero de 2025, cuando su modelo de razonamiento R1 ocupó brevemente el puesto de ChatGPT como la aplicación gratuita más descargada en la App Store de EE. UU. Desarrollado por un laboratorio de IA con sede en Hangzhou y respaldado por el hedge fund chino High-Flyer, afirmó igualar el rendimiento de la IA de frontera a una fracción del costo de desarrollo. Esta afirmación provocó una conversación global sobre quién estaba ganando realmente la carrera de la IA.

Desde entonces, DeepSeek ha crecido hasta cerca de 97 millones de usuarios activos mensuales y ha lanzado múltiples generaciones de modelos, siendo la más reciente la familia V4 en abril de 2026. Su estructura de precios para la API destaca: el modelo V4 Flash comienza en $0.14 por millón de tokens de entrada, más barato que la mayoría de los modelos de nivel “lite” de OpenAI y Google, y competitivo en benchmarks de codificación, matemáticas y razonamiento. La licencia de código abierto bajo MIT facilita que equipos auto-alojen los modelos y eviten costos por token a gran escala.

En TechRadar Pro llevamos evaluando software B2B desde 2012, y plataformas de IA entre nuestras áreas de cobertura más activas en años recientes. Nuestras recopilaciones de herramientas de IA, guías de codificación y explicadores como OpenClaw y Moltbook dan una idea de las herramientas que seguimos de cerca. DeepSeek es una de las plataformas más polarizantes que hemos probado: impresionante en muchos aspectos, pero no exenta de señales de alerta.

Qué es DeepSeek?

DeepSeek es una plataforma de chat de IA y servicio API desarrollada por Hangzhou DeepSeek Artificial Intelligence Co., Ltd., una empresa china fundada en 2023 y financiada por el hedge fund cuantitativo High-Flyer. Ofrece una interfaz de chat web y móvil gratuita en chat.deepseek.com junto con una API de desarrollador de pago, ambas alimentadas por la misma familia de modelos subyacentes.

La plataforma opera con los propios modelos de IA de DeepSeek, específicamente V4 Flash y V4 Pro, ambos basados en una arquitectura Mixture-of-Experts (MoE). Solo una fracción de los parámetros se activa por token, lo que reduce costos de inferencia sin disminuir la base de conocimiento del modelo.

V4 Pro tiene 1.6 billones de parámetros totales, pero solo 49 mil millones activos en inferencia. V4 Flash tiene 284 mil millones totales con 13 mil millones activos, lo que lo hace significativamente más rápido y económico sin sacrificar en tareas diarias.

Los usuarios natural es la audiencia: desarrolladores, investigadores y empresas sensibles al costo. La capa gratuita de chat sirve para individuos y equipos pequeños que exploran la herramienta, mientras que la API con precios agresivos resulta atractiva para cualquiera que desarrolle aplicaciones impulsadas por IA a gran escala.

DeepSeek, a simple vista

Compre si…

• Necesita una API barata y capaz para codificación o razonamiento. V4 Flash a $0.14 por millón de tokens de entrada es de among los APIs más asequibles en su tipo, y sus resultados en codificación y matemáticas se mantienen frente a competidores más caros.
• Quiere pesos abiertos para despliegue en su propia infraestructura. Ambos modelos V4 se publican bajo licencia MIT en Hugging Face, permitiendo ejecutar el modelo en su infraestructura y eliminar costos por token en cargas de trabajo a gran escala.
• Está haciendo trabajo de exploración no sensible. Para investigadores individuales, estudiantes o desarrolladores prototipando proyectos no confidenciales, la app de chat gratuita ofrece búsqueda web, subida de archivos y un contexto de 1M de tokens sin costo.

No lo compre si…

• Su trabajo implica datos confidenciales o regulados. Todos los datos de usuario se almacenan en servidores en la China continental, sujetos a la ley china, que permite acceso gubernamental sin consentimiento. Varios gobiernos han prohibido DeepSeek en dispositivos oficiales por esta razón.
• Necesita respuestas consistentes en temas sensibles. DeepSeek evita ciertos temas políticamente sensibles, especialmente sobre asuntos internos chinos. Este filtrado puede generar respuestas evasivas o incompletas frente a temas que otras plataformas manejan de forma directa.
• Está en una región regulada por GDPR. La autoridad de protección de datos de Italia bloqueó DeepSeek en enero de 2025 tras una respuesta considerada por reguladores como “completamente insuficiente” a consultas sobre prácticas de datos.

Mi experiencia con DeepSeek

probé la app de chat y la API de DeepSeek en una variedad de tareas: generación de código, resumen de documentos, razonamiento de alto nivel y preguntas y respuestas generales. En capacidad cruda, los modelos V4 me impresionaron. Las salidas de código eran limpias y bien estructuradas, los resúmenes de documentos largos eran precisos y el contexto de 1M tokens manejó la ingestión de PDFs completos sin problema.

El modo de pensamiento, accesible a través del Modo Experto en la interfaz de chat, añadió un razonamiento estructurado de varias etapas que resultó útil para problemas complejos; no fue solo exhibición. Sin embargo, lo que me dejó dudas fue todo lo demás fuera del modelo. Algunas indicaciones políticamente sensibles devolvieron respuestas conspicuamente vagas o elusivas, un comportamiento poco aceptable en contextos profesionales donde la información debe ser completa y confiable. También observé que la interfaz de chat carece de memoria y personalización que sí ofrecen ChatGPT o Claude.

El valor por dinero en el lado de la API es difícil de negar. Una aplicación de producción con prompts bien estructurados se beneficia sustancialmente del caching: token de entrada en caché a $0.014 por millón para V4 Flash, una reducción del 90%. Para cargas de trabajo de alto volumen y baja sensibilidad, esa aritmética es atractiva.

DeepSeek: Funciones

La oferta núcleo de DeepSeek cubre: generación de texto, escritura y depuración de código, resumen de documentos, razonamiento matemático y búsqueda web. La integración de búsqueda web es un conmutador manual en lugar de estar siempre activa, lo que mantiene las respuestas más rápidas por defecto, pero requiere activarlo cuando la información en tiempo real importa. La subida de archivos admite PDF, DOCX y TXT, con la capacidad de resumir y responder preguntas basadas en el contenido subido.

La capacidad destacada es el contexto de 1M de tokens introducido con V4, frente a 128K en la generación anterior. Es un salto significativo para analizar largos contratos, bases de código o documentos de investigación en una sola sesión. V4 Flash cubre tanto modos de pensamiento como de no pensamiento, para no necesitar cambiar entre modelos según la complejidad de la tarea. Esa flexibilidad es más importante de lo que parece al alternar entre tareas casuales y análisis complejos en el mismo flujo de trabajo.

En lo que DeepSeek falla, está el soporte multimodal. La plataforma no soporta generación o comprensión de imágenes en la web, lo que la pone por detrás de ChatGPT, Claude y Gemini en ese frente. Las capacidades agenticas están disponibles en la Vista previa de V4, pero siguen siendo iniciales frente a plataformas dedicadas.

Experiencia de usuario de DeepSeek

La interfaz de chat en chat.deepseek.com es directa y rápida para empezar. Registrarse solo requiere un correo electrónico de un proveedor global como Gmail o Yahoo, y la experiencia por defecto te lleva directo a una ventana de conversación. La distinción entre Expert Mode (pensamiento, más lento) e Instant Mode (más rápido, sin pensamiento) se muestra claramente en la parte superior de la interfaz, y las apps móviles en iOS y Android replican la experiencia web con carga de archivos y búsqueda web incluida.

La curva de aprendizaje es suave para uso casual. Cambiar entre modos de pensamiento y no pensamiento requiere un clic, y el flujo de subida de archivos es simple con arrastrar y soltar.

La experiencia de API es menos indulgente para los integradores primerizos. A diferencia de la app de chat, la API es sin estado, lo que significa que cada llamada debe incluir toda la historia de la conversación en el arreglo de mensajes. La documentación de DeepSeek lo explica con claridad, pero toma por sorpresa a desarrolladores acostumbrados a gestionar el estado de conversación en otros lugares.

Atención al cliente de DeepSeek

Las opciones de soporte para usuarios de chat gratuito se limitan a un servidor de Discord y a un canal de correo para consultas de API (api-service@deepseek.com). Las respuestas de la comunidad en Discord pueden ser rápidas, pero dependen de otros usuarios más que del personal oficial. No hay chat en vivo ni soporte telefónico.

Los clientes de API tienen un poco más de recurso mediante correo directo; la documentación oficial en api-docs.deepseek.com es completa y organizada, cubriendo detalles del modelo, precios, límites y ejemplos de código en Python y curl. Para desarrolladores cómodos con la autoayuda documental, es suficiente.

DeepSeek: Precios

• La app de chat es gratuita y sin límites de consultas. Las aplicaciones web y móviles permiten acceso ilimitado a V4 Flash y V4 Pro sin costo, incluyendo búsqueda web, subida de archivos y el contexto completo.
• Nuevas cuentas de API reciben 5M tokens gratis, válidos por 30 días, para prototipar y probar sin coste.
• Facturación de API es de pago por uso. V4 Flash cuesta $0.14 por millón de tokens de entrada y $0.28 por millón de tokens de salida. V4 Pro se sitúa en $1.74 / $3.48 a tarifas estándar, con descuentos promocionales que pueden reducirlas a $0.435 y $0.87. Los tokens de entrada en caché cuestan una décima de la tarifa de entrada en ambos modelos.

La capa gratuita de chat es generosa en cualquier métrica. Acceso ilimitado con un contexto de 1M de tokens sitúa a DeepSeek por delante de la mayoría de competidores en términos de acceso, y no hay una suscripción de chat paga que preocupe. Los usuarios avanzados que necesiten más control pueden quedarse con la app gratuita o pagar por tokens vía la API.

En la API, DeepSeek ofrece fuertes argumentos para gestionar costos a gran escala. Descuentos fuera de pico de hasta un 75% están disponibles entre las 16:30 y 00:30 UTC, brindando a los equipos con horarios flexibles una palanca adicional de costos. Para apps de producción con prompts bien estructurados y un contexto de sistema compartido, los costos efectivos pueden caer por debajo de $0.02 por millón de tokens con caché aplicado.

Alternativas a considerar

• ChatGPT (OpenAI): La plataforma de IA más capaz en general, con comprensión de imágenes, voz y memoria. El precio de la API es más alto, pero la residencia de datos en EE. UU. y acuerdos empresariales de datos la hacen una opción más segura para cargas de trabajo sensibles.
• Claude (Anthropic): Especialmente fuerte para escritura de larga duración y análisis de documentos, con contextos comparables y políticas de manejo de datos más claras. Claude Pro empieza en $20/mes para usuarios individuales.
• Gemini (Google): Bien integrada con Google Workspace y diseñada para trabajo multimodal en texto, imagen y video. Gemini 2.5 Flash ofrece precios de API competitivos sin preocupaciones de jurisdicción de datos china.

Cómo probé DeepSeek

• Utilicé la app web gratuita para generación de código, resumen de documents, razonamiento matemático, preguntas y respuestas en múltiples turnos y análisis de archivos, abarcando tanto Instant Mode como Expert Mode para cada tipo de tarea.
• Realicé llamadas a la API con tamaños de prompts variados para verificar comportamiento de contexto, descuentos por caché y consistencia de respuestas, siguiendo las indicaciones de temperatura de DeepSeek para distintos tipos de tarea.
• CRuceé la política de privacidad oficial de DeepSeek, investigaciones de seguridad de terceros y acciones regulatorias de Italia, Australia, Corea del Sur y entidades gubernamentales de EE. UU. para construir una visión completa del riesgo de datos.

Más allá de las pruebas prácticas, revisé la documentación oficial de API, el informe técnico V4 publicado en Hugging Face y datos de benchmarks de la versión de abril de 2026. Las cifras de precios se tomaron de la documentación oficial de DeepSeek y se corroboraron con servicios de seguimiento de terceros.

from Latest from TechRadar https://ift.tt/FWpRG63
via IFTTT IA

Las cifras recientes de sostenibilidad de Microsoft presentan un panorama complejo para una de las compañías tecnológicas más visibles del mundo. En su informe de sostenibilidad, la empresa admite que sus emisiones de gases de efecto invernadero aumentaron un 25,1% interanual, pasando de 16,2 millones de toneladas a 20,3 millones de toneladas en 2025. Este incremento coincide con un periodo de expansión acelerada impulsada por la inteligencia artificial y la construcción de grandes data centers, elementos que hoy se reconocen como principales motores de las emisiones operativas.

Entre los datos clave se destaca que, de los 37,5 millones de MWh de energía consumida, solo 422.000 MWh provinieron de fuentes no sostenibles, lo que señala una ligera proporción de uso de energía no renovable. Sin embargo, ese porcentaje relativamente bajo oculta un cambio de dinámica ante el crecimiento de la demanda de electricidad para alimentar infraestructuras digitales a gran escala. En particular, las emisiones de Alcance 2 mostraron un aumento sustancial, pasando de representar el 1,6% del total en FY24 a un 13,3% en FY25, reflejando la mayor intensidad eléctrica de las operaciones de centros de datos y la compra de electricidad a gran escala.

El informe señala también un incremento del consumo de diésel y crudo en un 51%, mientras que el uso de gas natural experimentó una caída del 6,5% y los combustibles propano/GLP/jet, así como la gasolina, bajaron entre un 10% y un 16%. Aunque el total de energía no renovable se mantiene bajo en volúmenes absolutos (aproximadamente 422.000 MWh de 37,5 millones de MWh), la magnitud del crecimiento de la demanda energética sugiere que las emisiones podrían continuar en otra trayectoria si no se implementan estrategias de eficiencia y descarbonización más agresivas.

Microsoft ha justificado parte del aumento por la expansión de centros de datos y proyectos de inteligencia artificial, señalando que el crecimiento de estas iniciativas está directamente vinculado a mayores emisiones. Esto plantea un desafío significativo para la meta de alcanzar una huella de carbono negativa para 2030. A la par, la compañía destaca avances en reducción de emisiones a través de la generación de electricidad libre de carbono, el uso de combustibles sostenibles, mejoras en eficiencia energética y refinamientos en la cadena de suministro, lo que ha permitido amortiguar parcialmente el impacto prevista por el crecimiento operativo.

En un marco más amplio, otras grandes empresas tecnológicas también enfrentan tendencias similares: Amazon reportó un incremento anual de emisiones cercano al 16% atribuido a IA y centros de datos, mientras que Google registró un alza del 25% en su último año completo. Estos ejemplos subrayan una realidad compartida: la transición digital masiva conlleva una presión sostenida sobre las redes eléctricas y el consumo de energía, que exige soluciones innovadoras y una coordinación más estrecha entre innovación tecnológica y sostenibilidad ambiental.

Implicaciones y perspectivas

El crecimiento de las emisiones de alcance 2 y 3, en particular, señala la necesidad de estrategias más profundas para descarbonizar la infraestructura de TI: diversificación de fuentes renovables, contratos de compra de energía con mayor impacto adicional, mejoras en la eficiencia de data centers, adopción de energía nuclear y otras tecnologías de descarbonización de alto grado de madurez comercial. Además, la gestión de materiales de construcción sostenibles, la optimización de la logística y la eficiencia en el uso de equipos y hardware son vectores que pueden reducir la intensidad de carbono en toda la cadena de valor.

Para las empresas que buscan mantener la innovación sin sacrificar el clima, es crucial comunicar claramente las metas, las métricas y los avances de forma transparente, al tiempo que se implementan planes a corto y mediano plazo que reduzcan de manera verificable las emisiones. En este contexto, el informe de Microsoft ofrece una visión realista: el crecimiento tecnológico debe ir de la mano con una estrategia de descarbonización ambiciosa y bien ejecutada para cumplir con la promesa de un impacto positivo para 2030 y más allá.

Conclusión: la trayectoria de Microsoft ilustra un dilema común en la era digital. El impulso hacia la IA y la computación en la nube ha acelerado el consumo de energía, pero también ha impulsado inversiones críticas en eficiencia y energía limpia. El éxito de la meta de carbono negativo dependerá de la capacidad para convertir este crecimiento en una oportunidad de reducción real de emisiones mediante inversiones estratégicas, innovación en eficiencia y un marco de gobernanza que garantice mejoras continuas y verificables.

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

La modernización de sistemas heredados no es solo una cuestión de tecnología; es una decisión de negocio respaldada por una secuencia bien pensada y un manejo de riesgos rigurosamente orquestado. En la era de la inteligencia artificial, las herramientas que pueden leer miles de líneas de código y mapear dependencias se han convertido en un acelerador valioso. Sin embargo, su valor real emerge cuando estas visibilidades se conectan con el contexto operativo y comercial de la empresa.

La reciente iniciativa de IBM, con su asistente de codificación IA, subraya una tendencia más amplia: las organizaciones buscan entender, evaluar y, finalmente, modernizar sus sistemas heredados sin perder la continuidad operativa que ha permitido a la empresa prosperar durante décadas. Las IA pueden identificar APIs obsoletas, resumir lógica de negocio y exponer deudas técnicas en minutos, pero la verdadera pregunta es: ¿qué hacemos con esa información en el mundo real de la empresa?

La complejidad de los entornos heredados no reside solo en el código. Estas plataformas están entretejidas en el modelo operativo de la organización, reflejan decisiones de procesos históricas, requisitos de cumplimiento, excepciones específicas de clientes y conocimiento institucional que a veces no está documentado. En otras palabras, el hallazgo de riesgos es solo la primera capa; la siguiente es entender cómo ese riesgo impacta a otras aplicaciones, flujos de trabajo y equipos operativos.

Un análisis aislado puede señalar puntos de integración envejecidos o procesos críticos, pero el verdadero reto surge cuando se evalúa qué sistemas se benefician realmente de una relocalización, cuáles deben modernizarse en su lugar y cuáles son candidatos para extensiones mediante interfaces modernas. Nadie quiere gastar recursos moviendo componentes sin abordar las causas subyacentes de la complejidad.

Con frecuencia, la modernización debe planificarse como una serie de fases, donde la evaluación técnica, la gobernanza y la estrategia de negocio se alinean desde el inicio. La colocación de cargas de trabajo, por ejemplo, ya no es una decisión meramente tecnológica: trasladar un servicio a la nube puede mejorar escalabilidad, pero también introduce consideraciones de soberanía de datos, latencia y variabilidad de costos. En algunos casos, mantener cargas en entornos modernos de IBM Z o Power puede ofrecer rendimientos más previsibles para aplicaciones que ya operan a escala.

La pregunta clave no es: ¿cómo deshacerse de las plataformas heredadas? Sino: ¿qué sistemas se benefician de la migración, cuáles deben modernizarse en el sitio y cuáles pueden extenderse mediante interfaces modernas? Sin ese marco, el esfuerzo puede terminar duplicando complejidad en una ubicación nueva.

La experiencia actual ya muestra este patrón: las IA de análisis de código pueden procesar millones de líneas de código y centenares de millones de transacciones para exponer deuda técnica y áreas de complejidad. Este conocimiento, convertido en decisiones informadas sobre priorización y secuenciación, tiene el poder de transformar la manera en que se aborda la modernización. La magia no está en la velocidad de lectura, sino en la capacidad de convertir esa visibilidad en acciones que no comprometan la operación existente.

Una tendencia clave es la especialización de modelos de IA en lugar de depender de un único modelo de propósito general. En entornos empresariales, los modelos más útiles suelen ser aquellos que se despliegan de forma controlada, con tareas específicas y con gobernanza estricta. Este enfoque no es burocracia; es una salvaguarda para evitar que una herramienta de productividad se convierta en una vulnerabilidad operativa.

Las implementaciones de IA que entregan valor práctico hoy tienden a concentrarse en tareas repetitivas, complejas y difíciles de escalar manualmente: generación de pruebas automatizadas para reducir riesgos de regresión, correlación de observabilidad para acortar ciclos de investigación de incidentes y análisis de dependencias para priorizar trabajos de infraestructura.

En la combinación de entornos en la nube con sistemas legados, la IA no reemplaza el juicio humano; lo potencia. El objetivo es mejorar la visibilidad, acelerar la evaluación y priorizar con criterio, manteniendo la disciplina operativa. La respuesta de negocio no es entregar un modelo mágico que lo haga todo, sino apoyar decisiones críticas con datos y contexto.

En última instancia, la modernización exitosa exige juicio, secuenciación y disciplina operativa. A medida que las organizaciones exploran cómo la IA puede ayudar a leer y entender el legado, deben equilibrar la velocidad de descubrimiento con la capacidad de, y la necesidad de, ejecutar cambios de forma controlada. Eso implica gobernanza, aprobación humana y una visión clara de qué cambios son aceptables desde la perspectiva de negocio.

El mensaje para líderes tecnológicos es claro: utilizar asistentes IA para el descubrimiento y la evaluación no es suficiente. Se necesita convertir ese conocimiento en cambios que no generen inestabilidad adicional en otras áreas del negocio. La IA puede ayudar a leer el legado, entender el riesgo y acelerar la entrega, pero la modernización sigue siendo una labor humana, con un fuerte componente de estrategia, priorización y disciplina operativa.

Este enfoque pragmático se ve reflejado en experiencias recientes donde, al analizar grandes estates, la IA facilita entender la deuda y la complejidad, permitiendo a la organización decidir mejor dónde empezar y cómo secuenciar el cambio sin interrumpir operaciones centrales. En ese sentido, la IA no es una solución autónoma, es una aliada estratégica para la modernización progresiva.

Si buscas una modernización sostenible, adopta una visión específica de la IA: herramientas de apoyo al equipo de ingeniería y operaciones, no sustitutos de su juicio. Y recuerda: lo que parece un hallazgo técnico puede convertirse en una decisión de negocio crítica cuando se traduce en planes de implementación, gobernanza y medidas de éxito visibles para toda la organización.

from Latest from TechRadar https://ift.tt/GlkXnM4
via IFTTT IA

from Latest from TechRadar https://ift.tt/Cy9xVnf
via IFTTT IA

El cambio hacia Making Tax Digital (MTD) para las obligaciones de Income Tax está afectando a las pequeñas y medianas empresas del Reino Unido y a autónomos que superan un umbral de ingresos. En concreto, las entidades con ingresos anuales de al menos 50.000 libras son las primeras obligadas a cumplir con el nuevo régimen, con futuras fases para quienes tengan ingresos de 30.000 y luego 20.000 libras. Este cambio, que entró en vigor para el año fiscal actual, ha generado preocupación entre los responsables de negocio ante una primera fecha límite crucial: el 7 de agosto de 2026.

Según investigaciones de Lloyds Bank basadas en estimaciones de HMRC, más de la mitad (55%) de las pequeñas empresas británicas afectadas por MTD aún no están plenamente preparadas para su primera presentación. En números, esto podría equivaler a unos 475.000 autónomos, propietarios de viviendas de alquiler y pequeñas empresas que aún no han organizado sus procesos de cumplimiento.

La llegada de la primera fecha de entrega se produce a pesar de que el conjunto inicial de contribuyentes ya debe cumplir con los principios de MTD; la obligación gradual implica que en años subsiguientes se extenderá a quienes facturan £30,000 y luego £20,000. Aunque puede resultar desalentador para muchos adaptar sistemas y procesos, aquellos que ya han adoptado los principios de MTD reportan beneficios claros: aproximadamente el 40% afirma que la gestión fiscal digital les ha permitido estar más organizados, y cerca del 28% señala una reducción del estrés por administración de impuestos de última hora.

Una de las preocupaciones recurrentes de los contribuyentes es la claridad de las comunicaciones de HMRC. Aunque las ventajas de mantener registros en formato digital son ampliamente reconocidas, existe inseguridad sobre las acciones exactas que deben realizar antes de la fecha límite inicial. En palabras de Ramki Sankaranarayan, Director de Banca Comercial, “Making Tax Digital representa uno de los cambios administrativos más grandes que muchos autónomos hayan experimentado en años”.

Para los clientes elegibles de Lloyds Bank, la cuenta comercial puede acceder a la funcionalidad MTD de forma gratuita. Esto posiciona a Lloyds como uno de los bancos que intentan facilitar la tarea de contabilidad interna. Sin embargo, para muchos empresarios, el software de contabilidad dedicado aún ofrece mayor funcionalidad para registrar otros aspectos financieros. Aun así, la creciente disponibilidad de herramientas integradas y sin complicaciones promete reducir la probabilidad de sanciones a medida que MTD se expande.

Consideraciones clave para las PYMEs en este momento:
– Identificar si se encuentra en el umbral de £50,000 de ingresos para la primera fase y planificar la implementación.
– Preparar una estrategia de comunicación con HMRC para entender claramente los requisitos antes de la primera fecha límite.
– Evaluar si las soluciones de contabilidad existentes pueden integrarse con MTD o si conviene adoptar software específico para este régimen.
– Aprovechar herramientas bancarias integradas y de proveedores como Lloyds para simplificar la recopilación de datos y reducir errores.

Este cambio estructural subraya la necesidad de una gestión financiera más ágil y digital. Si bien la transición puede parecer un desafío, la experiencia de quienes ya han adoptado MTD sugiere que, con la orientación adecuada y una planificación temprana, las pequeñas empresas pueden mitigar riesgos, ganar en eficiencia y evitar posibles sanciones mientras se adaptan a este nuevo marco regulatorio.

from Latest from TechRadar https://ift.tt/wO3bYEt
via IFTTT IA

La inversión en IA dentro de las empresas se está acelerando. Los presupuestos aumentan, las juntas exigen respuestas claras y las respuestas que reciben suelen hacerse en torno a costos de tokens, conteo de prompts y despliegues de copilotos. Pero esos números no son métricas de negocio; son registros de actividad.

La mayoría de las organizaciones se ha quedado con esas cifras porque son fáciles de rastrear y aparecen bien en los informes. El problema es que miden la actividad, no los resultados. Indican cuánta IA se está usando, no si el negocio está avanzando desde la implementación de la IA.

Aquí es donde surge el fenómeno de la maximización de tokens. Sucede cuando las organizaciones empiezan a premiar a quien más usa IA, en lugar de premiar lo que realmente entrega. Al optimizar por lo incorrecto, estamos preparando silenciosamente a los programas de IA para fracasar.

Cuando las métricas se convierten en la misión

Existe una verdad simple en los negocios: las personas optimizan aquello que se mide, y actualmente vemos ese fenómeno con la IA. Es natural: los equipos generan más output cuando eso es lo que la dirección suele ver y recompensar. A lo largo del tiempo, la medición se convierte en la misión y el foco en los resultados reales empieza a desvanecerse. El resultado es un incremento en la producción que parece impresionante en papel, pero tiene poco que ver con decisiones más rápidas o productos mejores.

Los equipos con mayor uso o gasto tienden a convertirse en el benchmark que otros sienten la necesidad de igualar. Pero métricas como el gasto en tokens deben evaluarse de la misma manera que cualquier otra inversión empresarial. Si destináramos el mismo presupuesto a una nueva herramienta de ventas o a una campaña de go-to-market, la junta preguntaría: ¿cómo aumentó los ingresos y avanzó el negocio de forma medible?

Un alto consumo de tokens sin una conexión clara con un resultado de negocio no es una historia de éxito. Sin esa conexión, es solo un costo adicional. Mientras tanto, las organizaciones que descubren esto primero moverán más rápido con menos gasto, y esa brecha se acumula.

La IA no creó el problema; lo reveló

Ya hemos visto este patrón antes. En los primeros días de la computación en la nube, las empresas apostaron por avanzar rápido e invertir mucho sin reconsiderar cómo se estructuraba el trabajo. Los costos subieron, pero los resultados no siempre siguieron. No fue un problema de la nube; tampoco es un problema de IA. Siempre estuvo ahí.

La realidad es que la mayoría de las compañías ya tenían una cuestión estructural mucho antes de la IA. El trabajo que tiene mayor impacto no vive en un único sistema; se extiende a través de equipos, herramientas y departamentos, sostenido por personas que conectan contexto y llenan vacíos entre sistemas. Eso siempre ha sido así. Lo que la IA ha hecho es exponerlo, y ahí el problema es más profundo que las métricas.

La IA acelera a las personas dentro de las herramientas que ya usan. Pero cuando ese trabajo sigue residiendo en sistemas desconectados, la velocidad no arregla el problema; solo revela las brechas. Los equipos avanzan más rápido, pero no necesariamente de forma conjunta, y por eso las métricas de uso pueden parecer tan fuertes. Más prompts, más output, más actividad. A simple vista parece avances, pero sin una conexión clara con resultados, esa actividad puede convertirse rápidamente en ruido.

El problema no es solo que estemos midiendo mal. También es que la mayoría de las organizaciones no tiene una visión clara de los resultados desde el principio.

Qué significa una buena medición

Deja de preguntar cuánto se está usando la IA y empieza a preguntar qué ha cambiado gracias a ella. Algunas pautas que deben seguirse:

La cantidad de output no equivale a valor de negocio. Tratarlos como intercambiables es empezar a desviar la dirección del programa de IA.

Comienza por el resultado, no por la herramienta. En lugar de preguntar: “¿Cuántos prompts ejecutamos?”, pregunta: “¿Qué logramos?”

Mide lo que cruza equipos. Si el impacto se mantiene dentro de una función, tienes una herramienta útil, no una ventaja competitiva.

A modo de ejemplos: para equipos de ingeniería, podría significar centrarse menos en líneas de código o pull requests y más en lo que llega a producción y entrega valor a los clientes. Para marketing, podría significar enfocarse en si las campañas se lanzan más rápido o con mejor recepción.

En última instancia, la IA que facilita la mañana de una persona es una herramienta útil, pero el verdadero valor proviene de aquella IA que cambia la forma en que toda la empresa realiza su trabajo. Sin eso, terminamos con herramientas inteligentes que operan de forma aislada: útiles en momentos, pero limitadas en impacto.

Redefine qué significa buen rendimiento

Ahora mismo, la mayor parte de la conversación sobre IA se centra en la productividad individual: cuán rápido puede escribir, codificar, analizar o crear una persona. Eso importa, pero es solo una parte de la historia.

La gran oportunidad está a nivel organizativo y mira cómo el trabajo realmente se mueve entre equipos, sistemas y la empresa en su conjunto. La IA puede mejorar la operación de los negocios, pero solo si estamos dispuestos a hacer preguntas más difíciles sobre qué medimos y por qué.

Las empresas que liderarán no serán las que usen IA más; serán las que cambien lo que miden cuando la IA llegó. Ese es el único KPI que realmente importa.

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

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