IBM ha presentado un nuevo modelo de IA de código abierto con la esperanza de acelerar la labor de los investigadores de la NASA en su ambicioso objetivo de llevar a la humanidad de regreso a la Luna.

El modelo NASA-IBM Lunar Foundation, disponible en Hugging Face, permitirá a los investigadores analizar décadas de datos de observación lunar y identificar características geológicas críticas para comprender la posibilidad de establecer una presencia humana sostenida en la Luna. El modelo ha sido entrenado por investigadores de IBM y NASA sobre un conjunto de datos multimodal masivo de la NASA, que también se divulgará junto con el modelo para ampliar el acceso a sistemas avanzados de IA y favorecer avances en la exploración lunar.

Hacia la Luna (y más allá)

En su nivel más inmediato, el modelo facilitará una forma mucho más eficiente de estudiar petabytes de datos recopilados en la superficie lunar para identificar lugares potencialmente peligrosos, como depósitos de hielo o cráteres.

Actualmente, los científicos suelen apoyarse en análisis manual o en modelos de IA de baja resolución y específicos para una tarea, lo que puede resultar costoso en términos computacionales y, a veces, carecer de la precisión necesaria para un análisis geográfico detallado.

Con la nueva versión, en lugar de crear un nuevo modelo de IA para cada tema potencial, los investigadores podrán adaptar un único modelo fundacional para investigar una variedad de características geológicas lunares.

El modelo ya ha mostrado utilidad, identificando cráteres y rasgos volcánicos con mayor precisión y reduciendo significativamente los errores al localizar posibles depósitos de hielo.

IBM, que lleva trabajando con la NASA más de cinco décadas, incluida su participación en las misiones Apolo, considera que el modelo podría ayudar a futuros astronautas a navegar con mayor seguridad y a localizar recursos esenciales, además de contribuir a comprender mejor la historia geológica de la Luna.

“Descubrir los misterios de la Luna exige la capacidad de aprender a partir de un volumen extraordinario de datos científicos”, afirmó Juan Bernabe-Moreno, Director de IBM Research Europe, UK and Ireland.

“El NASA-IBM Lunar Foundation Model brinda a los científicos una base para explorar la Luna a escala, conectando observaciones entre instrumentos, revelando patrones que son difíciles de ver de forma aislada y proporcionando una plataforma abierta sobre la que la comunidad científica global puede construir.”

El lanzamiento del conjunto de datos marcará la primera vez que se pone a disposición de forma unificada y pública una reserva de datos lista para aprendizaje automático. Reúne más de 30 capas espaciales alineadas de nueve instrumentos de cuatro misiones, incluidos decenas de miles de imágenes y mapas que muestran propiedades geofísicas únicas de la superficie lunar a partir de la NASA’s Lunar Reconnaissance Orbiter (LRO) y la misión GRAIL de la NASA.

La identificación de depósitos de hielo lunar podría ser particularmente crucial, ya que la presencia de agua y oxígeno será fundamental para establecer una base humana en la Luna e incluso para generar combustible para futuras misiones a Marte.

El escaneo de las características volcánicas de la Luna, conocidas como las “Iregular Mare Patches”, puede ayudar a comprender mejor la historia volcánica de la Luna y su evolución térmica, así como a identificar posibles lugares para alunizajes y otras operaciones superficiales.

Finalmente, estudiar los cráteres lunares ofrece una gran cantidad de información sobre su historia, incluida la edad de diferentes terrenos, su geología e incluso la composición química del interior temprano de la Luna, además de ayudar a identificar sitios de aterrizaje seguros sin peligros como pendientes pronunciadas y rocas sueltas.

from Latest from TechRadar https://ift.tt/TV8NQ6t
via IFTTT IA

Asus ha renovado su línea Zenbook con el Zenbook 14 (2026), un portátil ultraligero diseñado para quienes buscan portabilidad sin sacrificar rendimiento. A continuación, un vistazo condensado y detallado de lo que ofrece este modelo en un formato práctico para lectores que buscan tomar una decisión informada rápidamente.

Diseño y construcción: ligereza con carácter
El Zenbook 14 destaca por una construcción de cuerpo Ceraluminio que combina resistencia y un tacto suave. Su acabado en tonalidades vibrantes, como Komodo Coral, Arctic Blue o Zabriskie Beige, aporta una identidad visual poco común en este rango de precio. A pesar de su ligereza —aproximadamente 1,1 kg— el equipo transmite robustez, y la tapa y la base presentan un mínimo margen de flexión. Sin embargo, se señala cierta flexión en el teclado al escribir de forma sostenida, y la ausencia de retroiluminación en el teclado se percibe como una desventaja para trabajar en entornos con poca luz.

Conectividad y puertos: selección razonable
En cuanto a interfaces, el Zenbook 14 no abunda en puertos, pero sí ofrece lo esencial: un USB-A y dos USB-C (con soporte para entrega de energía y señales de video), un HDMI y una toma de audio de 3,5 mm. Esta selección es adecuada para usuarios que valoran la portabilidad sobre la expansión, manteniendo la flexibilidad para conectarse a pantallas externas y periféricos cuando sea necesario.

Pantalla y uso diario: nitidez y contraste con algo de reflectancia
Dispone de una pantalla OLED de 14 pulgadas con resolución 1920 x 1200 (WUXGA 3K), con alto contraste y colores vivos. Aunque la reflectancia puede ser un factor en entornos muy iluminados, la elevada luminosidad ayuda a mitigar estas distracciones, y la claridad permanece adecuada para productividad y consumo de medios. El sistema de sonido no es objeto de este análisis detallado, pero la experiencia visual se ve respaldada por una reproducción de color adecuada para su tamaño.

Rendimiento y refrigeración: adecuado para tareas diarias, limitado para juegos
La unidad de revisión equipa un Snapdragon X1, que ofrece un rendimiento fluido en tareas diarias: procesamiento de textos, navegación con múltiples pestañas y streaming 4K. En tareas exigentes, como juegos ligeros, las limitaciones del GPU integrado se hacen notar, reflejándose en un rendimiento limitado en títulos modernos incluso en configuraciones bajas.
El sistema de refrigeración se mantiene razonablemente silencioso durante cargas moderadas y las temperaturas se mantienen dentro de rangos aceptables, con algunas zonas puntuales que alcanzan temperaturas elevadas. El uso intensivo genera ruido de ventilador perceptible, aunque menor que en otros ultrabooks de especificaciones similares.

Batería y carga: rendimiento moderado con recarga rápida
La batería de 50 Wh ofrece una autonomía de alrededor de 12 horas y 15 minutos en una prueba de vídeo en bucle, situándose por detrás de rivales con baterías más grandes en su segmento. Modelos comparables, como el Zenbook A14 (70 Wh) o el HP OmniBook 7, superan en duración. Aun así, la carga rápida permite recuperar la energía rápidamente, acercando el equipo a un uso completo durante el día.

Rendimiento en benchmarks y experiencia de escritura
En pruebas de referencia, el Zenbook 14 muestra un rendimiento sólido para tareas cotidianas: procesamiento de textos, navegación y multitarea. En gaming ligero, la experiencia no es la de un portátil para juegos: se observan caídas de rendimiento y gráficos no optimizados, consecuencia de la ausencia de una GPU dedicada. La experiencia de tecleo es positiva en general: teclas con buen espaciado y respuesta ágil, aunque la ausencia de amortiguación puede hacer que el teclado se sienta algo rígido durante periodos de escritura prolongados. El touchpad es suave y preciso, optimizando la navegación con gestos.

Precio y disponibilidad: valor en su rango, con alternativas a considerar
El Zenbook 14 se comercializa desde £799.99 (aprox. $1,080 / AU$1,500), con prepedidos abiertos y envíos previstos entre septiembre. Existen configuraciones más potentes, con baterías de 70 Wh, disponibles a £1,399.99 y £1,499.99 respectivamente. Estas variantes añaden teclado retroiluminado y mayor rendimiento, pero el modelo Snapdragon base no lo incluye. El colorido y la construcción única agregan valor para quienes buscan diferenciación estética. Sin embargo, en términos de valor global, otros modelos dentro del segmento pueden ofrecer más por el mismo rango de precio, especialmente en autonomía. En el mercado internacional, la disponibilidad en EE. UU. y Australia aún no se ha confirmado de forma definitiva y podría actualizarse con el tiempo.

Conclusión: ¿es recomendable comprar el Zenbook 14 (2026)?
Si priorizas portabilidad, durabilidad de construcción y una experiencia de escritura agradable, el Zenbook 14 es una opción atractiva dentro de su rango de precio. Sin embargo, para usuarios que buscan la mayor duración de batería y el mejor rendimiento global, vale la pena considerar alternativas como el Asus Zenbook A14 o HP OmniBook 7, que ofrecen mejor autonomía y, en algunos casos, una relación costo-beneficio superior. En resumen, es una opción sólida para movilidad y productividad ligera, con un diseño distintivo y un manejo cómodo, pero no es la mejor opción si la prioridad absoluta es la duración de la batería o el rendimiento gráfico exigente.

Notas finales sobre metodología de prueba
Este análisis se basa en pruebas prácticas de varios días de uso real, combinadas con una batería de benchmarks para evaluar rendimiento, eficiencia y experiencia de usuario. Se incluyen observaciones sobre temperatura, sonido de ventilación y experiencia de escritura para ofrecer una visión equilibrada de las fortalezas y limitaciones del equipo.

from Latest from TechRadar https://ift.tt/LupH3P2
via IFTTT IA

from Latest from TechRadar https://ift.tt/6oe1MHt
via IFTTT IA

from Latest from TechRadar https://ift.tt/gjs8bD4
via IFTTT IA

La llegada del iPhone Duo marca un hito para Apple en el terreno de los teléfonos plegables. Aunque la promesa de una pantalla sin arrugas ha generado altas expectativas, las imágenes prácticas iniciales muestran una arruga visible en ciertas condiciones de iluminación y ángulos. Este detalle, lejos de opacar el conjunto, invita a evaluar cómo la tecnología de la nano-textura puede mitigar su visibilidad y qué aporta realmente al usuario.

El anuncio se dio en el evento Surprise and Shine, el primer intento de Apple en un dispositivo plegable, y las pruebas de manejo iniciales revelan un equipo que luce notable en términos de diseño y rendimiento. A pesar de haber llegado tarde a este segmento, Apple ha mostrado determinación por resolver uno de los desafíos más persistentes de los plegables: la arruga de la pantalla.

Antes de su presentación, los rumores señalaban que la pantalla plegable podría no mostrar una arruga visible. Sin embargo, las primeras imágenes de uso señalan que Apple podría no haber alcanzado el ideal buscado. A menos de 24 horas del anuncio, usuarios en foros han destacado una arruga parcialmente visible, perceptible cuando el dispositivo se sostiene bajo diferentes ángulos y condiciones de iluminación.

La experiencia de usuario no se reduce a una mera visualización de la arruga. La pantalla interna, de 7.6 pulgadas, incorpora una capa de nano-textura pensada para reducir deslumbramientos y reflejos, permitiendo una experiencia de visión más limpia durante usos prolongados. Aun así, existe una leve depresión vertical en el centro que es difícil de eliminar por completo cuando se plegan y despliegan las capas de la pantalla.

Apple destaca en su página oficial que la tecnología de nano-texture finish minimiza la tensión entre las capas ópticas y mejora la experiencia de plegado gracias a adhesivos diseñados para permitir que las capas se deslicen sin generar estrés perceptible. En palabras del fabricante: “iPhone Duo features a wonderfully flat and smooth inner display with custom nano-texture finish technology to reduce glare and reflections for an uninterrupted viewing experience. The optically clear adhesives let the display layers glide as the screen folds, minimising stress and creasing.”

Aunque no se ha logrado erradicar la arruga por completo, el progreso es significativo para un primer dispositivo de Apple en este formato. Es importante reconocer que siempre existirán desafíos en la transición hacia pantallas plegables que se usan de forma repetida a lo largo del día. Con el tiempo, la perceptibilidad de la arruga tiende a disminuir a medida que los usuarios se familiarizan con el comportamiento del dispositivo, o bien gracias a mejoras continuas en la construcción de la pantalla y los materiales.

Pero ¿qué opinan los usuarios? Diversos propietarios de plegables señalan que, tras un periodo de adaptación, la arruga llega a volverse menos notoria. Otros mantienen una postura más crítica, argumentando que la creencia de que la arruga puede desaparecer por completo es poco realista. En cualquier caso, la experiencia inicial sugiere que el iPhone Duo ofrece una representación sólida y atractiva para un primer intento en este segmento, incluso si carece de ciertas funciones esperadas en otros modelos, como Face ID o un botón de acción dedicado.

En resumen, el iPhone Duo llega como un inicio sólido para Apple en el mercado de plegables, con avances relevantes en gestión de la arruga a través de la nano-textura y un diseño que promete una experiencia agradable para usuarios atentos a la calidad de la visualización. Aunque aún no se haya eliminado por completo la visibilidad de la arruga, el conjunto demuestra que Apple está comprometido con la mejora continua de este formato y con ofrecer una experiencia de usuario que combine estética, rendimiento y funcionalidad.

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

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

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

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

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

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

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

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

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

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

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

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

Todo es más nítido, incluido el problema

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

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

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

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

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

Resultados y observaciones

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

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

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

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

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

Conclusión

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Encabezado: Las suposiciones compartidas crean puntos ciegos compartidos

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Encabezado: Por qué la validación visual importa

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

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

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

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

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

Encabezado: la repetibilidad convierte la automatización en evidencia

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

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

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

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

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

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

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

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

Encabezado: Entornos regulados elevan las apuestas

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

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

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

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

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

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

Encabezado: Combinar velocidad con control

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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