Deezer ha anunciado una tendencia inquietante para el panorama musical en línea: más de la mitad de las nuevas cargas de pistas en junio de 2026 serían canciones generadas por IA. Según la plataforma, esto equivaldría a más de 90,000 tracks que no fueron creados por artistas humanos. Este dato marca un incremento significativo en pocos meses, siguiendo reportes anteriores que sugerían tasas cercanas a la mitad o a un tercio de las nuevas cargas generadas por IA. Aunque la idea de música por IA puede parecer lejana para muchos oyentes, la realidad es que las plataformas de streaming están midiendo con mayor precisión el fenómeno y sus efectos en la cadena de valor musical.

Deezer ha respondido adelantándose a la cuestión mediante herramientas de detección de IA, incluyendo un escáner de listas de reproducción diseñado para identificar y etiquetar música creada por IA. Estas pistas, una vez identificadas, quedan excluidas de las recomendaciones y de las listas de reproducción, reduciendo su visibilidad para el usuario medio y, por ende, su potencial de descubrimiento.

La compañía también ha confirmado medidas más contundentes para frenar el crecimiento de lo que denominan ‘IA slop’ o música de baja calidad generada con fines de fraude. En palabras de la propia compañía, a partir de ahora se retirarán sistemáticamente las pistas de IA utilizadas para fraude en streaming y aquellas que no han sido reproducidas durante al menos seis meses. Esta estrategia apunta a desincentivar las prácticas de carga masiva y de baja calidad, que buscan inflar las cifras de reproducción y, con ello, capturar una porción mayor del pastel de ingresos por streaming.

Qué significa esto para el ecosistema musical
– Fraudsters y ‘streaming farming’: la carga masiva de música generada por IA busca convertir cada pista en una posible fuente de ingresos. Aunque cada pista pueda no alcanzar un gran número de reproducciones, el volumen total puede generar beneficios si se reproducen en gran cantidad. Este fenómeno tensiona el equilibrio entre el descubrimiento musical y las estrategias de monetización agresivas.
– Detección y transparencia: herramientas de IA para detectar música generada por IA y su uso en listas de reproducción reflejan una tendencia hacia una mayor transparencia y control por parte de las plataformas. La capacidad de etiquetar y excluir estas pistas de las recomendaciones puede ayudar a preservar la calidad de las recomendaciones y el descubrimiento de artistas humanos.
– Impacto en artistas y oyentes: para los creadores humanos, estas medidas podrían significar una experiencia de escucha más centrada en la creatividad y la originalidad. Para oyentes, puede traducirse en menos ruido de baja calidad y un entorno de streaming más confiable.

Desafíos y preguntas abiertas
– Identificación de IA vs. propósito artístico: ¿cómo distinguir entre música creada deliberadamente por IA con fines artísticos y música generada por IA para fraude? La línea puede ser difusa, y las políticas deben equilibrar la detección técnica con consideraciones creativas.
– Eficacia de las medidas: ¿cuánto impacto tendrá retirar pistas de IA utilizadas para fraude y aquellas sin reproducciones en seis meses en la oferta total de AI slop? El efecto podría verse a corto plazo, pero podría requerir estrategias complementarias a largo plazo.
– Innovación responsable: ¿cómo pueden las plataformas fomentar la innovación en IA musical sin incentivar prácticas de explotación o fraude? La industria necesitará guías claras y colaboraciones con artistas, creadores y desarrolladores de IA.

Conclusión
La acción de Deezer de reforzar la detección y eliminar proactivamente el AI slop representa un paso significativo hacia la defensa de la integridad de la experiencia de escucha. Aunque el fenómeno de la música generada por IA plantea desafíos duraderos para la industria, estas medidas envían una señal clara: las plataformas pueden y deben actuar para preservar la calidad, la ética y la sustentabilidad del ecosistema musical, sin perder de vista la innovación tecnológica que también impulsa el talento y la diversidad sonora.

from Latest from TechRadar https://ift.tt/Yx5BdFu
via IFTTT IA

Una advertencia contundente proviene de la entidad sectorial que agrupa a las compañías de agua del Reino Unido: la política gubernamental sobre IA no ha tenido en cuenta el agua en sus proyecciones y planes de crecimiento. En un contexto de expansión de la inteligencia artificial y de decisiones de infraestructura, surge una brecha que podría impactar de forma significativa la disponibilidad de agua para el país.

Proyección de escasez y demanda futura
La previsión más reciente apunta a un déficit de 5 mil millones de litros de agua para England para el año 2055, a menos que se implementen medidas correctivas. Sin embargo, parte de este hueco podría cerrarse -según el informe- con mejoras en la gestión de la demanda y la reducción de fugas, áreas en las que las compañías de agua ya trabajan activamente.

Infraestructura crítica y la nueva realidad de los centros de datos
El razonamiento de la industria subraya que los centros de datos ya no son simplemente instalaciones industriales: se consideran infraestructura crítica a nivel nacional. Esto implica una delegación de control más limitada para las compañías de agua sobre su consumo de agua, ya que la demanda de estas instalaciones encuentra amparo en decisiones de planificación y en proyectos de gran tamaño que pueden declarar su importancia nacional, con posibles atajos en la aprobación regulatoria.

La política de IA y los planes de crecimiento
Según la industria, los planes gubernamentales para zonas de crecimiento de IA, la estrategia AI para la ciencia y el plan de acción de oportunidades de IA no mencionan ni contemplan el agua de forma explícita. En una nota de críticas, se afirma que las estimaciones y planes existentes excluyen la demanda de datos centros y que, por tanto, el impacto hídrico podría quedar fuera de las estrategias de planificación.

Impacto durante olas de calor y uso de agua para consumo humano
Durante olas de calor recientes, el sur y este de Inglaterra han estado sujetos a prohibiciones de uso de agua para conservar suministros. En Slough, con un desarrollo planificado de 125 centros de datos, la empresa suministradora Affinity Water ha advertido que algunos proyectos piden hasta 3 millones de litros diarios. Las regulaciones actuales del Environment Agency obligan a que el agua suministrada a los centros de datos sea agua potable. El gobierno ha designado a los centros de datos como infraestructura crítica; su caída podría acarrear efectos significativos en la seguridad nacional y la prestación de servicios esenciales. En este marco, la capacidad de las compañías de agua para reducir el consumo de estas instalaciones podría verse limitada, especialmente durante periodos de altas temperaturas, dejando a la ciudadanía expuesta a restricciones sobre usos no esenciales.

Implicaciones para la planificación y la gestión del agua
La conversación pública y técnica debe integrar de forma prioritaria el factor hídrico en la planificación de IA y en la expansión de infraestructuras digitales. La evidencia sugiere que una coordinación entre planificadores, reguladores y operadores de agua es crucial para evitar déficits, gestionar la demanda y garantizar resiliencia. En particular, sería recomendable considerar: (1) incorporar proyecciones de demanda de agua de centros de datos en la planificación de recursos; (2) establecer mecanismos de consulta para infraestructuras críticas que afecten el agua; (3) reforzar programas de gestión de demanda y reducción de fugas; (4) evaluar rutas de suministro y regulación para balancear necesidades industriales y domésticas, especialmente en contextos de estrés hídrico.

Conclusión
A medida que el Reino Unido continúa ampliando su capacidad de IA y seguridad de la infraestructura digital, no debe descuidarse la sostenibilidad del agua. Reconocer y planificar el consumo de agua de los centros de datos dentro de un marco de infraestructura crítica permitirá una respuesta más robusta ante cambios climáticos y demandas crecientes, asegurando el suministro para la ciudadanía y la continuidad de servicios esenciales.

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

Samsung Galaxy Unpacked es el principal evento de lanzamiento de la tecnológica, un hito semestral que presenta sus dispositivos insignia: smartphones Galaxy, relojes, earbuds y más. Este escaparate sirve para vislumbrar la dirección de la compañía cada año, con dos entregas clave que suelen marcar el calendario: una al inicio del año y otra a mitad de año. Tradicionalmente, la primera cita concentra la familia S —con la presentación de teléfonos emblemáticos— mientras que la segunda se enfoca en las líneas plegables, como Galaxy Flip y Galaxy Fold. A lo largo de los años, otros productos como Buds, Watches y dispositivos de realidad extendida pueden hacer su aparición en cualquiera de las dos sesiones. En la actualidad, es común encontrar también un fuerte énfasis en la inteligencia artificial en ambos eventos. Este año, la próxima Unpacked está programada para esta semana: el miércoles 22 de julio. Estaremos siguiendo todo en directo desde el evento en Londres, con cobertura detallada y análisis a medida que se desarrollen las novedades.

from Latest from TechRadar https://ift.tt/0pcyNhF
via IFTTT IA

La edición 2026 de The Hundred llega en su sexto año con una inversión significativa que promete hacer del torneo de 100 bolas una experiencia aún más atractiva. Este año, se introducen cambios importantes: nuevos propietarios, cambios de nombre en tres equipos y un trofeo combinado masculino y femenino que premia al club que acumule mejor rendimiento a lo largo de ambas competiciones. Cada victoria, ya sea en la fase de grupos, en los eliminatorios o en la final, vale cuatro puntos y se suman para entregar una puntuación conjunta por franquicia.

Entre las reformas destacan la posibilidad de incluir hasta cuatro jugadores extranjeros en la alineación titular. También se llevó a cabo la primera subasta de jugadores, con el capitán de Inglaterra en el formato de white-ball, Harry Brook, quedándose con SunRisers Leeds (anteriormente Northern Superchargers) por £460,000.

MI London (anteriormente Oval Invincibles) busca su cuarto título masculino consecutivo, manteniendo a figuras clave como Sam Curran y Will Jacks, e incorporando al mago leg-spin afgano Rashid Khan. Las Reinas de la competición, SunRisers, también enviaron una clara señal de intenciones al asegurar a la all-rounder británica Dani Gibson por £190,000.

¿Quieres saber exactamente dónde y cómo ver The Hundred 2026 en vivo? A continuación encontrarás una guía completa sobre las opciones de visualización en línea, televisión y, cuando corresponde, la posibilidad de ver ciertos partidos de forma gratuita.

¿Se puede ver The Hundred 2026 gratis?

Sí. The Hundred 2026 contará con algunos encuentros de acceso libre en BBC Two y BBC iPlayer, incluyendo la apertura y la final. Es posible que necesites un horario de programación y una cuenta de BBC iPlayer para completar el visionado. En el extranjero, es posible que te encuentres con geobloqueos, por lo que se recomienda usar una VPN para mantener el acceso habitual a los servicios.

Cómo ver cualquier transmisión en vivo de The Hundred 2026 con una VPN

Una VPN te permite hacer que tu dispositivo parezca estar en tu país de origen, desbloqueando servicios habituales. Nuestra recomendación para navegar con seguridad y acceso remoto es NordVPN, que ofrece descuentos de hasta el 75% y la posibilidad de obtener meses extras gratis.

– Ventajas: protección de privacidad, desbloqueo de catálogos y acceso remoto a contenidos desde cualquier lugar.
– Oferta destacada: NordVPN – hasta 75% de descuento y 3 meses extra.

Cosas a tener en cuenta: usar una VPN debe hacerse dentro de los términos y condiciones de cada servicio y con fines legales y recreativos. No respaldamos usos ilícitos o la piratería.

Opciones regionales para ver The Hundred 2026

– En EE. UU.: Willow TV es la opción principal para ver The Hundred 2026. También se pueden utilizar planes de Sling TV (Desi Binge Plus o Dakshin Flex) desde aproximadamente $10/mes.
– En el Reino Unido: Sky Sports transmite The Hundred y BBC Two/BBC iPlayer emiten hasta 16 partidos; se recomienda tener cuenta y, si corresponde, licencia de TV y código postal del Reino Unido.
– En Australia: Fox Cricket ofrece la cobertura, con streaming en Kayo Sports. Kayo ofrece una prueba gratuita de 7 días y planes desde AU$29.99/mes.
– En otros países: NordVPN facilita el acceso para ver The Hundred alrededor del mundo.

Guía rápida de la temporada 2026

– Enfoque mixto: trofeo conjunto masculino y femenino, con puntuación compartida que determina el campeón global de la franquicia.
– Plantillas: se mantiene la estructura de ocho equipos masculinos y femeninos, con variaciones de nombres y fichajes que añaden dinamismo a la competición.
– Calendario y horarios: el listado completo de partidos está disponible, con fechas y horas de inicio para cada encuentro, incluyendo las fases de grupo, eliminatorias y las finales.

Dónde ver los partidos en televisión y en línea

– BBC Two / BBC iPlayer: algunos partidos gratis, incluidos la apertura y la final, con disponibilidad de programación detallada al final del documento.
– Sky Sports: cobertura de The Hundred en el Reino Unido.
– Servicios de streaming regionales (según el país): Willow TV (EE. UU.), Sling TV (EE. UU.), Fox Cricket y Kayo Sports (Australia).
– VPN recomendado para ver desde el extranjero: NordVPN (descuentos disponibles).

Notas finales

Este artículo describe las opciones de visualización y proporciona orientación general sobre el uso de VPNs para acceder a contenidos desde ubicaciones internacionales. Se recuerda que se deben respetar los términos de uso de cada servicio, y que la compra o consumo de contenidos mediante VPN debe ajustarse a las leyes y a las condiciones de cada plataforma.

from Latest from TechRadar https://ift.tt/S2s7ZWj
via IFTTT IA

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

El diseño de centros de datos ha estado históricamente guiado por un conjunto de prioridades coherentes: mantener disponibles los sistemas, garantizar resiliencia y ofrecer un servicio predecible en cualquier condición. Así como la red eléctrica que alimenta estos sitios, estos centros han sido concebidos para proporcionar una experiencia sumamente estable, incluso cuando fallan componentes individuales. Esto ha llevado a la implementación de múltiples capas de redundancia en energía, refrigeración y red.\n\nSin embargo, la irrupción de la inteligencia artificial ha cambiado la narrativa. A medida que las organizaciones apuestan por desplegar herramientas de IA a gran escala, la industria está descubriendo que no todas las cargas de trabajo requieren la misma infraestructura.\n\nPor ejemplo, entrenar un modelo de lenguaje grande, ejecutar inferencia en tiempo real, soportar aplicaciones empresariales y procesar transacciones críticas exigen demandas muy distintas sobre la infraestructura subyacente. Hoy en día, un único centro de datos ya no necesita atender todos los propósitos por igual; cada vez es más común ver instalaciones que son flexibles y específicas para determinadas cargas de trabajo.\n\nEl fin del modelo tradicional\nHistoricamente, una disponibilidad del 99.999% no era negociable. Los centros de datos han alimentado sistemas como bancos, redes de emergencia y servicios digitales orientados al cliente, que requieren una disponibilidad continua. En entornos donde los fallos podrían acarrear impactos extremos (altas pérdidas financieras o incluso riesgos para vidas), este enfoque tiene sentido. Pero la IA ha cambiado las reglas. Ya no es necesario un enfoque único de redundancia para todas las cargas de IA: diferentes modelos, procesos de entrenamiento e inferencia exigen niveles de servicio totalmente distintos. Por ejemplo, las instalaciones para cargas de entrenamiento de IA se están diseñando a veces sin generadores de respaldo, sin sistemas de redundancia complejos o con arquitecturas de alta capa.\n\nLa buena noticia es que se está tomando conciencia de la distinción entre entornos destinados al entrenamiento de IA e inferencia de IA. Las instalaciones de entrenamiento se ubican cada vez más donde haya disponibilidad de energía. Las restricciones primarias son suministro energético, capacidad de refrigeración y velocidad de despliegue. En muchos casos, maximizar la densidad de cómputo y acelerar los plazos de entrega resulta más relevante que alcanzar el nivel más alto de redundancia.\n\nLa infraestructura de inferencia presenta un conjunto diferente de prioridades. Estas cargas suelen desplegarse más cerca de los usuarios y soportar servicios con los que las personas interactúan diariamente. En estos escenarios, la latencia, la disponibilidad y la experiencia del usuario adquieren una relevancia notable, lo que fortalece el argumento a favor de una infraestructura resistente y de arquitecturas geográficamente distribuidas.\n\nResiliencia con precisión para sostener una industria bajo presión\nEstá claro que la fiabilidad sigue siendo importante, pero los requisitos de infraestructura varían significativamente según el servicio. En la era de la IA, la ‘resiliencia de precisión’ debe ser el foco: una redundancia que se ajuste a cómo se comportan realmente las cargas de trabajo, en lugar de basarse en supuestos de diseño heredados. El principal desafío para los operadores es determinar dónde la resiliencia aporta valor real para el negocio y dónde solo añade coste y complejidad.\n\nEn un momento en que los desarrolladores enfrentan una enorme presión, con escasez de mano de obra y una demanda que supera la oferta, recurrir de forma predeterminada a diseños ultra-resilientes y de alto nivel para cada implementación de IA intensifica los retos. Además, el sector debe entregar capacidad cada vez más rápido, mientras enfrenta un déficit energético continuo, lo que dificulta grandes desarrollos. En este contexto, sobre-engineering de la infraestructura puede acarrear consecuencias no deseadas. Cada capa adicional de redundancia consume capital y aumenta la complejidad. Esto está impulsando un mayor enfoque en la eficiencia, no solo en términos de consumo energético, sino en cómo se asigna el capital a lo largo de un proyecto. Los operadores buscan diseñar infraestructuras que maximen el valor generado por cada vatio disponible.\n\nEl papel de la capacidad de actualización\nA medida que los operadores abandonan el enfoque de una única solución para todas las redundancias y buscan optimizar su balance final, es crucial que sus instalaciones puedan adaptarse a cambios en los requerimientos de las cargas de trabajo. Aunque se espera que la inferencia represente una cuota creciente de la demanda de IA, el panorama evoluciona y es difícil predecir qué cargas, densidades y requerimientos de refrigeración dominarán en el futuro. Una infraestructura que pueda acomodar cambios en tecnologías de cómputo estará mejor posicionada para soportar las próximas generaciones de aplicaciones de IA.\n\nLa flexibilidad y la fungibilidad se han convertido en no negociables en el diseño de centros de datos. ¿Cómo se logra esto? Cada vez más, los desarrolladores utilizan bloques de construcción ‘modulares’ elaborados fuera del sitio en entornos industriales, para luego ensamblarlos en el lugar y crear una instalación adaptable que pueda evolucionar, crecer y desplazarse para enfrentar cambios. Este enfoque reduce la necesidad de tomar todas las decisiones de resiliencia de forma anticipada y diseña pensando en las transformaciones futuras. En los próximos años veremos un cambio hacia múltiples tipos de instalaciones, cada una desarrollada para un propósito distinto.\n\nEstas variarán desde campus de entrenamiento optimizados para energía, ubicados cerca de fuentes de suministro, hasta sitios de inferencia distribuidos donde la disponibilidad y la latencia afectan directamente la experiencia del usuario, junto a entornos híbridos que soportan tanto IA como cargas de trabajo tradicionales. Sin embargo, todas deben estar concebidas con la flexibilidad como prioridad para poder evolucionar cuando cambien los requisitos.\n\nTenemos ejemplos de la industria que destacan: observar que no es necesario que un único centro de datos se configure para todos los escenarios; se favorece la diversificación de ubicaciones y funciones, con una visión de futuro que prioriza la adaptabilidad sobre la rigidez.\n\nEste artículo forma parte de TechRadar Pro Perspectives, un canal para presentar a las mentes más brillantes de la industria tecnológica hoy. Las opiniones expresadas pertenecen al autor y no necesariamente a TechRadar Pro o Future plc. Si te interesa contribuir, puedes obtener más información en el enlace proporcionado.

from Latest from TechRadar https://ift.tt/7v4H5Su
via IFTTT IA

La última entrega de datos de la Oficina de Estadísticas Nacionales (ONS) ilumina un panorama claro: la adopción de inteligencia artificial (IA) ha crecido rápidamente entre las empresas del Reino Unido, pero la profundidad con la que se está integrando la IA es aún limitada. La mayoría de las firmas aprovechan un conjunto reducido de herramientas para mejorar procesos existentes, en lugar de reinventar completamente sus modelos operativos. Este matiz es crucial para entender el ritmo real de la transformación digital en el tejido empresarial.

Entre las organizaciones que ya han adoptado IA, el número de herramientas utilizadas ha aumentado de manera marginal, pasando de 1.4 a 1.6 en los tres años previos a 2026. Este incremento aparentemente pequeño sugiere que muchas empresas continúan en fases de experimentación más que en una implementación integral.

La propia ONS señala que, si bien el 60% de las grandes empresas ha empleado IA para optimizar operaciones, no se han observado efectos negativos en la plantilla. Este dato es relevante para la narrativa de que la IA podría sustituir empleos, ya que, al menos en este periodo, la adopción no ha ido acompañada de reducciones significativas del personal.

Para las pymes (SMBs), el cuadro es más complejo. Aunque la adopción está presente, solo el 17% de las pymes con 0 a 9 empleados reporta un uso extensivo de IA. El informe advierte que muchas de estas pequeñas empresas están probando herramientas de propósito general en lugar de invertir en tecnologías que realmente desbloqueen nuevos niveles de productividad.

Un hallazgo especialmente significativo es que la barrera no parece ser principalmente de costo, infraestructura o capacidades: entre las pymes, un 41% de aquellas con 10 o más empleados afirmaron no tener grandes obstáculos. En cambio, la evidencia sugiere que podría faltarles un caso de negocio convincente para usar IA.

En suma, la lectura más clara es que, si bien las pymes no han ignorado la IA, se encuentran principalmente en una fase de experimento y exploración. La predisposición a adoptar tecnologías de automatización está presente, pero la capacidad para identificar un caso de uso genuino que justifique una inversión más profunda podría estar frenando una adopción más amplia y transformadora.

La imagen se completa con un ejemplo visual que acompaña a este análisis, resaltando que el impulso hacia la IA no se traduce automáticamente en una reinvención del negocio, sino en una curva de aprendizaje y evaluación continua.

Este contexto invita a las empresas, especialmente a las pymes, a priorizar la identificación de casos de negocio claros y medibles para IA: qué procesos se pueden optimizar, qué métricas mejoran, y qué resultados de productividad o ingresos se esperan. Solo con una visión operativa bien definida las organizaciones pueden pasar de la experimentación a una implementación que genere valor sostenible.

Nota: la evidencia citada proviene de la reciente divulgación de la ONS sobre IA en los negocios del Reino Unido, que complementa el panorama con una lectura matizada sobre uso de herramientas y efectos en la fuerza laboral.

Imagen de referencia: una visualidad complementaria que acompaña el análisis, destacando la presencia de IA en el ecosistema empresarial sin suponer una disrupción inmediata de estructuras o plantillas.

from Latest from TechRadar https://ift.tt/DUj1x84
via IFTTT IA

La IA ya forma parte del sistema operativo de SaaS. Moldea la forma en que se construyen los productos, cómo colaboran los equipos y cuán rápido las ideas pasan de concepto a lanzamiento.

Pero el cambio más importante no es la velocidad. La verdadera transformación es que la IA está reduciendo el coste de coordinación dentro de las organizaciones.

Trabajos que antes requerían múltiples capas de aprobaciones, entregas entre áreas y alineación pueden moverse ahora de forma más directa entre las personas más cercanas al problema. Y a medida que esa fricción disminuye, algo más fundamental empieza a cambiar: cómo se estructuran las empresas.

Proyectos que antes demandaban equipos grandes, inversiones considerables y plazos de desarrollo largos ahora pueden ser entregados por grupos más pequeños, utilizando herramientas de IA para acelerar la ejecución.

El auge de los micro-SaaS es un ejemplo claro, con equipos pequeños capaces de construir y escalar productos con una velocidad que sería difícil de imaginar hace unos años.

No se trata solo de construir más rápido. Está cambiando lo que significa escalar a gran escala.

De la experimentación a la infraestructura

Hoy, la IA está integrada directamente en el desarrollo de productos, ingeniería, crecimiento y soporte. Ya no es algo con lo que los equipos experimentan de forma aislada.

Esto ha provocado un cambio fundamental: los colaboradores individuales pueden avanzar más rápido, tomar decisiones más temprano y entregar más por su cuenta.

Eso tiene un impacto directo en cómo escalan los equipos. Y cada vez más, las empresas con ventaja no son las que tienen los equipos más grandes, sino las que pueden eliminar fricción y tomar mejores decisiones más rápido.

Por qué escalar ya no significa más capas

Tradicionalmente, el crecimiento venía acompañado de mayor complejidad. Más clientes implicaban más personas. Más personas traían más gerentes, más procesos y más coordinación.

En cierto punto, la coordinación se convierte en un trabajo en sí mismo.

La IA rompe ese patrón y ese cuello de botella, liberando tiempo para tomar decisiones de calidad. Cuando un gerente de producto puede analizar la retroalimentación de usuarios, redactar una hoja de ruta y colaborar de forma más directa con ingeniería usando herramientas de IA, se reduce la necesidad de múltiples transferencias. Cuando un equipo de crecimiento puede producir, probar e iterar campañas más rápido, la ejecución se acelera sin aumentar significativamente la plantilla al mismo ritmo.

No elimina la necesidad de estructura. Pero sí reduce la necesidad de capas cuyo principal papel es coordinar.

Y eso abre la puerta a un modelo de escalamiento diferente: uno más ligero, directo y centrado en tomar las decisiones correctas, no solo en ejecutar más rápido.

El retorno de la era de la contribución

Lo que estamos empezando a ver es un giro hacia lo que podría llamarse un modelo impulsado por la contribución. Durante mucho tiempo, las organizaciones SaaS apostaron fuertemente por estructuras de gestión. Eso tenía sentido cuando escalar significaba manejar más complejidad entre equipos, regiones y productos.

Ahora, a medida que la IA reduce el coste de la ejecución, el equilibrio vuelve a cambiar: la mayor ventaja que la IA crea no es productividad, sino simplificación organizacional.

Contribuidores individuales sólidos que pueden hacerse cargo de un problema y llevarlo a su término se vuelven aún más valiosos. No necesitan esperar tanto a la coordinación. Pueden probar, construir e iterar de forma independiente. Y pueden hacerlo manteniéndose estrechamente conectados con el resultado. Importante: esto no se trata de eliminar a los gerentes. Se trata de reequilibrar el sistema.

Cómo se ve realmente un modelo guiado por el constructor en la práctica

Un modelo guiado por el constructor no implica que todos sean ingenieros, y tampoco implica que la estructura desaparezca.

Significa que las personas más cercanas al trabajo tienen más autonomía para moverlo hacia adelante.

Ya se observa esto en varios equipos:

• Equipos de producto prototipando más rápido con herramientas asistidas por IA
• Equipos de crecimiento ejecutando más experimentos con ciclos de retroalimentación más cortos
• Equipos de soporte manejando mayores volúmenes mientras enfocan la atención humana donde más importa

En cada caso, la IA no está reemplazando a las personas. Está aumentando su velocidad y alcance.

Y cuando eso sucede de forma constante, el cuello de botella se desplaza. Ya no es la capacidad; es la claridad y la calidad de decisión: saber qué trabajar, qué priorizar y dónde invertir tiempo.

Aquí es donde el liderazgo se vuelve aún más importante, no menos.

En lugar de centrarse en supervisar la actividad o gestionar capas de comunicación, los líderes deben enfocarse en crear las condiciones adecuadas para la ejecución.

En la práctica, a menudo se traduce en:

• Menos pasos de aprobación
• Comunicación más directa entre equipos
• Más énfasis en resultados que en procesos

Los líderes siguen marcando la dirección y tomando las decisiones difíciles. Pero confían más en contribuyentes capaces para avanzar.

En muchos casos, los líderes más efectivos son aquellos que pueden seguir contribuyendo cuando es necesario, no solo coordinar a otros.

Contratación por propiedad, no solo por especialización

Este cambio también transforma la forma en que las empresas piensan sobre la contratación.

Los especialistas siguen siendo esenciales. Pero si equipos más pequeños pueden entregar más, el foco se desplaza hacia personas que combinan experiencia con propiedad y una fuerte capacidad para tomar buenas decisiones en entornos de rápido movimiento. Existe un valor creciente en contratar personas que pueden operar con autonomía, tomar decisiones y adaptarse a los cambios.

En un entorno guiado por el constructor, la pregunta ya no es “¿cuál es tu carril?” sino “¿qué tan eficazmente puedes resolver los problemas que tienes delante?”.

Eso no significa que todos deban hacer de todo. Significa que los equipos se benefician de individuos que pueden conectar puntos, moverse entre fronteras y asumir la responsabilidad de los resultados.

Construir de forma más inteligente, no solo más grande

Es importante mantener los pies en la tierra y ver cómo se despliega este cambio. La IA no arregla una estrategia débil ni pensamientos poco claros, y apilarla sobre procesos ya complejos puede, a veces, generar nueva fricción en lugar de eliminarla.

En Weglot, hemos visto equipos entregar proyectos con significativamente menos transferencias de responsabilidad que hace dos años. Marketing puede prototipar ideas más rápido, equipos de producto pueden validar conceptos más temprano y los ingenieros dedican menos tiempo a tareas repetitivas.

Nuestro equipo de soporte es otro buen ejemplo. Con el tiempo, han construido un conjunto de herramientas impulsadas por IA que incluyen un resúmen de casos, un perfil del cliente, un asistente de redacción, un copiloto interno, una base de conocimiento y chatbots de IA. Juntas, estas herramientas ayudan a los agentes a acceder al contexto más rápido, aprender de casos anteriores y resolver más solicitudes de forma independiente.

El cambio más significativo no es la velocidad en sí, sino la reducción de la sobrecarga de coordinación, que a la postre representa una forma más sostenible de escalar.

Equipos más pequeños y altamente capacitados con una propiedad clara tienden a mantenerse más cercanos al producto y al cliente, y pueden adaptarse con mayor rapidez cuando las cosas cambian. Ya lo vemos en los micro-SaaS, pero el mismo pensamiento se aplica de manera más amplia.

La IA continuará evolucionando, pero una dirección empieza a ser clara. Las empresas que se destaquen no serán necesariamente las que más crezcan en headcount. Serán las que se mantengan enfocadas, reduzcan la fricción y faciliten a sus mejores personas construir e entregar impacto.

Hemos destacado las mejores plataformas para contratar empleados nicho.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mejores mentes en la industria tecnológica hoy.

Las opiniones aquí expresadas pertenecen al autor y no necesariamente a TechRadarPro o Future plc. Si estás interesado en contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/ZBkLN0t
via IFTTT IA

En el mundo de las series y el cine, los fans aprender a leer entre líneas cuando una historia parece cerrarse. El reciente lanzamiento de Heartstopper Forever no solo llega a Netflix como cierre de una saga querida, sino que la plataforma ha anunciado de forma sutil un aporte adicional: un documental especial titulado Heartstopper: Ending on a Hi.

La serie ha dejado claro lo que muchos sospechaban: Nick (Kit Connor) y Charlie (Joe Locke) han atravesado momentos difíciles de comunicación, con el riesgo de romper la conexión que los une. Este nuevo material parece situarse exactamente ahí: como una mirada íntima y reflexiva sobre el desenlace de la historia, más allá de lo que mostró la película final.

Pero, ¿qué es exactamente lo que llega y cuándo estará disponible? ¿Qué podemos esperar de Heartstopper: Ending on a Hi y cuánto ha cambiado la narrativa respecto a la última entrega?

¿A qué hora ver Heartstopper: Ending on a Hi en Netflix?

El documental especial llega a Netflix el 24 de julio de 2026. En cuanto a la hora de lanzamiento, se mantiene el estándar de las publicaciones nocturnas en streaming, con un estreno a medianoche PT para la película, y efectos de distribución acorde a cada región.

• Estados Unidos – 00:00 PT / 03:00 ET
• Canadá – 00:00 PT / 03:00 ET
• Reino Unido – 08:00 BST
• India – 12:30 IST
• Singapur – 15:00 SGT
• Australia – 18:00 AEST
• Nueva Zelanda – 20:00 NZDT

¿Qué es exactamente Heartstopper: Ending on a Hi?

Heartstopper: Ending on a Hi es un documental especial oficial de 35 minutos detrás de cámaras. Netflix lo describe como una “carta de amor a la franquicia”, que incluye imágenes de archivo no vistas, entrevistas con el reparto y reacciones de los fans tras el estreno final de Heartstopper: Forever.

No se trata, sin embargo, de insinuar un nuevo capítulo inmediato. El título se interpreta como un guiño a la primera vez que Nick y Charlie se conocieron en la Temporada 1, más que como una promesa de continuidad episódica.

Este material busca ofrecer una mirada cercana al proceso creativo y emocional que acompañó a la saga, brindando a los espectadores una forma de despedirse con profundidad y gratitud hacia lo que han vivido juntos con los personajes.

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

En la conversación con numerosas compañías, una queja se repite, aunque se exponga con palabras diferentes: los costos de la IA suben más rápido de lo presupuestado. Sus facturas de modelos parecen razonables por sí solas, pero entre las aprobaciones del board y los estados de cuenta mensuales de la nube, hay dinero que desaparece de maneras que nadie puede explicar por completo.

Aquí está el tema central que la gente suele no entender: la parte más cara de la IA no siempre es el modelo en sí. Es la infraestructura, la orquestación, los reintentos, GPUs ociosas, ventanas de contexto sobredimensionadas y decisiones de enrutamiento ineficientes que se sitúan entre la consulta del usuario y la respuesta final.

Esto es lo que llamo el impuesto oculto a la adopción de IA, y está creciendo más rápido de lo que muchas organizaciones advierten.

Tres números que deberían cambiar tu forma de pensar

Recientemente, en FinOps X en San Diego, una proyección de Goldman Sachs apareció en el escenario principal. El consumo global de tokens de las empresas ronda los seis cuatrillones de tokens. La proyección a tres años: 120 cuatrillones. No es un error de redondeo… es una expansión de 20x, y llega más rápido de lo que los marcos de gobernanza pueden gestionarlo.

En la misma conferencia se presentó el lanzamiento de Tokenomics Foundation (conmigo como miembro de la junta directiva). Es un organismo neutral dentro de la Linux Foundation dedicado específicamente a la economía del consumo de tokens de IA.

La comunidad FinOps, profesionales que han pasado gran parte de la última década construyendo disciplina en el gasto de cloud computing, reconoció que los tokens representan un problema fundamentalmente diferente. No es una versión más difícil de la optimización de costos en la nube. Es un problema distinto.

Aquí está la razón. Cuando una organización ejecuta una carga de trabajo en la nube, el costo es relativamente legible. Provisionas compute, se ejecuta y recibes una factura. La relación entre acción y gasto es trazable. Con los tokens de IA, esa relación se fractura en tres capas, y la mayoría de las organizaciones solo tiene visibilidad de una.

Producción → consumo → valor: las tres capas que la mayoría ignora

La primera capa es la producción. Antes de que cualquier modelo de IA responda a un prompt, tu infraestructura tiene que generar los tokens: clústeres de GPU, nodos de inferencia, políticas de autoescalado, configuraciones de Kubernetes. Estos son tus fábricas de tokens. Su eficiencia, o su falta de ella, determina el costo base de todo lo que sigue. Un nodo GPU al 30% de utilización es una fábrica cara funcionando a un tercio de capacidad.

La segunda capa es el consumo. Aquí es donde reside la economía contraria a la intuición, y es en lo que paso la mayor parte de mi tiempo pensando. Dos organizaciones pueden enviar prompts idénticos a diferentes agentes de código y obtener costos radicalmente diferentes, dependiendo de cómo gestionen el contexto, la caché, los reintentos, el enrutamiento y la infraestructura que respalda la inferencia.

La longitud del prompt, el uso de la ventana de contexto, la estrategia de caché y las decisiones de enrutamiento del modelo se multiplican. La suposición común de que enrutar una tarea a un modelo más barato siempre ahorra tokens suele ser incorrecta con frecuencia suficiente como para importar. Una decisión de enrutamiento que invalida una caché cálida puede hacer que una llamada a un modelo “más barato” sea más cara que la opción frontier que se suponía reemplazar. Estos son efectos de segundo orden. No aparecen en los paneles estándar, pero sí en tu factura mensual.

La tercera capa es el valor. Es en la que los equipos FinOps se sienten cómodos, y es la que menos importa hasta que se controlen las dos anteriores. Mapear el gasto de tokens a los resultados del negocio es una disciplina legítima e importante. Pero no puedes gobernar en la capa de valor sin instrumentación en las capas de producción y consumo. Estás haciendo matemáticas con entradas incompletas.

¿Por qué el 85% del gasto en IA probablemente está mal asignado?

Un patrón que veo de forma constante: las organizaciones tratan a los modelos frontier, los más potentes y caros, como su infraestructura predeterminada. A todas las tareas se les asigna el mismo modelo. No hay lógica de enrutamiento, ni jerarquía, ni distinción arquitectónica entre trabajo que realmente requiere la capacidad total de un modelo frontier y trabajo que no.

Por mis observaciones en empresas que implementan IA a gran escala, aproximadamente el 15% de las tareas de desarrollo de software requieren capacidades de modelo frontier. El 85% restante de tareas rutinarias de desarrollo, resúmenes, clasificación y recuperación pueden ser manejadas por modelos más pequeños, más rápidos y menos costosos, si tienes la infraestructura para tomar esas decisiones de forma inteligente y automática.

La clave no es seleccionar manualmente mejores modelos. La selección manual no escala y degrada la experiencia del desarrollador al introducir fricción en el momento de avanzar rápido. La clave es construir infraestructura que tome decisiones de enrutamiento por ti: que entienda la tarea, la dirija a la capa de modelo adecuada, evalúe la calidad de la salida y escale si es necesario. Tú defines el resultado que necesitas. El sistema maneja la economía para alcanzarlo.

Este es la dirección en la que se mueve la industria, y las organizaciones que construyan esta capacidad primero tendrán una ventaja estructural de costos que se ampliará con el tiempo.

La factura llega al final. Y te das cuenta de que algo ha ido terriblemente mal

Hay una frase que he empezado a usar con los clientes para capturar el problema central: la factura llega al final.

Cuando ves la factura del proveedor de modelos, las decisiones de costo ya se tomaron semanas atrás en las configuraciones de infraestructura, políticas de autoescalado y arquitecturas de prompts que nadie ha revisado desde el despliegue inicial.

La lógica de reintentos se ejecuta en segundo plano cuando un servicio upstream se ralentiza. Los nodos de GPU se reservaron para tráfico pico que nunca llegó. El flujo accionable, donde una sola solicitud de usuario se desglosa en docenas de llamadas a modelos, cada una facturada por separado y no visible en la herramienta que generó la solicitud original.

Estos costos no viven en la factura del modelo. Viven en la capa de infraestructura, en la capa de consumo y en la brecha entre cómo el equipo piensa que funcionan los sistemas de IA y cómo se comportan en producción. No puedes gobernar lo que no puedes ver. Y ahora mismo, la mayoría de los equipos solo observa una capa de un problema de tres capas.

Cuando la IA pasa de copiloto a compañero, las apuestas se multiplican

Existe un cambio en curso que hace todo esto aún más urgente. Las implementaciones de IA más recientes en las empresas fueron diseñadas como asistentes que aceleran el trabajo individual al manejar el primer borrador, la siguiente sugerencia y el boilerplate. Un humano permanecía en el bucle en cada paso significativo. La economía estaba limitada por cuántas personas usaban la herramienta y con qué frecuencia.

Los agentes autónomos cambian por completo el perfil económico. Cuando un sistema de IA puede recibir un objetivo, elaborar un plan, ejecutar un trabajo de múltiples pasos, evaluar sus propias salidas y iterar hasta la finalización sin intervención humana en cada etapa, ya no operas con un asistente. Estás ejecutando algo más cercano a un compañero de trabajo, que opera de forma continua, escala horizontalmente y genera consumo de tokens a tasas que las interacciones individuales nunca alcanzaron.

La transición de copiloto a compañero ya ocurrió. Y las implicaciones de gobernanza son significativamente más serias. Un copiloto con una mala economía de tokens te cuesta algo de eficiencia. Un agente autónomo con mala economía de tokens ejecuta esa ineficiencia a gran escala, de forma continua, sin provocar la fricción natural que haría a un humano detenerse o cambiar de enfoque. La disciplina de infraestructura y la optimización de tokens deben estar en su lugar antes de que las cargas de trabajo autónomas escalen, en lugar de ser añadidas después cuando llega la factura.

El mandato para los equipos de infraestructura

La respuesta adecuada a este problema no es más tableros de mando. Tener más visibilidad sobre un sistema que no puedes controlar solo genera una factura más detallada; llega con el mismo retraso y no cambia las decisiones que ya se tomaron en la upstream.

Lo que realmente necesitan los equipos de infraestructura es control que opere en la capa donde se determinan los costos, no donde se reportan. Eso significa gestión autónoma de cargas de GPU e inferencia, dimensionamiento continuo para igualar la demanda real más que las suposiciones máximas, absorción de patrones de consumo irregulares que generan trabajos agentivos y mover la capacidad de cómputo entre proveedores cuando un entorno se convierte en cuello de botella.

Esto es especialmente urgente ahora, porque la transición de copiloto a compañero no da un periodo de gracia para retroalimentar disciplina. Los agentes autónomos no hacen pausas. No se irritan y eligen un enfoque distinto. Ejecutan la ineficiencia que construiste en ellos a escala, de forma continua, hasta que algo externo los detenga.

Así que la próxima fase de IA empresarial se define por quién puede desplegar modelos de forma eficiente. A medida que los sistemas de IA se vuelven más autónomos y el consumo de tokens acelera, la ventaja competitiva proviene de entender la economía completa de la IA, y no solo el precio de una llamada a un modelo.

Porque cuando llega la factura, las decisiones que la moldearon ya se tomaron.

Utiliza el mejor almacenamiento en la nube para gestionar tus datos.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mejores mentes de la industria tecnológica actual.

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

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