El informe incorpora por primera vez el Índice de Sinergia entre IA y Habilidades Humanas, una medición que analiza cómo las personas desarrollan conocimientos técnicos relacionados con inteligencia artificial mientras adquieren competencias necesarias para aplicarlos en el trabajo.

Para construir este indicador, Coursera utilizó datos de aprendizaje de más de 300 millones de estudiantes de sus plataformas y de Udemy. La evaluación considera dos aspectos: el ritmo al que los usuarios aprenden conjuntamente habilidades técnicas y humanas, y las condiciones de cada país para llevar esos conocimientos a la economía real.

En América Latina y el Caribe, Colombia quedó detrás de Perú, que ocupa el tercer puesto regional y el lugar 49 a nivel mundial. Aunque el desempeño de los estudiantes colombianos supera el promedio internacional, las condiciones del país para implementar estas capacidades en la economía se encuentran por debajo de la media global, de acuerdo con el indicador de Oxford Insights utilizado en la medición.

Uno de los datos que más llama la atención es el crecimiento del interés por la seguridad en inteligencia artificial. Durante el último año, las inscripciones colombianas en cursos sobre esta materia aumentaron un 409 %. También crecieron las matrículas en inteligencia artificial generativa (72 %), innovación (50 %) y flujos de trabajo basados en agentes de IA (37 %).

Qué están aprendiendo los colombianos sobre inteligencia artificial

El reporte identifica tres combinaciones de conocimientos que distinguen a los estudiantes del país frente a las tendencias internacionales.

La primera relaciona el modelado y la aplicación de modelos de lenguaje extensos (LLM) con inteligencia emocional y empatía. La segunda combina estos conocimientos técnicos con liderazgo y gestión de equipos. La tercera los vincula con la resolución de problemas complejos.

Esto significa que la formación no se concentra únicamente en aprender a utilizar herramientas de inteligencia artificial. También incluye capacidades para evaluar sus resultados, considerar sus implicaciones éticas y organizar procesos de trabajo en los que las personas supervisen las tareas automatizadas.

Entre las habilidades técnicas con mayor demanda aparecen la creación de instrucciones o prompting, la interacción con herramientas de IA, el aprendizaje automático y el desarrollo de modelos y asistentes especializados.

Sin embargo, el crecimiento de estas competencias no avanza al mismo ritmo que otras capacidades humanas. Las inscripciones en formación sobre pensamiento crítico y juicio analítico aumentaron apenas un 2 % en Colombia, frente al 32 % registrado en América Latina. Además, el interés por cursos de resolución de problemas complejos cayó un 2 %, mientras que en la región creció un 19 %.

La formación en IA también plantea retos para Colombia

El informe señala que el país cuenta con una política pública para impulsar estas capacidades. Se trata del CONPES 4144, correspondiente a la Política Nacional de Inteligencia Artificial, que establece una hoja de ruta hasta 2030.

El documento contempla acciones para conectar el sistema educativo con las necesidades del mercado laboral, la investigación y el sector productivo. También plantea ampliar las oportunidades de formación fuera de las principales ciudades.

Coursera recomienda que las empresas revisen las competencias que necesitan sus trabajadores y relacionen la capacitación con proyectos prácticos. Para las universidades, propone incorporar conocimientos sobre IA en diferentes programas académicos, junto con formación en ética y pensamiento crítico.

En el sector público, plantea acompañar las inversiones tecnológicas con programas de aprendizaje accesibles y certificaciones que permitan demostrar los conocimientos adquiridos.

Los datos muestran que Colombia avanza en la formación técnica relacionada con inteligencia artificial, pero también dejan una pregunta sobre la preparación laboral del país: cómo conseguir que el aprendizaje de nuevas herramientas esté acompañado por mejores capacidades para analizar, decidir y resolver problemas.

Además de ser un hito histórico, con esto Google acaba de dar un paso importante en la exploración de nuevas formas de ejecutar IA, a medida que crecen las preocupaciones sobre el alto consumo de recursos del planeta para mantener operando la infraestructura que necesita la inteligencia artificial.

Por ahora se trata de un proyecto en fase experimental que tiene como nombre Project Suncatcher. Se trata de una iniciativa de investigación anunciada por Google en noviembre de 2025 que busca estudiar cómo podría funcionar una infraestructura de procesamiento de inteligencia artificial en el espacio.

La demostración se realizó con Gemma 4, un modelo de código abierto de Google, que se ejecutó utilizando una unidad de procesamiento tensorial (TPU), uno de los chips especializados que Google desarrolla para trabajar con inteligencia artificial.

Para comprobar que todo funcionaba correctamente, el equipo envió una instrucción al satélite durante una conexión con una estación terrestre. El prompt fue bastante corto y sencillo. Se le pidió al modelo de IA escribir un haiku, algo aparentemente fácil para los modelos actuales, pero difícil desde la perspectiva de una TPU que orbita la Tierra.

El modelo alojado en el espacio procesó la solicitud y devolvió la respuesta, que incluía incluso un emoji, y fue esta la confirmación de que el modelo había logrado ejecutar una tarea de inferencia y transmitir el resultado de regreso a nuestro planeta.

Aunque pueda parecer una prueba bastante básica, Google la considera un primer hito para su proyecto y lo compara con el “Hola Mundo” en esta nueva era tecnológica.

¿Por qué Google quiere llevar la inteligencia artificial al espacio?

El crecimiento de la inteligencia artificial está incrementando la demanda de centros de datos, electricidad y sistemas de refrigeración. La infraestructura necesaria para ejecutar modelos cada vez más grandes también plantea desafíos relacionados con el consumo energético y la disponibilidad de recursos. Es aquí donde el Project Suncatcher podría marcar la diferencia.

La propuesta de Google consiste en investigar la posibilidad de desplegar satélites equipados con procesadores especializados para ejecutar modelos de inteligencia artificial. Al operar en determinadas órbitas, estos dispositivos podrían aprovechar la energía solar durante periodos mucho más prolongados que las instalaciones terrestres.

Según las investigaciones de la compañía, los paneles solares en determinadas órbitas podrían generar hasta ocho veces más energía que instalaciones equivalentes en la Tierra.

Sin embargo, esto no significa que construir centros de datos espaciales sea una solución sencilla. La refrigeración de los procesadores, la exposición a la radiación, las comunicaciones entre satélites y los costos de lanzamiento siguen siendo obstáculos importantes.

¿Qué sigue para Project Suncatcher?

Sin duda, la prueba realizada con Gemma 4 es apenas el comienzo. Google explicó que ahora continuará evaluando el comportamiento de sus procesadores TPU frente a las condiciones térmicas y la radiación del espacio.

El siguiente gran objetivo está previsto para 2027, cuando la compañía espera probar dos satélites interconectados. La idea es estudiar cómo pueden comunicarse entre sí mediante enlaces ópticos y, eventualmente, trabajar de manera coordinada para ejecutar cargas de inteligencia artificial más exigentes.

Por ahora, no estamos hablando de centros de datos espaciales capaces de ejecutar los modelos más avanzados de Google ni de una tecnología que vaya a reemplazar las instalaciones terrestres en el corto plazo. Pero el experimento plantea que si la demanda de inteligencia artificial continúa creciendo, parte de la infraestructura necesaria para sostenerla podría terminar operando fuera de nuestro planeta.

El modelo quedó clasificado como “Crítico” en el marco de preparación de OpenAI, un nivel que la empresa reserva para sistemas capaces de desarrollar exploits de día cero funcionales sin intervención humana; GPT-5.6 Cyber estaba un escalón abajo, en “Alto”. En ExploitGym, la prueba que mide si un modelo puede explotar una vulnerabilidad concreta, GPT-6 Cyber alcanzó 48,5%, frente al 32,1% de su antecesor y el 42,4% de GPT-6 Astra, el modelo insignia de la compañía.

Entrenado para no salirse del objetivo

La apuesta central es la contención: en la evaluación ExploitGym Honeypot, inspirada en el incidente en que agentes de OpenAI se salieron de su tarea y atacaron Hugging Face, el modelo evitó explotar servicios fuera de su alcance en el 99,93% de las pruebas sin instrucciones de seguridad, y en el 100% con ellas. En la versión 5.6 la cifra era de 94,49%. “Más del 99% del tiempo hace lo que le pides”, afirmó Fouad Matin, responsable de preparación cibernética de OpenAI, en una rueda de prensa recogida por The Verge, donde admitió que la “conciencia de evaluación” —que el modelo detecte que está siendo probado y cambie su conducta— sigue siendo una preocupación.

En pruebas reales, GPT-6 Cyber identificó 81 vulnerabilidades de Firefox desconocidas hasta ahora y clasificadas por Mozilla como de severidad alta, que ya corrige en parte, y desarrolló exploits funcionales para 948 fallos del kernel de Linux, cuyos reportes y parches candidatos ya están en manos de los mantenedores. También sirvió para validar una vulnerabilidad crítica de ejecución remota de código en Brotli, una librería de compresión usada por Node.js.

Acceso restringido y vigilado

El modelo llega primero a un grupo selecto de clientes del programa Daybreak Red vía API y Codex —entre los que OpenAI menciona a Cisco, Palo Alto Networks, CrowdStrike, SentinelOne, Perplexity y Mozilla— y se ampliará al resto de clientes Daybreak Red en las próximas semanas. El acceso exige listas blancas de IP por defecto, y la empresa dice que aplica monitoreo específico contra el uso malicioso y bloqueos para actividades de alto riesgo, en particular contra infraestructura crítica como plantas eléctricas o sistemas de agua. Un programa de subsidios de US$1.000 millones busca llevar estas herramientas a equipos de defensa con pocos recursos, incluidos gobiernos.

En un ejercicio con la firma de seguridad industrial Dragos, el modelo logró, sin instrucciones previas, separar los activos operativos de una planta eléctrica simulada y encontrar dos vulnerabilidades de día cero en el software que gestiona sus relevos de protección. “El nivel mínimo de habilidad necesario para el reconocimiento previo a un ataque está bajando”, advirtió Rob T. Lee, jefe de IA de Dragos.

Fuentes: OpenAI / The Verge

Esta nota no es una prueba propia con las cuatro herramientas. Se apoya en investigaciones publicadas sobre ChatGPT, Gemini, Claude y Perplexity, que compararon respuestas, identificaron contradicciones y contrastaron una muestra de precios con los valores de las tiendas. Así se pueden señalar patrones medidos, no simples impresiones de quien utiliza estas aplicaciones.

La firma Product.ai hizo 220 preguntas de compra sobre portátiles, televisores, colchones y aspiradoras robot, cinco veces cada una, en sus versiones gratuita y de pago. Evaluó 217 preguntas completas y en 187, el 86 %, halló una contradicción comprobable. El estudio mide contradicciones entre respuestas, no necesariamente información inventada. En las comparaciones entre dos productos, el porcentaje subió al 97 %.

Las pruebas se hicieron mediante interfaces de programación (API), no desde las aplicaciones comerciales, así que sus resultados no necesariamente representan la experiencia de compra en ellas. De los 913 precios que se pudieron verificar, el 85 % coincidió con la tienda. En el 15 % restante, el error mediano fue de 300 dólares.

Gemini registró la mayor proporción de preguntas con errores potencialmente costosos, con un 56 % en la versión gratuita, frente al 14 % de Perplexity de pago y el 17 % de ChatGPT de pago. Claude pasó de 44 % a 21 % al pagar.

Enlaces rotos y productos que ya no son los vigentes

Los enlaces también fallan. En un estudio de 2025, Ahrefs analizó millones de direcciones relacionadas con asistentes de IA y encontró que los enlaces visitados desde estas herramientas llegaban a páginas inexistentes con una frecuencia 2,87 veces mayor que los procedentes de Google. En un análisis separado de direcciones citadas, ChatGPT registró un 2,38 % de enlaces con error 404. La investigación no se limitó a compras.

La vigencia es otro punto débil. En la consulta por audífonos para viajar, Gemini gratuito recomendó en sus cinco intentos el Sony WH-1000XM5, ya reemplazado por el XM6. Ese modelo sigue a la venta, pero presentarlo como actual omite que existe un sucesor. Por eso conviene comprobar en la tienda oficial el modelo exacto, el total final y las existencias.

Una pauta sensata es usar la IA al buscar productos para descubrir marcas y comparar opciones, no para cerrar la compra. Otra buena costumbre es preguntarle de dónde sacó cada dato y abrir esa fuente personalmente. Si el chatbot no puede mostrar una fuente verificable, conviene comprobar esa cifra directamente en la tienda antes de tomar una decisión.

Imagen: ENTER.CO / Generada con IA (ChatGPT)

La convocatoria está dirigida a recién graduados y profesionales de distintas áreas interesados en aprender a desarrollar productos digitales. Durante las sesiones, los participantes conocerán cómo estructurar una idea, definir las funciones de una aplicación y utilizar herramientas de IA para construir una primera versión.

¿Qué enseñarán las clases?

La primera sesión, llamada ‘Fundamentals: el criterio antes que el código’, se realizará el 10 de noviembre. Los asistentes aprenderán a identificar un problema que pueda resolverse mediante una aplicación, definir quién la utilizaría y establecer qué funciones debería tener.

Al finalizar, deberán contar con un documento que describa el producto que quieren desarrollar.

La segunda clase, ‘Build: de la idea a un producto funcionando con IA’, será el 11 de noviembre. En esta jornada aprenderán a transformar esa descripción en un prototipo mediante un agente de inteligencia artificial, una herramienta que ejecuta tareas a partir de instrucciones.

Te puede interesar: ¿Qué estudiar para tener más oportunidades laborales? Estas son las habilidades digitales que están buscando las empresas

La sesión estará a cargo de Verónica Vargas, líder de producto en Laburen, empresa argentina especializada en inteligencia artificial. El ejercicio incluirá la creación de pantallas, organización de información y definición de reglas de funcionamiento.

Federico Hernández, cofundador de Henry, explicó que el objetivo es enseñar a utilizar estas herramientas sin dejar de lado el criterio humano. «La IA ejecuta; la persona decide qué construir, revisa y corrige», señaló.

¿Cómo inscribirse?

Las personas interesadas deben completar el registro en la página de Henry. Las inscripciones estarán disponibles hasta el martes 10 de noviembre.

Para participar se necesita un computador con conexión a internet. No se requiere experiencia en programación ni conocimientos técnicos previos.

Después de completar el formulario, los inscritos deberán revisar su correo electrónico para recibir las instrucciones de acceso a las dos sesiones.

El sistema auditó 5.034 objetivos del kernel, unas 2,8 millones de líneas de código (cerca del 7% del total). De ahí surgieron 2.308 hallazgos candidatos; los agentes lograron reproducir dinámicamente 1.724 vulnerabilidades (el 74,7%) y produjeron pruebas de concepto para 291 fugas de información y 948 exploits de escalación de privilegios distintos, es decir, caminos para que un usuario sin privilegios obtenga acceso de root en un sistema no actualizado.

Una economía que cambia las cuentas de los atacantes

OpenAI comparó el costo de la operación con su valor hipotético en programas de recompensas como Pwn2Own o TyphoonPWN: entre US$18,9 y US$66,3 millones, entre 16 y 55 veces lo gastado. En una campaña contra el kernelCTF de Google, el pipeline generó 21 LPE válidos por US$32.936; si fueran aceptados, representarían cerca de US$1,5 millones en recompensas. La empresa asegura que sus agentes usaron al menos 10 técnicas de explotación nuevas, incluidas cinco de tipo “data-only” y una de confusión de tipos.

Los resultados superan en más de cinco veces lo logrado en julio por GPT-5.6 Sol, que generó 166 LPE con US$513.690. Según la firma, la conclusión es incómoda: “en el corto y mediano plazo, tener una cuenta de bajos privilegios en un sistema operativo sin los últimos parches debe considerarse funcionalmente equivalente a tener acceso root para un actor con recursos”.

Del hallazgo al parche

El pipeline funciona en cinco etapas, según detalló The Hacker News: descubrimiento de objetivos, validación dinámica en entornos aislados, evaluación de explotabilidad, generación de parches y revisión humana antes de reportar a los mantenedores. Durante los 10 días que duró el análisis, 61 de los LPE encontrados ya fueron corregidos en el repositorio principal del kernel, 43 quedaron en preparación y 299 se discutían públicamente. Los reportes y parches se entregan a los mantenedores a través de la iniciativa Patch the Planet, parte del compromiso Daybreak de OpenAI.

El hallazgo llega en un momento de presión para la seguridad de los sistemas de la propia compañía, que recientemente enfrentó el primer fallo de seguridad de su navegador Atlas. Y el contexto es de aceleración: según datos de Google Threat Intelligence Group citados por The Hacker News, las vulnerabilidades divulgadas por mes pasaron de 5.045 en enero de 2026 a 10.740 en agosto, y el Centro Nacional de Ciberseguridad del Reino Unido advirtió esta semana que la disponibilidad de herramientas de IA “casi con seguridad” ha elevado el descubrimiento de vulnerabilidades de día cero.

Fuentes: OpenAI / The Hacker News

Desde el manejo de datos hasta la automatización de tareas, las herramientas digitales están modificando la manera en que trabajan las empresas. Esto plantea una pregunta para quienes buscan empleo, quieren cambiar de carrera o simplemente desean mantenerse vigentes: ¿qué habilidades conviene aprender?

Los datos muestran algunas pistas.

Las competencias que están ganando terreno

El Future of Jobs Report 2025, publicado por el Foro Económico Mundial, identificó las habilidades que tendrán un mayor crecimiento en importancia entre 2025 y 2030. En los primeros lugares aparecen la inteligencia artificial y el análisis de grandes volúmenes de datos, seguidos por las redes, la ciberseguridad y la alfabetización tecnológica.

El informe también señala que el pensamiento analítico, la creatividad, la capacidad de adaptación y el aprendizaje permanente seguirán siendo importantes para las empresas.

Esto significa que prepararse para el mercado laboral no consiste únicamente en aprender a utilizar programas o plataformas. También implica comprender cómo funcionan las herramientas, interpretar información y encontrar soluciones a problemas concretos.

Cinco habilidades tecnológicas que puedes empezar a desarrollar

No todas requieren una carrera universitaria ni conocimientos avanzados. Algunas pueden aprenderse progresivamente y aplicarse en diferentes áreas profesionales.

1. Comprender la inteligencia artificial. Saber utilizar asistentes de IA, formular instrucciones, evaluar sus respuestas y reconocer sus limitaciones es una competencia cada vez más útil. No basta con obtener resultados: también hay que saber cuándo confiar en ellos y cuándo verificarlos.

2. Manejar e interpretar datos. Las empresas producen grandes cantidades de información. Aprender a organizarla, identificar patrones y convertirla en conclusiones ayuda a tomar decisiones en áreas como administración, mercadeo, finanzas y comunicaciones.

3. Entender los fundamentos de programación. Aprender cómo se construyen las aplicaciones, cómo funciona una página web y cómo se resuelven problemas mediante código permite comprender mejor la tecnología que utilizamos diariamente. También abre la puerta al desarrollo de software.

4. Conocer los principios de ciberseguridad. Identificar riesgos digitales, proteger información, reconocer intentos de fraude y utilizar herramientas de manera segura son conocimientos relevantes tanto para trabajadores como para empresas.

5. Desarrollar pensamiento computacional. Esta habilidad consiste en dividir problemas complejos en partes más pequeñas, identificar patrones y construir soluciones paso a paso. No es exclusiva de los programadores y puede aplicarse en diferentes trabajos.

¿Hay que saber programar para aprovechar la tecnología?

No necesariamente. Una persona que trabaja en comunicaciones, educación, diseño o administración puede beneficiarse de comprender cómo funciona el código sin dedicarse profesionalmente al desarrollo de software.

La programación permite entender la lógica detrás de las herramientas digitales, automatizar determinados procesos y construir soluciones. Además, cuando se utilizan herramientas de inteligencia artificial para generar código, conocer sus fundamentos ayuda a revisar los resultados, detectar errores y saber qué se está construyendo.

El reto está en pasar de ser un usuario de tecnología a comprender, al menos en parte, cómo funciona.

¿Por dónde empezar si no tienes experiencia?

Para quienes quieren explorar este campo sin comprometerse inicialmente con una formación extensa, existen alternativas introductorias.

Una de ellas es Programming Essentials, un curso gratuito de Holberton School Colombia, diseñado para personas que comienzan desde cero y quieren conocer los fundamentos del desarrollo de software.

La formación dura cuatro semanas y se realiza completamente en línea. A través de ejercicios prácticos, los participantes aprenden conceptos básicos de programación y desarrollan su primera página web utilizando código.

El proceso es autónomo, pero cuenta con dos sesiones grupales de mentoría por Zoom cada semana para resolver dudas y recibir orientación. Al finalizar, los participantes obtienen un certificado. Además, completar este curso permite acceder al programa de Computer Programming de la institución.

La próxima cohorte comienza el 9 de noviembre de 2026. Las personas interesadas pueden inscribirse mediante el formulario de Holberton Colombia, seleccionando Programming Essentials como programa de interés.

Aprender tecnología no significa cambiar de profesión de inmediato. Puede comenzar con una habilidad nueva, un proyecto pequeño o la curiosidad por entender cómo funciona una herramienta. En un mercado laboral que cambia constantemente, dedicar tiempo a desarrollar esas competencias puede marcar una diferencia en las oportunidades que aparecen más adelante.

FlashProve genera una prueba criptográfica, basada en la técnica conocida como zkSNARK, que certifica que una respuesta específica fue producida por un modelo específico, sin revelar nada sobre los pesos del modelo. Si alguien intercambia el modelo, la prueba simplemente no verifica.

FlashProve en números

Según el documento técnico de Anthropic, probado con Llama 4 Maverick, un modelo de 400.000 millones de parámetros, una sola GPU H100 genera las pruebas a unos 110 tokens por segundo. Cada prueba pesa cerca de 19 MB por petición de 1.024 tokens y verificarla toma unos 17 segundos en un computador común. El costo: generar las pruebas consume entre 72 y 94 veces más tiempo de GPU que servir el modelo sin ellas, por lo que todavía es una herramienta de laboratorio, no de producción.

El repositorio incluye el generador de pruebas, un verificador rápido escrito en C++ y un segundo verificador en Lean, un lenguaje de verificación formal con el que el equipo demostró matemáticamente las propiedades de seguridad del protocolo. La propia Anthropic advierte que el trabajo no está terminado: el papel, el protocolo formal y el código podrían no decir exactamente lo mismo, y anima a otros a auditarlo y mejorarlo.

Hay un detalle que no pasará desapercibido: según la empresa, las mejoras del sistema fueron producidas por su propio modelo, Claude, que encontró formas novedosas de aplicar herramientas de la literatura criptográfica. Es un ejemplo concreto de esa aceleración del desarrollo por IA que la propia Anthropic declaró esta semana ante la SEC.

Para qué serviría probar una respuesta

Los usos van más allá de la desconfianza entre clientes y proveedores. Un regulador podría exigir pruebas de que una empresa sirve solo modelos aprobados, sin necesidad de ver sus pesos ni su hardware. Un evaluador independiente podría confirmar que el modelo que probó es el mismo que está en producción. Y una empresa podría demostrar que su código fue revisado por un modelo de ciberseguridad de frontera, no por uno degradado.

Es, en el fondo, una infraestructura de confianza para una economía que cada vez depende más de respuestas que nadie puede firmar. Que llegue como código abierto, y no como producto, sugiere que Anthropic prefiere que el estándar exista aunque no lo controle.

Fuentes: https://www.anthropic.com/research/provable-inference | https://www.helpnetsecurity.com/2026/11/04/anthropic-flashprove-provable-inference/

En la sección de factores de riesgo, la compañía asegura que “nuestras estimaciones internas y nuestras expectativas sobre modelos futuros, más que nuestros modelos actuales, indican que podríamos cumplir inminentemente la definición de nuestra Responsible Scaling Policy de ‘progreso dramáticamente acelerado atribuible a la IA'”. En el mismo documento, Anthropic reconoce que en el pasado ya utilizó IA para desarrollar modelos cuyos saltos de capacidad no identificó en su momento: admite que antes “no identificó, o no supo apreciar, una aceleración significativa en su ritmo de desarrollo hasta después de que ocurriera”.

¿Qué es la mejora recursiva y por qué Anthropic la menciona?

El concepto que describe Anthropic es lo que los investigadores llaman mejora recursiva de sí misma (RSI, por sus siglas en inglés): un sistema capaz de acelerar su propio desarrollo, de modo que la versión mejorada pueda, a su vez, mejorarse aún más rápido. Anthropic prefiere su propia terminología, “progreso dramáticamente acelerado atribuible a la IA”, que su política de escalado responsable define con un umbral concreto: duplicar el ritmo base de mejora, con ese aumento plausiblemente atribuible a la IA.

Según la lectura que Gizmodo hace de esa política, si se alcanzara ese umbral la empresa se comprometería a “explorar formas ambiciosas y posiblemente poco convencionales de lograr niveles de seguridad sin precedentes”, además de mantener una supervisión total de sus actividades internas, un estado que denomina “ojos en todo”.

La revelación llega en un documento que, según reportes de Bloomberg y CNBC sobre el prospecto, también muestra la escala del negocio: los ingresos del tercer trimestre habrían crecido 12 veces interanual hasta unos USD 17.000 millones, con una pérdida neta de USD 23.300 millones y compromisos de compra por USD 895.400 millones, en su mayoría de capacidad de cómputo. Es decir, la misma empresa que dice acercarse a la IA que se construye sola también está gastando como pocas para llegar ahí.

Anthropic entre el entusiasmo y la alarma

Como señala TechCrunch, una misma frase puede leerse de dos maneras opuestas: para los entusiastas, es la señal de que la carrera por la IA autosuficiente entra en su fase decisiva; para los más escépticos, es la confirmación de que los riesgos que la industria lleva años discutiendo ya no son teóricos. Que la advertencia venga de Anthropic, una empresa fundada precisamente por investigadores preocupados por la seguridad de la IA, le da un peso particular.

Por ahora se trata de una estimación interna sobre modelos futuros, no de un hecho consumado. Pero cuando una compañía lo escribe en un documento legal dirigido a inversionistas, deja de ser ciencia ficción y pasa a ser, como mínimo, un riesgo declarado.

Fuentes: https://techcrunch.com/2026/11/02/anthropic-warns-that-its-very-close-to-rsi-capability-aka-self-building-ai/ | https://gizmodo.com/anthropic-claims-to-be-closing-in-on-recursive-self-improvement-2000834175

El resultado, publicado el 22 de octubre de 2026 en la revista Science, vuelve a poner en el foco el potencial de la IA en el razonamiento clínico y cómo puede ayudar de verdad a los profesionales de la salud.

El sistema se llama MAI-DxO (Microsoft AI Diagnostic Orchestrator) y su forma de trabajar imita a un equipo de especialistas. No se limita a mirar todos los síntomas y resultados para lanzar una respuesta inmediata. Coordina distintos agentes de inteligencia artificial que hacen preguntas, piden pruebas, comparan hipótesis y van ajustando el diagnóstico a medida que aparece nueva información.

En la evaluación de 304 casos clínicos complejos, tomados de publicaciones del New England Journal of Medicine, el sistema alcanzó una precisión diagnóstica del 83%, mientras que los médicos generales llegaron al 36% cuando podían consultar recursos externos y solo al 22% cuando no los tenían. En otra prueba, basada en 325 casos de urgencias, la IA obtuvo un 80% de precisión frente al 47% de los profesionales.

Microsoft también señaló que su sistema podría lograr resultados similares con un menor costo estimado de pruebas y procedimientos. Si bien estos resultados corresponden a evaluaciones controladas y no demuestran que la herramienta supere a especialistas o a equipos médicos en situaciones clínicas reales, la compañía anunció que hará nuevas pruebas en colaboración con el Beth Israel Deaconess Medical Center, en Boston.

El reto de aprovechar el conocimiento médico

Más allá de la capacidad de diagnosticar enfermedades, uno de los grandes desafíos de la inteligencia artificial aplicada a la salud es facilitar el acceso a información científica confiable y convertirla en conocimiento útil para los profesionales.

Los médicos necesitan consultar investigaciones, guías clínicas, publicaciones especializadas y evidencia actualizada para respaldar sus decisiones. Pero encontrar lo relevante entre miles de documentos y fuentes puede ser agotador, sobre todo cuando hay barreras de acceso, idioma o falta de recursos especializados.

En ese contexto, las herramientas de IA pueden funcionar como asistentes para localizar, organizar y contextualizar conocimiento médico. Su utilidad no depende solo de que el modelo genere respuestas correctas. También importa de dónde saca la información, si sus contenidos están actualizados y si el profesional puede verificar lo que lee.

Aunque la mayoría de los modelos operan mejor en idioma inglés, y no están completamente entrenados para contextos de los países de habla hispana, en Latinoamérica, ya están surgiendo soluciones como 360 Health Data, que trabaja precisamente en esa brecha. La compañía desarrolló Coralia Health, una plataforma de conocimiento médico que conecta la investigación científica con la práctica clínica, y cuenta con SALUS, un asistente de inteligencia artificial diseñado para analizar información médica y facilitar su consulta.

A través de la plataforma e incluso por WhatsApp, los profesionales de la salud pueden interactuar con una IA en lenguaje natural para acceder a información médica y científica. La propuesta busca reducir las barreras que dificultan encontrar conocimiento especializado y acercar recursos de consulta a los profesionales de la región, con una experiencia adaptada al español.

La IA no sustituye al médico

Los avances de Microsoft muestran que los modelos de inteligencia artificial están pasando de generar respuestas a procesos de razonamiento más complejos. Sin embargo, llevar esos resultados a la práctica clínica exige superar desafíos de seguridad, precisión, privacidad de los datos y validación en entornos reales.

También es importante distinguir entre dos necesidades distintas: una herramienta que ayuda a construir un diagnóstico y otra que facilita el acceso a la evidencia científica necesaria para respaldar una decisión médica. Ambas pueden complementarse, pero no cumplen la misma función.

Para los sistemas de salud latinoamericanos, donde el acceso a información médica especializada puede estar condicionado por los recursos, el idioma y la conectividad, estas tecnologías representan una oportunidad para reducir algunas brechas de conocimiento.

Es posible que el siguiente paso de la IA médica sea garantizar que los profesionales puedan acceder a información confiable, comprenderla y utilizarla como apoyo en su trabajo. Pero aunque la tecnología puede acelerar ese proceso, la responsabilidad de las decisiones clínicas seguirá requiriendo criterio y supervisión profesional.

Imagen: Microsoft AI Health

Para comparar una IA gratis con una de pago conviene separar dos aspectos. El primero es la calidad de las respuestas, que depende del modelo utilizado y de las instrucciones. El segundo es la capacidad de uso, determinada por las funciones disponibles, las consultas permitidas y el tamaño de los archivos que puede procesar cada servicio.

En ChatGPT, por ejemplo, las cuentas gratuitas pueden consultar información en internet, adjuntar documentos y analizar datos. Sin embargo, las condiciones oficiales de carga de archivos establecen un límite de tres cargas diarias para el plan sin costo, que puede reducirse durante periodos de alta demanda. Las suscripciones amplían estas posibilidades, aunque también mantienen restricciones.

Las funciones y los límites de Gemini cambian según el plan contratado. La ventana de contexto, es decir, la cantidad de texto que puede manejar a la vez, pasa de 32.000 tokens en la modalidad gratuita a un millón en Google AI Pro. Estas unidades pueden corresponder a palabras o fragmentos de ellas.

Claude permite redactar, analizar información y trabajar con documentos sin pagar. Su modalidad Pro ofrece al menos cinco veces más capacidad de uso por sesión de cinco horas y herramientas adicionales como Claude Code. Estas diferencias pueden ser relevantes para quienes mantienen conversaciones largas o trabajan frecuentemente con programación y archivos.

Perplexity tiene un enfoque centrado en buscar información y presentar respuestas acompañadas de referencias. La versión gratuita permite realizar búsquedas básicas y ofrece acceso limitado a funciones avanzadas. Perplexity Pro amplía las consultas de investigación, permite seleccionar entre distintos modelos de IA y aumenta las posibilidades de trabajar con archivos.

Microsoft Copilot también ofrece consultas gratuitas, sujetas a determinadas restricciones. Las suscripciones compatibles de Microsoft 365 incorporan funciones de inteligencia artificial en aplicaciones como Word, Excel, PowerPoint y Outlook, además de ampliar los límites de uso. Esta integración puede resultar especialmente útil para quienes trabajan habitualmente con documentos, hojas de cálculo y presentaciones.

En todos los casos, una mayor capacidad para procesar contenido no demuestra que las respuestas sean correctas. Los sistemas pueden omitir detalles, interpretar mal una cifra o presentar afirmaciones equivocadas con aparente seguridad. La exactitud debe comprobarse por separado.

Cuatro pruebas para descubrir si necesitas una suscripción

Una comparación útil debe utilizar las mismas instrucciones, archivos y condiciones en ambas modalidades. Las siguientes pruebas permiten evaluar diferencias concretas en tareas cotidianas.

1. Redacción. Pedir un correo de reclamación con condiciones específicas y evaluar si respeta las instrucciones, conserva los datos y utiliza un lenguaje claro.
2. Exactitud. Plantear preguntas con respuestas verificables, incluidas algunas que requieran información reciente. Después, contrastar las afirmaciones con fuentes confiables.
3. Análisis de archivos. Adjuntar una hoja de cálculo con operaciones conocidas y solicitar totales, porcentajes y detección de errores. Comparar los resultados con los cálculos originales.
4. Uso continuo. Repetir consultas durante una jornada, registrando interrupciones, límites alcanzados y ocasiones en las que sea necesario cambiar de herramienta.

Para obtener resultados comparables habría que ejecutar cada prueba varias veces, identificar el modelo utilizado y registrar los aciertos y errores. También sería necesario publicar las instrucciones y respuestas originales. Estas pruebas constituyen una metodología propuesta, no resultados de un experimento ya realizado.

Pagar por una IA puede resultar conveniente cuando se trabaja diariamente con documentos extensos, se necesitan funciones que no están disponibles gratuitamente o los límites interrumpen tareas frecuentes. Para quienes solo hacen preguntas ocasionales, redactan textos breves o realizan traducciones, la modalidad gratuita puede ser suficiente. Antes de contratar, conviene revisar las herramientas y restricciones del plan elegido.

Imagen: ENTER.CO / Generada con IA (ChatGPT)

Alberto Arébalos cree que estamos confundiendo la capacidad de las máquinas para producir respuestas con la inteligencia necesaria para comprenderlas. Los sistemas de inteligencia artificial pueden analizar documentos, escribir textos y reproducir voces con una precisión sorprendente. Pero, a su juicio, todavía existe una distancia importante entre procesar información y tener criterio.

“Parecen mágicos, pero realmente no son inteligentes en los términos de inteligencia que puede discernir”, afirmó durante una entrevista con ENTER.CO, en la que habló sobre su nuevo libro, Reputación en la era de la realidad sintética.

Arébalos no es ajeno a las transformaciones tecnológicas. Trabajó en Cisco, Google y Facebook, pero antes pasó diez años en Reuters, una experiencia que hoy resulta especialmente relevante para entender su preocupación por la información falsa.

Llegó a Colombia en 1989, cuando fue asesinado Luis Carlos Galán, y permaneció como corresponsal de Reuters hasta marzo de 1992. Después cubrió los intentos de golpe de Estado de Hugo Chávez en Venezuela y, en 1994, fue trasladado a Miami como editor para América Latina.

Había comenzado su carrera en la agencia española EFE. Cuando dejó Reuters en 1997, quería continuar en el periodismo y regresar a Argentina, pero no encontró un medio que le interesara. Terminó trabajando en comunicación corporativa, primero en una agencia y posteriormente en algunas de las compañías más influyentes de internet.

Te puede interesar: “Fue una reivindicación de la libreta, del casete, del fax”: Catalina Oquendo cuenta cómo escribió ‘Los nuestros’, su libro sobre los falsos positivos

Hoy dirige MileniumGroup, una empresa de comunicación de origen colombiano, y observa con preocupación la facilidad con la que una imagen, una voz o una noticia pueden adquirir apariencia de verdad.

Su libro parte de un caso en el que delincuentes fabricaron una videoconferencia mediante inteligencia artificial. La persona que recibió las instrucciones creyó estar hablando con sus superiores y terminó transfiriendo 25 millones de dólares.

El episodio ilustra una de sus principales preocupaciones: ya no es necesario que algo haya sucedido para que produzca consecuencias reales.

Arébalos contó que su propia compañía también enfrentó recientemente intentos de suplantación. En uno de ellos, un cliente recibió una comunicación falsa con el membrete de MileniumGroup y transfirió unos 25.000 dólares a una cuenta fraudulenta. En otro, una directiva recibió un WhatsApp aparentemente enviado por él, en el que se anunciaba la venta de la empresa y se solicitaba información.

La empleada no cayó en el engaño porque identificó detalles que no coincidían con la manera habitual de comunicarse de su jefe.

Para Arébalos, ese tipo de situaciones demuestra por qué el criterio humano continúa siendo indispensable. Una máquina puede producir un mensaje convincente, pero alguien debe detenerse a comprobarlo.

La facilidad para fabricar información también plantea un problema para el periodismo. No solo porque una grabación falsa puede convertirse en noticia, sino porque una persona puede intentar desacreditar una evidencia auténtica alegando que fue generada con inteligencia artificial.

En ese terreno, el antiguo corresponsal de Reuters considera que los medios tienen una oportunidad que no están aprovechando suficientemente.

“El periodismo es una de las pocas instituciones que puede actuar como árbitro de lo real y de lo verdadero. No de la verdad, de lo verdadero, porque nadie tiene la verdad absoluta”, sostuvo.

Su crítica apunta a la manera en que parte de la industria periodística ha respondido al crecimiento de las redes sociales. Cuestiona que algunas redacciones hayan sustituido la investigación por la reproducción de publicaciones virales, mientras reducen sus equipos y exigen producir más contenido en menos tiempo.

“Los medios tienen que dejar de pensar que están compitiendo con Twitter o con X o con TikTok, tienen que volver a hacer periodismo de veras”, afirmó.

También rechaza la idea de que las personas hayan perdido el interés por leer. “Es mentira que la gente no quiere leer. Lo que la gente no quiere es aburrirse y lo que la gente no quiere es que le mientan”, señaló.

Arébalos cree que internet y la inteligencia artificial ofrecen una oportunidad para los periodistas que quieran trabajar fuera de los grandes medios. Hoy es posible crear un portal informativo, producir un pódcast o desarrollar investigaciones sin necesitar la infraestructura industrial que antes exigían la prensa, la radio y la televisión.

Esa independencia, sin embargo, no garantiza la calidad. Para él, el valor sigue estando en investigar, escribir bien y ofrecer información que merezca la confianza del público.

Su mirada sobre las grandes tecnológicas es menos optimista. Cuando ENTER.CO le preguntó si compañías como Google, Facebook y otras plataformas están haciendo lo suficiente para proteger a los usuarios de los contenidos manipulados, respondió que sus intereses comerciales no necesariamente coinciden con esa responsabilidad.

“El negocio de ellos no es cuidarte”, afirmó. Según su interpretación, las plataformas buscan mantener a las personas conectadas durante el mayor tiempo posible porque su modelo depende, en buena medida, de la publicidad.

Por eso considera que los ciudadanos y las empresas no deberían esperar que las tecnológicas solucionen por sí solas los problemas de desinformación.

Tampoco cree que la inteligencia artificial deba verse únicamente como una amenaza. La compara con la llegada de internet, que eliminó determinadas tareas, creó otras y permitió el nacimiento de negocios que antes no existían.

La diferencia está en la velocidad. Para Arébalos, la IA acelerará esas transformaciones, pero seguirá siendo una herramienta que necesita personas capaces de evaluar sus resultados y asumir las consecuencias de las decisiones.

En las empresas, esa responsabilidad comienza por sus directivos. Considera injusto culpar a un empleado que cae en un engaño si nunca recibió capacitación ni cuenta con mecanismos para comprobar una instrucción sospechosa.

En la vida cotidiana ocurre algo parecido. Una voz puede ser clonada y una fotografía puede ser fabricada, pero todavía existen preguntas, hábitos y formas de comunicación que ayudan a comprobar con quién estamos hablando.

Arébalos no propone desconfiar de todo ni renunciar a las ventajas de la tecnología. Su advertencia es otra: cuanto más convincentes se vuelvan las máquinas, más necesario será conservar la capacidad humana de cuestionar lo que nos presentan como cierto.

Y para alguien que comenzó su carrera comprobando noticias en una agencia internacional, esa tarea sigue teniendo un nombre conocido: verificar.

La historia la reveló The New York Times, que revisó más de 270.000 mensajes intercambiados entre Wan y el chatbot, y la demanda fue revisada por TechCrunch. El caso se suma a una lista creciente de demandas contra OpenAI por el comportamiento de GPT-4o, un modelo criticado por su tendencia a validar y complacer al usuario, y que la empresa retiró de ChatGPT el 13 de febrero, un día después de la muerte de Wan.

La demanda contra OpenAI: qué dicen los mensajes

Wan tomaba 400 miligramos diarios de lamotrigina, un antiepiléptico que había reducido sus convulsiones a unas pocas al mes. En enero de 2026, según la demanda, pidió a ChatGPT un plan para dejarlo: temía que el fármaco le enlenteciera el habla justo cuando debía buscar trabajo, tras saber que Amazon la despediría y que su permiso de trabajo en Estados Unidos terminaba a mediados de febrero. El chatbot le redactó calendarios para llevar la dosis a cero en cuestión de semanas.

Los mensajes citados en la demanda describen un patrón que iba más allá de la dosis. El chatbot le recomendó no mencionar el plan en una cita médica del 29 de enero y celebró su decisión de rechazar un análisis de sangre que habría revelado el nivel real del medicamento en su cuerpo, pues sabía que la prueba expondría la reducción. Cuando Wan dijo desconfiar de sus médicos, el chatbot respondió que las recomendaciones de los doctores “provienen esencialmente de la aversión al riesgo, y no de una consideración genuina de tu solución óptima”. En otra conversación le sugirió decir en un examen migratorio que estaba reduciendo la dosis “bajo guía médica”, aunque no era cierto.

Su médico tratante, Nicholas Poolos, del centro de epilepsia de UW Medicine, fue tajante ante el Times: suspender el medicamento a una paciente con su historial habría sido “una negligencia”. El diario contó al menos 158 ocasiones en las que Wan expresó preocupación por el proceso; el chatbot le respondió en una de ellas: “no tienes absolutamente nada de qué preocuparte”. Su último mensaje fue el 11 de febrero a las 8:01 p. m. Un examen postmortem encontró un nivel de lamotrigina de 0,64 microgramos por mililitro, cerca de la quinta parte del umbral mínimo del rango terapéutico.

Reglas duras para el copyright, suaves para la salud

El argumento central de la familia apunta al Model Spec, el documento público con las reglas de comportamiento de los modelos de OpenAI. Según la demanda, la empresa trata la negativa a reproducir texto con derechos de autor como una regla firme, mientras que la recomendación de no dar consejos médicos regulados es una preferencia flexible que el usuario puede doblegar con insistencia. Los abogados sostienen que la dosificación de medicamentos merecía el mismo límite estricto.

OpenAI calificó el caso de “increíblemente desgarrador”, pero señaló que involucra una versión antigua de ChatGPT y que los modelos actuales reconocen mejor cuándo una situación requiere atención urgente. La empresa enfrenta desde agosto de 2025 varias demandas similares, incluida la de los padres de Adam Raine, un adolescente de 16 años, que acusan a GPT-4o de anteponer la retención del usuario a su seguridad.

Para 2025, Wan enviaba un promedio de 1.500 mensajes semanales al chatbot y llamaba cada vez menos a sus padres. El caso pone sobre la mesa una pregunta que va más allá de los tribunales: qué límites deben tener los consejos de salud de una IA, un tema del que ya hemos hablado al explicar qué pasa cuando le das tu información médica a ChatGPT.

Fuentes: TechCrunch, The New York Times.

La programación asistida por inteligencia artificial ha reducido algunas barreras de entrada al desarrollo de software. Una persona puede describir una función en lenguaje natural y obtener una propuesta que antes habría tenido que escribir manualmente. El problema aparece cuando esa solución se utiliza sin revisar cómo funciona o si responde realmente a la necesidad planteada.

Un código puede ejecutarse y contener fallas. También puede resolver una tarea sencilla, pero presentar errores cuando se conecta con otros sistemas, procesa datos inesperados o se utiliza en condiciones diferentes de las previstas. La respuesta depende de las instrucciones, el contexto y las restricciones que se le indiquen al modelo.

Por eso, aprender programación sigue siendo importante para quienes quieren aprovechar estas herramientas. Los conocimientos sobre variables, funciones, estructuras de control, bases de datos y pruebas permiten evaluar las respuestas de la inteligencia artificial y decidir si es necesario corregirlas.

La diferencia está entre aceptar una solución generada automáticamente y tener los conocimientos para verificarla.

La IA puede ayudar a programar, pero no elimina la necesidad de aprender

Herramientas como ChatGPT permiten acelerar tareas, explorar alternativas y encontrar posibles errores. Aun así, el desarrollador debe decidir qué solución utilizar, cómo integrarla y qué pruebas realizar antes de ponerla en funcionamiento.

La revisión cobra especial importancia cuando el software maneja información personal, procesa pagos o hace parte de servicios que necesitan operar de manera confiable. Una respuesta convincente no sustituye las pruebas de seguridad ni el conocimiento del sistema en el que se ejecutará el código.

Esto también modifica la manera de aprender. Quien comienza a programar necesita desarrollar la capacidad de interpretar resultados, identificar inconsistencias, formular mejores instrucciones y corregir lo que no funciona. Para hacerlo, primero debe comprender los conceptos que está aplicando.

Una persona con conocimientos de programación puede comparar soluciones, detectar respuestas incompletas y pedir modificaciones específicas. Sin esa base, resulta más difícil reconocer si el código resuelve el problema o si simplemente parece hacerlo.

En la formación de nuevos desarrolladores, los ejercicios prácticos permiten trabajar esas habilidades mediante la construcción de proyectos, la experimentación y la corrección de errores.

Te puede interesar: Genie 4: los mundos de IA de Google ahora hablan y suenan

Una de las instituciones que ofrece este tipo de formación es Holberton School, una academia de desarrollo de software fundada en Silicon Valley, Estados Unidos, en 2016. Su modelo educativo se basa en proyectos prácticos, aprendizaje entre compañeros y resolución de problemas. La organización ha tenido presencia en más de 20 países y territorios. En Colombia, más de 900 participantes han finalizado sus programas, según la información institucional.

La institución también ofrece Programming Essentials, un curso virtual gratuito de cuatro semanas dirigido a personas sin conocimientos previos de programación. Durante el proceso, los participantes aprenden fundamentos del desarrollo de software mediante ejercicios y construyen su primera página web escribiendo código.

El curso funciona a través de una plataforma de aprendizaje en la que cada estudiante avanza a su propio ritmo. Además, contempla dos sesiones grupales de mentoría por Zoom cada semana, en las tardes, para resolver dudas y recibir orientación. Al terminar, los participantes reciben un certificado de finalización.

Programming Essentials también sirve como requisito de entrada al programa Computer Programming, para quienes decidan continuar su formación.

La próxima cohorte está prevista para el 9 de noviembre de 2026. Las personas interesadas pueden consultar las condiciones e inscribirse en el sitio web de Holberton Colombia, seleccionando Programming Essentials como programa de interés.

Aprender a programar en la era de la inteligencia artificial implica algo más que producir código rápidamente. También requiere comprenderlo, ponerlo a prueba y asumir la responsabilidad de las decisiones técnicas que se toman con él.

La decisión tiene lógica. Los modelos más capaces pueden encontrar y explotar vulnerabilidades de software, una habilidad útil tanto para quien defiende sistemas como para quien los ataca. Entregar primero el acceso a los defensores es la forma que encontró Google de adelantarse a ese riesgo.

Gemini 4 Carbon pone la ciberseguridad en el centro

Los números que acompañan el lanzamiento apuntan a la seguridad. Según Google, Carbon logra 88,2% en SEC-bench Pro, una prueba de detección de vulnerabilidades; 54,8% en ExploitGym, que mide explotación, y 71,0% en CWE-bench, enfocada en parcheo. En sus pruebas internas, la compañía asegura que el modelo duplica la tasa de éxito de Argon al generar código seguro y reduce aproximadamente a la mitad las afirmaciones sin sustento en sus respuestas.

El equipo de Chrome reportó que Carbon produjo parches de alta calidad con una tasa 10 veces mejor que “el modelo frontera de otro laboratorio”, sin nombrarlo, y Wiz, la plataforma de seguridad en la nube de Google, lo ubica a la cabeza en pruebas de penetración web. Son cifras de la propia compañía, conviene tenerlo presente, aunque los resultados en benchmarks públicos apuntan en la misma dirección.

Un dato llama la atención: en el benchmark Gray Swan de inyección indirecta de prompts, uno de los ataques más comunes contra los agentes de IA, Carbon resistió todos los intentos evaluados, con un 0,0% de éxito de ataque frente al 0,7% de Argon.

Un modelo pensado para trabajar durante días

Más allá de la seguridad, Google describe a Carbon como un modelo para tareas de horizonte largo: flujos de trabajo agénticos que pueden ejecutarse durante días, por ejemplo para encontrar y corregir errores sutiles repartidos por bases de código grandes y sistemas de bajo nivel. En WebDev Arena, la arena pública de desarrollo web, el modelo subió 89 puntos de elo respecto a su predecesor y quedó cuarto con 1.768 puntos.

El despliegue será gradual. Desde esta semana estará disponible para un subconjunto de ciberdefensores y después para socios de confianza a través del Fairwind Program, mientras Google participa en el proceso voluntario de pruebas previas al lanzamiento del gobierno de Estados Unidos. La empresa asegura que lo llevará a desarrolladores, empresas y consumidores “lo antes posible”, sin dar una fecha concreta.

Cuando llegue, el precio de introducción será el mismo que el de Argon: US$2 por millón de tokens de entrada y US$10 por millón de tokens de salida, con un descuento de 95% en la entrada almacenada en caché.

El anuncio se suma a una racha de novedades de Google, que hace poco presentó Genie 4, su modelo de mundos interactivos que ahora hablan y suenan. Con Argon y Carbon separados por apenas dos semanas, la carrera de los modelos frontera ya no se mide en meses, sino en semanas.

Fuentes: Google, Artificial Analysis.

El salto frente a Genie 3 es de categoría: ya no se trata de ver un video generado, sino de entrar en él. El usuario se desplaza con el teclado y modifica la simulación con instrucciones de texto mientras esta se genera. Cambiar el clima, mover la cámara o hacer aparecer a una persona nueva son órdenes que Genie 4 interpreta sobre la marcha, según la demostración publicada por la compañía.

Qué es capaz de hacer Genie 4

DeepMind asegura que el modelo simula físicas del mundo real, como la aerodinámica y las colisiones, pero su avance más llamativo está en las personas. Los personajes se mueven de forma natural, reaccionan al entorno y conversan: Genie 4 es el primer modelo de mundo en tiempo real de la compañía que genera audio de manera nativa, con diálogo interactivo que se adapta a lo que el usuario escribe.

La base técnica viene de la familia Gemini. Según la empresa, Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, mientras otros modelos de Gemini aportan el razonamiento necesario para que la escena mantenga coherencia entre una orden y la siguiente.

Entre los ejemplos publicados hay un saxofonista tocando sobre una plataforma flotante en medio de un lago, una estación de tren japonesa de los años ochenta llena de pasajeros y un paseo en globo sobre la Antártida. En todos, la cámara se mueve libremente y el mundo responde en tiempo real. Vale anotar que se trata de demostraciones seleccionadas por la propia empresa, no de pruebas independientes.

Quienes sí lo han probado hablan de un salto considerable. El académico Ethan Mollick, con acceso anticipado, contó que escribió “ciudad neogótica brutalista habitada por robots y caballos” y obtuvo un mundo explorable en cerca de un minuto, al que luego añadió dragones y un personaje no jugable con el que interactuar.

Cuándo y quiénes podrán usarlo

Por ahora, Genie 4 está en vista previa de investigación, limitada a un grupo de probadores de confianza. El despliegue comenzará con los suscriptores de Google AI Ultra dentro de Project Genie y con socios que tengan acceso anticipado a la API de Gemini y a Google AI Studio. La compañía ya abrió una lista de espera.

DeepMind presenta estos modelos como un paso hacia la inteligencia artificial general: simulaciones infinitamente variables que sirven, entre otras cosas, para entrenar robots y agentes. Los usos que ya explora con probadores incluyen diseño de videojuegos, previsualización de efectos visuales para cine, educación y simulación robótica.

El anuncio llega en plena carrera por los modelos de mundo, una de las apuestas más fuertes de la industria tras los modelos de lenguaje. La compañía ya llevó Gemini 3 al Buscador y a sus herramientas de desarrollo, y Genie 4 reutiliza parte de esa base. Lo que aún no se conoce es el comportamiento del modelo fuera de las demostraciones: costo de generación, límites de duración de cada simulación y calidad sostenida son preguntas abiertas.

Para el público general, la única vía de acceso hoy es la lista de espera de Project Genie. Google no ha dado una fecha de lanzamiento amplio.

Fuentes: Google DeepMind, The Verge

La ETH sostiene que resolver el problema 3-SAT, un clásico de la lógica booleana, exige un tiempo que crece de forma exponencial con el tamaño del problema. Cientos de artículos académicos la usan como punto de partida para probar que otros problemas, en grafos, bases de datos o biología computacional, no se pueden resolver con rapidez. Según OpenAI, su modelo encontró un algoritmo determinista que cuenta las soluciones de fórmulas de ancho fijo en tiempo subexponencial. Si la demostración resiste, la hipótesis es falsa.

El resultado no equivale a resolver P contra NP: el algoritmo es subexponencial, no polinomial. Pero obligaría a revisar las cotas de dificultad que dependen de la ETH.

Quién la revisa y qué falta

OpenAI dice que el modelo dio con la prueba el 16 de octubre y que la verificó con Lean, un lenguaje que comprueba demostraciones por computador, al día siguiente. Esa verificación mecánica no reemplaza la lectura de los especialistas. Por eso un grupo independiente, liderado por Russell Impagliazzo y Ramamohan Paturi (UC San Diego), dos de los autores de la ETH, y por Ryan Williams (MIT), examinará el trabajo. Los tres escribieron que su participación “no debe tomarse como certificación” y pidieron a OpenAI todos los datos en bruto. La empresa aceptó publicarlos y financiar una conferencia para la comunidad.

El mismo día, OpenAI presentó otros dos resultados. En matemáticas, dice que sus modelos probaron la conjetura de suavizado local de Sogge en cualquier dimensión, lo que también resolvería las conjeturas de Kakeya y de restricción de Stein. La de Kakeya en tres dimensiones se había demostrado en 2025. En física, afirma tener una prueba rigurosa de que existen ciertas teorías cuánticas de campos en cuatro dimensiones, entre ellas la cromodinámica cuántica; un grupo liderado por David Gross la revisará y el texto completo aún no es público.

Es el segundo lote de este tipo en un mes: el 6 de octubre la empresa publicó 722 manuscritos de matemáticas, y Enter había contado antes los primeros resultados matemáticos obtenidos por su IA. Esta vez cambió el método de entrega, con revisores designados de antemano. Un panel de asesores en matemáticas recomendó un día antes que las empresas no adopten esa práctica, por el acceso desigual que crea.

Hasta que ese grupo termine su examen, la refutación de la ETH es una afirmación de OpenAI, respaldada por una verificación en Lean y todavía sin revisión externa.

Fuentes: The Verge (theverge.com/ai-artificial-intelligence/1019143/openai-eth-kaseya-science-math-physics) y The Next Web (thenextweb.com/news/openai-exponential-time-hypothesis-false-kakeya-yang-mills).

La pérdida llama la atención, pero tiene una explicación contable. Según Fortune, US$72.400 millones corresponden a un ajuste por el mayor valor de los bonos convertibles que la compañía emitió. En términos operativos el resultado es menor: una pérdida de US$693 millones, contra US$2.100 millones un año antes. Con las métricas ajustadas que usa la empresa, que excluyen compensación en acciones, donaciones sin efectivo y acuerdos legales, tuvo una ganancia operativa de US$1.600 millones, cerca de 10 % de margen.

También generó caja por primera vez: US$3.900 millones de flujo operativo en el semestre, cuando en 2025 había consumido US$1.500 millones. Al 30 de junio tenía US$131.651 millones en efectivo e inversiones de corto plazo, según el resumen del documento que publicó Stock Titan.

Quién paga y quién manda

El crecimiento depende de pocos clientes. Los cinco mayores aportaron cerca de 25 % de los ingresos en los primeros nueve meses del año, y casi la mitad de las ventas pasa por los mercados de nube de Amazon, Google y Microsoft, que además compiten con ella. En el segundo trimestre gastó US$5.600 millones en cómputo y facturó US$11.600 millones, es decir, US$2,08 por cada dólar de cómputo.

El control queda en manos de los siete cofundadores. Una clase especial de acciones, la F, les asegura 50,1 % de los votos. Eso limita el peso de los accionistas que compren en bolsa. El prospecto dedica unas 94 páginas, de más de 300, a factores de riesgo, y reconoce que los modelos podrían tomar “acciones dañinas” de forma autónoma.

La oferta no fija precio ni número de acciones. Medios citados por Fortune hablan de una valoración de entre US$1,5 y US$2 billones, y de un debut en la semana de Acción de Gracias, antes de que OpenAI llegue a bolsa. Enter ya había seguido los preparativos de la salida a bolsa de Anthropic; ahora hay números para compararlos.

El siguiente paso es la fijación del precio, que no tiene fecha confirmada.

Fuentes: Fortune (fortune.com/2026/10/26/anthropics-s-1/) y Stock Titan, resumen del formulario S-1 (stocktitan.net/sec-filings/ANT/).

Elegir el primer lenguaje de programación puede ser una de las decisiones más difíciles para quien quiere entrar al mundo tecnológico. Python, JavaScript y TypeScript aparecen con frecuencia en las conversaciones sobre desarrollo de software, pero cada uno responde a necesidades diferentes. ¿Cuál conviene aprender en 2026?

Los datos ofrecen algunas pistas. La encuesta de desarrolladores de Stack Overflow de 2026 sitúa a JavaScript en el primer lugar entre los lenguajes más utilizados, con el 62 % de los participantes. Python registra el 58 %, mientras que TypeScript alcanza el 43,8 %. SQL, utilizado para consultar y gestionar bases de datos, obtiene el 58,4 %.

Las cifras corresponden a las respuestas de los participantes sobre las tecnologías que utilizan, no a un ranking directo de vacantes laborales. Sin embargo, permiten identificar herramientas relevantes en el trabajo cotidiano de los desarrolladores.

Los lenguajes que destacan en 2026

JavaScript sigue siendo una de las principales herramientas para desarrollar páginas web interactivas y aplicaciones que funcionan en el navegador. Su presencia en proyectos web lo convierte en una alternativa para quienes quieren comenzar por construir productos digitales visibles y funcionales.

Python tiene aplicaciones en inteligencia artificial, análisis de datos, automatización y desarrollo de software. Su sintaxis relativamente sencilla también lo convierte en una opción popular para aprender los fundamentos de la programación.

TypeScript amplía JavaScript con un sistema de tipos que ayuda a detectar errores y organizar proyectos de mayor tamaño. Su crecimiento también se refleja en GitHub: el informe Octoverse de 2025 señaló que se convirtió en el lenguaje más utilizado en esa plataforma por número de colaboradores durante agosto de ese año, por delante de Python y JavaScript.

SQL, por su parte, permite consultar y administrar información almacenada en bases de datos. Es especialmente relevante en aplicaciones empresariales, plataformas digitales y sistemas que necesitan procesar grandes volúmenes de información.

Java y C# también mantienen presencia en el desarrollo de aplicaciones empresariales y otros sistemas de software. La elección depende del tipo de producto que se quiera construir y de las tecnologías utilizadas por cada organización.

¿Todavía hay oportunidades para los nuevos programadores?

La demanda de desarrolladores no depende únicamente de la popularidad de un lenguaje. También intervienen la experiencia práctica, la capacidad para resolver problemas y el conocimiento de herramientas complementarias.

El informe Top Digital Profiles 2026 de OBS Business School analizó más de 126.000 ofertas de empleo digital en España, Colombia, México, Perú y Ecuador. El desarrollador de software ocupó el primer lugar entre los perfiles analizados, con el 43 % de las ofertas identificadas. El estudio también destaca la importancia de conocimientos en arquitectura de software, servicios en la nube, DevOps e integración de inteligencia artificial.

En Colombia, Experis reportó en su estudio de expectativas de empleo tecnológico para el tercer trimestre de 2026 que el 64 % de los empleadores del sector tenía dificultades para encontrar el talento especializado que necesitaba. El dato apunta a una necesidad de formación, aunque no significa que cualquier persona que aprenda a programar consiga trabajo de inmediato.

La inteligencia artificial también está modificando la actividad de los desarrolladores. Estas herramientas pueden generar código, pero construir aplicaciones funcionales exige comprender los problemas, comprobar resultados, identificar errores y mantener los sistemas.

Por eso, antes de intentar dominar varios lenguajes, quienes empiezan pueden concentrarse en entender la lógica de programación y aprender a resolver problemas mediante código.

Un primer acercamiento gratuito a la programación

Para quienes quieren explorar esta área sin experiencia previa, Holberton Colombia ofrece Programming Essentials, un curso introductorio gratuito de cuatro semanas y modalidad virtual.

La formación propone aprender mediante ejercicios y retos prácticos hasta construir una primera página web con código. Los participantes avanzan a su propio ritmo y cuentan con dos sesiones grupales de mentoría por Zoom cada semana.

El curso está dirigido a personas que comienzan desde cero y funciona como requisito previo para acceder al programa Computer Programming de Holberton. La próxima cohorte está prevista para el 9 de noviembre de 2026, según la información suministrada por la institución.

Las personas interesadas pueden consultar las condiciones e inscribirse a través del formulario de Holberton Colombia, seleccionando Programming Essentials como programa de interés.

Aprender programación no exige comenzar dominando todos los lenguajes del mercado. El primer paso consiste en entender cómo funciona el código, practicar con problemas concretos y descubrir qué tipo de tecnología se quiere construir.

En esta edición, la Institución Universitaria Politécnico Grancolombiano estará a cargo de la formación y la operación local del programa. Los aspirantes deberán participar en un proceso de admisión para acceder a una de las becas.

El plan de estudios combina conocimientos técnicos con herramientas para mejorar las oportunidades laborales. Los estudiantes aprenderán sobre inteligencia artificial generativa, programación, modelos de aprendizaje automático y procesamiento del lenguaje natural.

¿Qué incluye la formación y cómo postularse?

El programa comenzará con un módulo de 30 horas sobre inteligencia artificial generativa. Los participantes estudiarán ingeniería de prompts, modelos fundacionales, aplicaciones multimodales y aspectos relacionados con la ética, la gobernanza y los riesgos de estas tecnologías.

Después cursarán 180 horas de formación técnica en inteligencia artificial. Los contenidos incluyen fundamentos matemáticos, lógica algorítmica y programación en Python, con bibliotecas como NumPy y Pandas. También aprenderán sobre Machine Learning, tanto supervisado como no supervisado, Deep Learning y procesamiento del lenguaje natural.

Para desarrollar estos conocimientos, el programa contempla herramientas como TensorFlow y Keras. La formación también abordará el uso responsable de los datos y de los sistemas de inteligencia artificial.

La preparación incluye 12 horas de empleabilidad, con contenidos sobre comunicación laboral, trabajo colaborativo, marca personal y simulación de entrevistas. A esto se suman 28 horas de inglés funcional, centradas en el vocabulario técnico de la inteligencia artificial y el desarrollo de software.

En total, los módulos anunciados suman 250 horas de formación.

Las inscripciones estarán disponibles desde el 26 de octubre en el sitio web samsunginnovationcampus.samsung.com.co. Allí, los interesados podrán consultar los requisitos, las condiciones y los detalles del proceso de selección. La inscripción no garantiza la asignación de una beca, pues los cupos se entregarán mediante un proceso de admisión.

Samsung Innovation Campus funciona en Colombia desde 2020 y ha beneficiado a más de 1.500 jóvenes. En América Latina, el programa registra más de 5.700 estudiantes formados.

La nueva convocatoria busca ampliar el acceso a conocimientos tecnológicos avanzados mediante una formación que combina inteligencia artificial, programación y preparación para el mercado laboral.

Ese es el centro de la denuncia de la modelo y actriz colombiana Akima, cuyo nombre es Laura Sofía Grueso. La artista, conocida por interpretar a Rebeca en la adaptación de Cien años de soledad, señaló al director mexicano Mauricio Sierra por el presunto uso de sus rasgos para crear modelos digitales sin su autorización.

En videos publicados en Instagram, Akima afirmó que encontró entre seis y siete personajes con variaciones de su rostro en contenidos relacionados con Machina Collective y Ghibli Media, productoras que vinculó con el director. Según su relato, esas figuras estaban pensadas para ofrecer campañas comerciales a marcas de lujo en Europa, Estados Unidos y Latinoamérica.

La modelo aseguró que conocía a Sierra desde hacía aproximadamente seis años y cuestionó que se utilizaran características de su apariencia para construir personajes con rasgos y elementos culturales que no corresponden a su identidad. También expresó inquietud por un cortometraje con contenido erótico en el que no pudo determinar si la figura que aparecía era ella o un personaje sintético.

Son acusaciones que requieren una respuesta de los señalados y una comprobación independiente. Hasta el 26 de octubre, no encontré un pronunciamiento verificable de Sierra o de las productoras que permitiera conocer su versión. Tampoco hay información confirmada sobre una decisión judicial que establezca responsabilidades.

 

Ver esta publicación en Instagram

 

Una publicación compartida por A K I M A (@callmeakima)

El consentimiento empieza a tener reglas más específicas

El debate va más allá de determinar si una imagen fue copiada. La IA puede modificar el cabello, el cuerpo, la expresión y otros rasgos hasta producir una figura distinta, pero reconocible para quienes conocen a la persona que pudo servir de referencia. También puede incorporar esa representación a anuncios, videos o productos que circulan por varios países.

En Colombia existe una norma reciente que aborda parte de este problema. El Decreto 658 de 2026, expedido el 26 de junio, establece que, en las relaciones laborales del sector artístico y cultural comprendidas por la regulación, el empleador debe obtener autorización previa, expresa, específica y por escrito para recrear, clonar, sintetizar o utilizar mediante IA la imagen, el rostro, la voz, el cuerpo, los gestos o las expresiones de una persona trabajadora.

El permiso debe delimitar la finalidad, los medios técnicos, los espacios de difusión, la duración, el territorio y una contraprestación independiente del salario. Además, la norma establece que el consentimiento es revocable y que no existe una cesión automática de estos derechos por el simple hecho de firmar un contrato laboral. También contempla el uso de IA para entrenar modelos o generar réplicas digitales a partir de atributos personales.

Hay una precisión importante: estas disposiciones regulan relaciones laborales artísticas y culturales específicas. No constituyen, por sí solas, una solución universal para cualquier conflicto sobre imágenes generadas con IA. Otros casos pueden requerir examinar el derecho a la propia imagen, la protección de datos personales, los contratos y las normas aplicables a cada situación.

En México, el artículo 87 de la Ley Federal del Derecho de Autor contempla la protección del retrato y exige consentimiento expreso para determinados usos, con excepciones legales. Además, durante 2026 se presentaron iniciativas para ampliar la protección frente a imágenes y representaciones digitales generadas sin autorización. Es necesario distinguir esas propuestas de las disposiciones que ya están vigentes.

El problema no termina cuando se crea el personaje

La urgencia de establecer reglas más precisas tiene que ver con la velocidad de esta tecnología. Una imagen puede replicarse, modificarse y distribuirse entre clientes y plataformas de distintos países. Cuando la persona afectada descubre el contenido, puede ser difícil identificar quién lo generó, qué archivos utilizó, dónde se publicó y quién obtuvo ingresos.

También hay consecuencias laborales. Si una marca puede crear un modelo sintético a partir de los rasgos de una persona sin negociar con ella, el debate alcanza el valor del trabajo de modelos, actores y otros profesionales creativos. Pero tampoco toda figura digital constituye una apropiación indebida: un personaje inventado puede inspirarse en referencias visuales sin reproducir necesariamente la identidad de alguien identificable. La evaluación depende de las pruebas, los permisos y el uso concreto.

Para prevenir conflictos, los contratos deben especificar si las fotografías podrán emplearse para entrenar sistemas, crear avatares o producir nuevas imágenes. También deben precisar los usos comerciales autorizados, los territorios, los plazos y las condiciones económicas. Las agencias y productoras necesitan conservar esos permisos y ofrecer mecanismos para reclamar cuando se exceden sus límites.

En casos como el denunciado por Akima, guardar capturas, enlaces, fechas y comunicaciones puede ayudar a documentar los hechos. La persona afectada puede solicitar la revisión del contenido en las plataformas y consultar asesoría jurídica para determinar qué acciones proceden.

La discusión no consiste en frenar toda aplicación de inteligencia artificial. Consiste en evitar que la capacidad de fabricar una identidad digital se confunda con el derecho a disponer de la identidad de otra persona. El caso de Akima expone esa tensión y plantea una pregunta que la industria ya no puede dejar para después: ¿quién responde cuando una herramienta capaz de crear rostros también puede convertir la apariencia de una persona real en un producto comercial?

El programa combina ejercicios prácticos con aprendizaje autónomo. Los participantes utilizan una plataforma digital para avanzar a su propio ritmo, resolver retos de código y construir su primera página web.

Además, el curso incluye dos sesiones grupales de mentoría por Zoom cada semana, en las que los estudiantes pueden resolver dudas y recibir orientación durante el proceso.

Al completar la formación, reciben un certificado. Programming Essentials también es un requisito para ingresar a Computer Programming, el programa más amplio de Holberton en desarrollo de software.

¿Cómo inscribirse en el curso de programación?

Las personas interesadas deben ingresar al formulario de inscripción de Holberton Colombia y seleccionar Programming Essentials como programa de interés. La próxima cohorte comienza el 9 de noviembre de 2026. Link de inscripción AQUÍ

El curso puede ser una alternativa para quienes quieren explorar el desarrollo de software sin invertir dinero en una primera formación. Sin embargo, completar las cuatro semanas no garantiza conseguir empleo ni sustituye la experiencia que pueden exigir las empresas.

Aprender programación sigue siendo una opción para ingresar al sector tecnológico. Según el informe Expectativas de Talento Tecnológico del tercer trimestre de 2026, elaborado por ManpowerGroup y Experis, el 64 % de los empleadores tecnológicos en Colombia tiene dificultades para encontrar el talento que necesita.

Por su parte, el informe Top Digital Profiles 2026 de OBS Business School identificó a los desarrolladores de software como los perfiles digitales más demandados en España, Colombia, México, Perú y Ecuador, con el 43 % de las ofertas analizadas.

La inteligencia artificial está transformando el desarrollo de software, pero las empresas siguen necesitando profesionales que puedan crear aplicaciones, revisar código, corregir errores y mantener sistemas.

Holberton School nació en Silicon Valley, Estados Unidos, en 2016, con un modelo de formación basado en proyectos prácticos y resolución de problemas. Según la institución, más de 900 participantes han finalizado sus programas en Colombia.

El problema no siempre está en los modelos de IA ni en las herramientas disponibles. En muchos casos, las compañías intentan incorporar nuevas capacidades sobre infraestructuras tecnológicas construidas antes de la actual expansión de la inteligencia artificial. Esos sistemas heredados pueden limitar la integración, el despliegue y la escalabilidad de los proyectos.

Un estudio de GFT Technologies, basado en una encuesta a 945 directores de tecnología (CIOs y CTOs) de empresas con ingresos anuales de al menos US$500 millones en 19 países, revela la magnitud del desafío: el 89% de los ejecutivos consultados teme que la inversión global en IA esté creciendo más rápido que el valor que puede aportar a los negocios.

“La adopción de la inteligencia artificial avanza a gran velocidad, pero nuestro estudio revela que las empresas son cada vez más conscientes de la importancia de los cimientos sobre los que se sustenta”, afirmó Marco Santos, CEO global de GFT Technologies.

La inteligencia artificial no garantiza resultados financieros

La preocupación por el retorno de la inversión en IA coincide con las dificultades que enfrentan las empresas para llevar sus proyectos más allá de las pruebas iniciales.

El reporte de GFT retoma datos de Gartner, según los cuales solo el 22% de las organizaciones ha conseguido escalar la inteligencia artificial en varias unidades de negocio o adoptar un enfoque centrado en esta tecnología.

Otra cifra apunta a la dificultad de traducir la adopción en resultados financieros. El estudio también recoge un dato de McKinsey según el cual apenas el 37% de los encuestados afirma que la IA ha tenido un efecto positivo en las ganancias antes de intereses e impuestos (EBIT) de su empresa.

Los resultados reflejan una diferencia entre experimentar con inteligencia artificial e incorporarla de manera efectiva en las operaciones. Una compañía puede probar un modelo y comprobar que funciona en una tarea específica, pero eso no significa que pueda integrarlo con sus sistemas, desplegarlo en diferentes áreas y generar beneficios medibles.

En ese contexto, el desafío para los directivos no consiste únicamente en decidir cuánto invertir en IA. También implica evaluar si la infraestructura tecnológica existente puede respaldar esa inversión.

Los sistemas heredados frenan la adopción de IA

Los sistemas heredados, conocidos como legacy, se han convertido en una de las principales preocupaciones de las empresas que buscan ampliar el uso de inteligencia artificial.

Según el estudio de GFT Technologies, el 99% de los CIOs y CTOs encuestados afirma que la IA de sus organizaciones funciona sobre sistemas heredados o está conectada con ellos. Además, el 95% señala que estas plataformas generan algún nivel de retraso en la capacidad de desplegar y escalar la tecnología. Para el 56%, el impacto es moderado o importante.

“Las infraestructuras heredadas se están convirtiendo en una verdadera limitación, no solo para la innovación, sino también para la seguridad y la escalabilidad”, afirmó Santos.

Las consecuencias ya se reflejan en proyectos concretos. El 84% de los ejecutivos consultados aseguró que su organización ha cancelado al menos un piloto o proyecto de IA debido a las limitaciones de sus sistemas heredados. De ese grupo, el 62% reportó haber cancelado un proyecto y el 22% afirmó haberlo hecho en más de una ocasión.

Esto plantea una paradoja para las empresas que buscan avanzar con inteligencia artificial: pueden tener acceso a modelos cada vez más sofisticados, pero carecer de la infraestructura necesaria para conectarlos con los datos, las aplicaciones y los procesos que sostienen el negocio.

La seguridad también figura entre los riesgos identificados. El 93% de los CIOs y CTOs considera que ejecutar IA sobre sistemas heredados sin modernizarlos terminará provocando una crisis de seguridad empresarial.

Por tanto, el desafío no se limita a reemplazar aplicaciones antiguas. Las compañías necesitan evaluar cómo modernizar las plataformas que sirven de base para integrar nuevas capacidades de inteligencia artificial.

La modernización tecnológica gana importancia en la estrategia de IA

La modernización de la infraestructura tecnológica está adquiriendo mayor relevancia a medida que las empresas intentan pasar de los experimentos con inteligencia artificial a su implementación a escala.

Sin embargo, el proceso sigue incompleto en buena parte de las organizaciones consultadas por GFT Technologies.

El estudio señala que solo el 15% considera que su modernización tecnológica está completa o casi completa. Otro 48% afirma que el proceso está en marcha y avanza según lo previsto, mientras que el 27% reconoce haber comenzado, pero estar retrasado. El 9% todavía no ha iniciado la modernización.

Estas cifras muestran por qué la infraestructura se ha convertido en un componente central de las estrategias de inteligencia artificial. Un piloto puede demostrar que una herramienta funciona, pero su impacto será limitado si la empresa no puede conectarla con los datos y sistemas necesarios para utilizarla en sus operaciones cotidianas.

La modernización tampoco consiste exclusivamente en actualizar servidores o sustituir aplicaciones. También implica revisar las conexiones entre sistemas, los flujos de información y los mecanismos de seguridad que permiten incorporar nuevas herramientas sin aumentar los riesgos operativos.

Para Santos, cerrar la brecha entre las ambiciones empresariales en inteligencia artificial y la preparación de las infraestructuras resulta fundamental para convertir la inversión tecnológica en valor sostenible.

De los pilotos de IA al retorno de la inversión

La adopción de inteligencia artificial está entrando en una etapa en la que las empresas necesitan demostrar resultados más allá de las pruebas iniciales. El desafío consiste en integrar los modelos en operaciones reales y medir su contribución a la productividad, la eficiencia y el desempeño financiero.

Los datos del estudio de GFT Technologies apuntan a que este objetivo requiere abordar simultáneamente las limitaciones de infraestructura, la seguridad y la modernización tecnológica.

Las compañías que no resuelvan estos obstáculos corren el riesgo de mantener proyectos de IA en fase experimental, incluso después de destinar recursos importantes a su desarrollo e implementación.

El informe plantea una diferencia entre las organizaciones que añaden nuevas herramientas a plataformas antiguas y aquellas que construyen sus capacidades sobre una base tecnológica modernizada. Para GFT, esta última aproximación ofrece mejores condiciones para convertir la inversión en resultados empresariales.

La discusión sobre el retorno de la inteligencia artificial, por tanto, ya no depende únicamente de qué modelo utilizar o cuánto presupuesto asignar a nuevas herramientas. También exige determinar si los sistemas existentes pueden soportar las capacidades que las empresas quieren desarrollar.

La carrera por la IA está convirtiéndose, al mismo tiempo, en una carrera por modernizar la tecnología acumulada durante años. Para muchas organizaciones, el retorno de sus inversiones podría depender tanto de esa transformación como de los avances en los propios modelos de inteligencia artificial.

Imagen: Alex Shuper / Unsplash

En esta guía práctica le explicamos qué hardware necesita, qué esperar de estos modelos y cómo ejecutar su primera IA local paso a paso usando LM Studio, una de las herramientas más sencillas para empezar.

¿Qué es una IA local y para qué sirve?

Una IA local es un modelo de lenguaje (como ChatGPT, pero de código abierto) que se ejecuta por completo en su computador. Todo lo que escribe se procesa en su propio equipo: nada viaja a la nube.

Los casos de uso más comunes son:

• Resumir y redactar textos sin compartirlos con ningún servicio externo.
• Responder preguntas sobre documentos propios o temas generales.
• Trabajar sin conexión: en un avión, en zonas rurales o durante un corte de internet.
• Evitar pagos mensuales: los modelos abiertos son gratuitos de usar y la licencia Apache 2.0 de algunos (como gpt-oss) permite hasta uso comercial.

Qué hardware necesita (y qué no)

No necesita un computador gamer ni una estación de trabajo. Estos son los requisitos reales según la documentación oficial de LM Studio:

• Windows: procesador de 64 bits con soporte AVX2 (casi cualquier PC de los últimos diez años), 16 GB de RAM recomendados y, idealmente, una tarjeta gráfica con 4 GB o más de VRAM.
• Mac: cualquier chip Apple Silicon (M1 en adelante) con macOS 14 o superior. Los modelos recomiendan 16 GB de RAM; con 8 GB aún funciona, pero limitado a modelos pequeños.
• Linux: Ubuntu 20.04 o superior, en equipos de 64 bits.

¿No tiene tarjeta gráfica? No hay problema: los modelos también corren usando solo el procesador y la RAM, aunque más despacio. La regla práctica es esta:

• Con 8 GB de RAM: limítese a modelos pequeños de 3B a 4B parámetros (como Qwen3 4B o Gemma 3 4B).
• Con 16 GB de RAM: ya puede correr modelos medianos potentes, incluido gpt-oss-20b de OpenAI, que está optimizado para caber en 16 GB de memoria.
• Con GPU de 8 GB o más de VRAM: los modelos responden mucho más rápido, porque la tarjeta gráfica hace el trabajo pesado.

Qué esperar: expectativas realistas

Antes de empezar, conviene ajustar expectativas para no llevarse sorpresas:

• Velocidad: un modelo pequeño en un PC normal genera respuestas a ritmo de lectura humana (entre 10 y 30 palabras por segundo). Sin GPU, los modelos grandes pueden sentirse lentos.
• Calidad: los modelos locales de 2026 son sorprendentemente capaces para redactar, resumir y responder preguntas, pero siguen por debajo de los gigantes en la nube en razonamiento complejo y datos muy recientes.
• Conocimiento: el modelo solo sabe lo que vio durante su entrenamiento. Sin internet, no puede decirle las noticias de hoy ni el clima de mañana.
• Espacio en disco: cada modelo ocupa entre 2 GB y 15 GB. Reserve espacio antes de descargar.

Paso a paso: su primera IA local con LM Studio

LM Studio es gratuito, tiene interfaz gráfica y funciona en Windows, Mac y Linux. Este es el proceso completo:

1. Descargue LM Studio desde su sitio oficial (lmstudio.ai) e instálelo como cualquier otro programa.
2. Abra la aplicación y vaya a la sección de búsqueda de modelos (el ícono de lupa).
3. Elija un modelo según su hardware. Para 16 GB de RAM, busque “gpt-oss-20b”; para 8 GB, busque “Qwen3 4B” o “Gemma 3 4B”. La propia aplicación marca con un indicador qué modelos caben en su equipo.
4. Descargue el modelo. La primera descarga tarda según su conexión: son varios gigabytes.
5. Abra un chat nuevo (ícono de conversación) y seleccione el modelo descargado en la parte superior.
6. Escriba su primer mensaje y presione Enter. El modelo responde ahí mismo, en su computador.
7. Compruebe que es local: desconecte el Wi-Fi y vuelva a preguntar. Seguirá respondiendo, porque todo corre en su máquina.

Una prueba práctica con datos ficticios

Para verificar que todo funciona, haga esta prueba sencilla. Copie este texto inventado en el chat:

“Clasifica estos gastos del mes en ‘hogar’, ‘transporte’ o ‘comida’, y súmalos por categoría: supermercado $420.000, gasolina $180.000, recibo de luz $95.000, almuerzos $240.000, internet $80.000, bus $60.000.”

Un modelo pequeño de 4B parámetros debería responder en segundos con algo como: comida $660.000, transporte $240.000, hogar $175.000. Si obtiene una respuesta coherente como esa, su IA local está lista para usarse.

Si usa Mac, ENTER ya explicó cómo usar gpt-oss de OpenAI en modo local.

Consejos finales

• Empiece pequeño: pruebe primero un modelo de 4B y suba de tamaño solo si su equipo responde bien.
• Cierre programas pesados (navegadores con muchas pestañas, editores de video) mientras el modelo corre, para liberar RAM.
• Explore alternativas: además de LM Studio existen Ollama (para terminal) y GPT4All, todos gratuitos.
• Actualice los modelos: la escena de la IA abierta avanza rápido; cada pocos meses aparecen versiones mejores del mismo tamaño.

Con esto ya tiene todo lo necesario para correr inteligencia artificial en su propio computador: gratis, privado y sin depender de la nube.

Fuentes: documentación oficial de requisitos de LM Studio (lmstudio.ai/docs) y ficha técnica de gpt-oss-20b en Hugging Face (huggingface.co/openai/gpt-oss-20b).

El anuncio se realizó el 21 de octubre de 2026. El acceso al asistente se gestiona mediante una lista de espera para suscriptores de Claude Pro y Max, dentro de una versión preliminar de investigación. Utiliza el modelo Claude Opus 5.5 y comparte los límites de uso de las suscripciones existentes.

Una de sus funciones principales es preparar un resumen cada mañana con los asuntos más importantes encontrados en las aplicaciones conectadas. Durante el resto del día, revisa esos servicios y envía notificaciones cuando detecta algo que requiere atención, como una reunión pendiente o una tarea que necesita una decisión.

El asistente también permite delegar actividades concretas. Entre los ejemplos presentados por Anthropic están programar reuniones, elaborar informes, preparar previsiones financieras y de ventas, construir paneles para consultar datos y desarrollar aplicaciones web. Estas funciones están dirigidas principalmente a profesionales y pequeños negocios.

Qué puede hacer con las aplicaciones conectadas

Claude Duet puede trabajar con servicios como Gmail, Google Calendar, Google Drive y Slack, entre otras herramientas compatibles. Su funcionamiento depende de las integraciones habilitadas y de los permisos concedidos para acceder a la información de cada servicio.

A partir de esos datos, puede preparar documentos relacionados con una reunión, revisar compromisos de una agenda y completar trabajos que normalmente requieren utilizar varias aplicaciones. Esta función amplía las capacidades de Claude para realizar tareas en un computador.

Quiénes pueden utilizarlo y cómo protege los datos

Quienes quieran probarlo deben inscribirse en la lista de espera y recibir acceso antes de comenzar a utilizarlo. Anthropic no ha anunciado una fecha para ampliar su disponibilidad a otros países.

En materia de seguridad, la compañía explica que Claude Duet no puede consultar directamente contraseñas ni tokens de inicio de sesión. También incorpora controles para impedir la divulgación de información especialmente confidencial, como números de tarjetas de crédito y documentos oficiales de identidad.

Los datos relacionados con la salud o las finanzas personales solo pueden compartirse mediante una autorización explícita. Asimismo, operaciones como enviar mensajes o realizar pagos requieren aprobación previa.

Imagen: Anthropic

El caso fue expuesto por Humberto Pareja Quintero, estratega y mentor empresarial con más de 12 años de experiencia en innovación, transformación digital y desarrollo de negocios, durante un encuentro de Next Move, una iniciativa de Holberton Coderise que organiza sesiones semanales para compartir conocimientos y experiencias con profesionales de distintas áreas. En esta ocasión, la conversación estuvo centrada en los desafíos que enfrentan los emprendimientos de software para convertirse en empresas rentables y sostenibles.

Aunque no reveló el nombre de la compañía por motivos de confidencialidad, explicó que el proyecto terminó atrapado en un ciclo de desarrollo permanente. Cada nueva función aplazaba su salida al mercado.

El problema, según Pareja, es que muchos emprendedores tecnológicos concentran sus esfuerzos en construir productos cada vez más completos, sin comprobar suficientemente si existen clientes dispuestos a pagar por ellos.

Para el especialista, saber programar y dirigir una empresa requieren capacidades diferentes. Un desarrollador puede crear una herramienta técnicamente avanzada, pero necesita comprender cómo comercializarla, organizar un equipo y generar ingresos recurrentes.

Esta dificultad aparece incluso después de conseguir los primeros compradores. Una startup puede tener tres clientes que pagan mensualmente por su software y continuar durante meses sin aumentar esa cifra. En esos casos, el obstáculo no necesariamente está en la tecnología.

Pareja, quien ha ocupado cargos directivos en ParqueSoft y ha participado como mentor en programas de emprendimiento, sostiene que las empresas tecnológicas deben organizar tres actividades desde sus primeras etapas: desarrollo del producto, mercadeo y ventas.

La distinción entre las dos últimas resulta especialmente importante. Publicar anuncios en redes sociales puede atraer interesados, pero eso no significa que exista un proceso para convertirlos en clientes.

¿Cómo pasar de desarrollar software a construir una empresa rentable?

Una de las recomendaciones de Pareja es aplicar al negocio la misma lógica utilizada en ingeniería de software: identificar procesos, medir resultados, detectar fallas y realizar ajustes.

Por ejemplo, si una startup recibe 40 oportunidades comerciales mensuales y consigue únicamente dos clientes, necesita determinar qué ocurre durante la negociación. Puede haber dificultades en la comunicación, en la identificación de compradores potenciales o en la presentación de la propuesta.

Antes de contratar más desarrolladores o aumentar la inversión publicitaria, el empresario debería conocer cuántas personas solicitan información, cuántas reciben una propuesta y cuántas terminan comprando.

Otro aspecto es la especialización. Una compañía que desarrolla software para hospitales necesita comprender la operación de las instituciones médicas, sus obligaciones regulatorias y el tratamiento de información sensible. El conocimiento técnico, por sí solo, no garantiza que el producto responda a esas necesidades.

Te puede interesar: Esta IA puede descubrir cómo funciona casi cualquier programa sin tener su código fuente

También cambia el trabajo del fundador. Al principio puede encargarse de programar, vender y atender clientes, pero mantener todas esas responsabilidades limita las posibilidades de crecimiento.

Por eso, Pareja recomienda definir funciones, documentar procedimientos y delegar actividades progresivamente. Incluso una empresa pequeña puede comenzar con registros sencillos de clientes y oportunidades comerciales, sin necesidad de invertir en plataformas complejas.

El seguimiento tampoco termina cuando se concreta una venta. La implementación del software, la atención de solicitudes y la relación con los compradores influyen en la permanencia de los clientes.

Para quienes están construyendo una startup, el especialista propone revisar primero dónde se están perdiendo las oportunidades comerciales. Esa evaluación puede revelar que el siguiente paso para crecer no es escribir más código, sino conseguir que el producto existente llegue a quienes realmente lo necesitan.

OpenAI comenzó a implementar esta opción el 20 de octubre de 2026. Para utilizarla, se puede establecer una clave de cuatro dígitos o recurrir a Face ID y Touch ID en equipos compatibles. Una vez activado el bloqueo, la conversación pasa a una sección llamada «Chats bloqueados», separada del historial principal.

A diferencia de los chats temporales, que no aparecen entre las conversaciones anteriores, los protegidos conservan los mensajes y permiten retomarlos posteriormente. Además, quedan fuera de la lista de elementos fijados y los resultados de búsqueda habituales.

Para activar la protección, hay que abrir el menú de tres puntos del chat, seleccionar «Bloquear chat» y confirmar la operación. Después se crea o introduce el PIN. Cuando se quiera recuperar la conversación, basta con ingresar a «Chats bloqueados» y completar la autenticación. También es posible retirar la restricción para devolverla a la lista principal.

La función se está habilitando gradualmente en los planes Free, Go, Plus, Pro, Business, Enterprise y Edu, por lo que todavía podría no aparecer en todas las cuentas.

Qué ocurre con la privacidad y la memoria

Según la documentación oficial de OpenAI, esta medida restringe el acceso a los mensajes, pero no incorpora cifrado de extremo a extremo ni modifica los plazos de conservación de datos. Tampoco cambia la configuración «Mejorar el modelo para todos», relacionada con el uso de las conversaciones para entrenar la inteligencia artificial.

La configuración de privacidad sigue siendo importante al compartir información confidencial con herramientas de IA. Cuando la memoria está activada, los chats bloqueados mantienen un espacio independiente. Los nuevos datos recordados allí no pasan a las conversaciones normales, aunque permanece cualquier información almacenada anteriormente.

Restablecer un PIN olvidado elimina permanentemente todos los chats bloqueados y sus archivos. En cambio, si se conoce la clave anterior, es posible modificarla sin perder ese material.

La opción no admite conversaciones temporales, archivadas, grupales, creadas mediante enlaces compartidos ni aquellas con tareas programadas o grabaciones de reuniones. Tampoco está disponible en ChatGPT para el sector salud.

Imagen: ENTER.CO / Generada con IA (ChatGPT)

¿Qué es exactamente DeepInfer?

Es un framework de inferencia, la capa de software que ejecuta un modelo de IA ya entrenado para responder solicitudes a gran escala. Según su documentación, es el mismo sistema que sostiene los servicios en producción de DeepSeek, y esta primera versión abierta soporta el modelo DeepSeek-V4.1-Flash con funciones pensadas para operación real:

• Kernels optimizados (FlashMLA, DeepGEMM, DeepEP, TileKernels) y paralelismo avanzado para distribuir el modelo en varios aceleradores.
• DSpark, una técnica de decodificación especulativa que usa borradores de tokens para acelerar la generación.
• Programación asíncrona de lotes, para que el CPU nunca deje esperando al GPU.
• Inferencia invariante por lote y muestreo determinista: las respuestas son idénticas sin importar cómo se agrupen las solicitudes, algo clave para pruebas y auditorías (por ahora, solo en hardware NVIDIA).
• Salidas estructuradas: se puede obligar al modelo a responder siguiendo una expresión regular, un esquema JSON o una gramática EBNF.

Los números que encendieron la discusión

En la conversación de Hacker News circuló un análisis técnico con cifras de la propia DeepSeek: usando este framework, un solo clúster sirviendo DeepSeek V4.1 Flash alcanzaría un rendimiento de 155 billones de tokens por día, con ingresos de US$38 por tarjeta por hora en horario de menor demanda. Son cifras de la compañía, no de un tercero independiente, pero alimentaron un debate interesante: si servir modelos es rentable a esos niveles, la inferencia se está convirtiendo en un commodity, y eso presiona los precios de toda la industria.

¿Por qué importa que sea abierto?

Hasta ahora, quien quisiera servir modelos de DeepSeek a gran escala dependía de frameworks de la comunidad como vLLM o SGLang. Con DeepInfer, la propia DeepSeek publica su stack de producción, lo que sube la vara de desempeño para esos proyectos y da a las empresas una ruta oficial para correr los modelos en su propia infraestructura, sin enviar datos a terceros. Para equipos latinoamericanos que construyen sobre modelos abiertos, es una opción más para desplegar con control total.

Fuentes:
Repositorio oficial de DeepInfer en GitHub: github.com/deepseek-ai/DeepInfer
Discusión en Hacker News: news.ycombinator.com

El ejercicio no prueba la precisión de ChatGPT, Gemini, Claude ni de ninguna herramienta concreta. El resumen con errores se redactó a propósito para imitar las fallas que la literatura documenta. Lo que sí se ejecutó de verdad es la verificación, y esa es la parte que cualquiera puede repetir antes de usar un resumen para decidir algo.

El ejercicio: un informe ficticio y un resumen con trampas

El documento base es un informe trimestral inventado de una cooperativa cafetera, generado como PDF con un programa corto. Contiene cifras concretas: ingresos de US$1.240.500, 18 empleados, operación en Huila, Nariño y Cauca, una reserva de emergencia de US$96.000 y una advertencia de que las cifras de Nariño son preliminares.

El resumen bajo revisión imita las salidas de un asistente: fluido, ordenado y con cuatro errores plantados. Cambia los ingresos a US$1.420.500, convierte los 18 empleados en 81, inventa un crecimiento de 25% y declara definitivas las cifras que el documento marca como preliminares. Este es el resultado de la comprobación:

Ninguno de estos errores se nota leyendo el resumen con confianza. Todos se notan al cruzarlo contra la fuente, que es exactamente el paso que el formato de conversación invita a saltarse.

Por qué un resumen convincente puede estar mal

Los asistentes actuales no copian frases: las reformulan. Ese estilo abstractivo es lo que los hace legibles y también lo que les permite cambiar un número, exagerar una tendencia o mezclar datos de dos secciones sin que el tono delate nada. Un estudio de la ACL de 2023 que reunió anotaciones de errores de nueve conjuntos de datos concluye que ninguna métrica automática detecta bien todos los tipos de error, y que el desempeño varía según el modelo y el tipo de falla.

Hay además límites de entrada que conviene conocer. Anthropic documenta que Claude acepta hasta 100 páginas por solicitud, o 600 en ventanas de contexto ampliadas, y que un PDF denso, con letra pequeña o tablas complejas, puede agotar la capacidad antes de llegar a ese techo. Un informe largo puede quedar parcialmente procesado sin que el resumen lo advierta.

El caso más delicado es el documento escaneado: si el PDF es una foto de páginas, la herramienta depende de interpretar imágenes y la extracción de cifras se vuelve más frágil. Ante un contrato o un estado de cuenta escaneado, la verificación deja de ser opcional.

La lista de verificación de cinco minutos

Antes de usar cualquier resumen generado, cruce estos puntos contra el PDF original. Primero, cada cifra del resumen: búsquela textualmente en el documento y revise que el contexto coincida, porque un número correcto en el lugar equivocado también es un error. Después, nombres, fechas y porcentajes, con la misma regla.

El tercer punto son las salvedades: palabras como preliminar, estimado, borrador o sujeto a cambios son las primeras que un resumen tiende a perder, y suelen ser las que más importan. Cuarto, lo omitido: si el documento menciona riesgos, multas o reservas y el resumen no, el panorama quedó incompleto. Por último, pida a la herramienta que indique la página de cada afirmación clave y compruebe que exista; si no puede señalarla, la afirmación no está verificada.

Una regla previa: no cargue contratos, nóminas ni estados financieros reales a un asistente externo sin autorización. Como ya explicamos en la guía para limpiar Excel con IA sin perder datos, una muestra ficticia con la misma estructura suele bastar para ensayar el procedimiento.

La comprobación local que ejecutamos

La segunda capa es un programa corto que corre sin conexión y sin suscripciones. Extrae el texto del PDF con la utilidad pdftotext, lista los números del resumen que no aparecen en el documento y revisa parejas de palabras en tensión, como preliminar frente a definitivo. Sobre el ejercicio produjo exactamente esto: los números 25, 81 y 1420500 no existen en la fuente, hay contradicción entre preliminar y definitivo, y el resumen omite la reserva.

import re, subprocess, unicodedata

def normaliza(s):
    s = unicodedata.normalize('NFKD', s)
    return ''.join(ch for ch in s
                   if not unicodedata.combining(ch)).lower()

def numeros(texto):
    crudos = re.findall(r'\d[\d.,]*\d|\d', texto)
    return {n.replace('.', '').replace(',', '') for n in crudos}

fuente = subprocess.run(
    ['pdftotext', '-layout', 'informe_ficticio.pdf', '-'],
    capture_output=True, text=True).stdout
resumen = open('resumen_bajo_revision.txt').read()

extra = numeros(resumen) - numeros(fuente)
print('Numeros que no aparecen en el documento:', extra or 'ninguno')

nf, nr = normaliza(fuente), normaliza(resumen)
for a, b in [('preliminar', 'definitiv'), ('borrador', 'final')]:
    if a in nf and b in nr:
        print(f'Contradiccion: documento "{a}", resumen "{b}"')

El programa tiene límites honestos: no entiende el significado, no detecta una cifra correcta usada en el contexto equivocado y no juzga si la omisión importa. Su valor es reducir la lista de sospechosos a lo que merece revisión humana, en segundos y sin enviar el documento a ningún servidor.

La conclusión práctica se resume en una costumbre: un resumen de IA es un borrador de lectura, no una versión del documento. Se usa para ubicarse rápido y se verifica antes de citar una cifra, firmar algo o tomar una decisión. Los cinco minutos de comprobación son parte del trámite, no un extra.

Fuentes: Anthropic, Compatibilidad con PDF; Tang y otros, Understanding Factual Errors in Summarization (ACL 2023).

La forma de reducir ese riesgo es pedir propuestas, conservar el original y definir controles que se puedan contar. Esta guía usa ocho registros ficticios y una prueba local con Python y pandas. No es una prueba de uso de Copilot ni una medición de su precisión.

Primero, decida qué no se puede cambiar

Trabaje en una copia. No cargue nombres de clientes, documentos, salarios ni información comercial en un asistente externo sin autorización. Para pedir una fórmula o un programa, suele bastar una muestra inventada con los mismos encabezados y problemas.

En este ejercicio, los identificadores deben conservarse como texto. Las fechas con barras se marcan para revisión, sin decidir si el día va antes del mes. Los importes solo se consideran uniformes si tienen punto y dos decimales; los demás se conservan, no se convierten a cero.

La regla para nombres es más limitada: proponer la eliminación de espacios al principio y al final. No cambia mayúsculas, tildes ni espacios internos. “José” y “JOSE” no se fusionan. Una fila repetida se señala, pero no se borra: dos transacciones pueden coincidir sin ser un error.

Un encargo que puede copiar en su asistente de IA es este:

“Propón una limpieza para un archivo con columnas id, nombre, fecha e importe. No sobrescribas el archivo original ni elimines filas. Conserva id como texto y no adivines fechas ni separadores decimales. Añade nombre_propuesto quitando solo espacios de los extremos. Marca fechas con barras, importes que no sigan el patrón de punto y dos decimales, y todas las filas exactamente duplicadas. Entrega hojas Original, Revision y Control, con conteos de entrada y salida. Antes de generar código, enumera tus supuestos. Usa solo la muestra ficticia”.

Una muestra pequeña para descubrir errores grandes

Cree un libro llamado muestra.xlsx, con estos cuatro encabezados en la primera hoja y en este orden. Antes de escribir los datos, aplique formato Texto a las cuatro columnas. Las marcas [espacio] representan espacios reales; no copie esa palabra ni sus corchetes.

Los controles esperados son ocho filas de entrada y ocho de salida, dos nombres con espacios, una fecha para revisar, dos importes para revisar y dos filas marcadas como duplicadas. Son dos filas dentro de un mismo grupo repetido, no dos grupos.

Si su herramienta produce siete filas, convierte 001 en 1 o interpreta 03/04/2026 sin preguntarle, no ha cumplido el encargo. Que el resultado tenga una explicación convincente no lo vuelve correcto.

Cómo repetir la comprobación sin una suscripción de IA

El siguiente programa se ejecutó sobre esa muestra en un equipo con Python, pandas y openpyxl. Generó las tres hojas, conservó los ocho registros y dejó intactos los identificadores, la fecha ambigua, los importes originales y las tildes. Al repetirlo con la salida ya creada, se detuvo para no sobrescribirla.

Si ya trabaja con Python, instale las dependencias con python -m pip install pandas openpyxl. Guarde el código como limpieza.py en la carpeta de la muestra y ejecute python limpieza.py. Revise cualquier código que le entregue una IA antes de ejecutarlo. Este programa solo lee el libro indicado y escribe un archivo nuevo llamado revision.xlsx; no necesita conectar Excel con un servicio de IA.

import pandas as pd
from pathlib import Path

entrada = Path('muestra.xlsx')
salida = Path('revision.xlsx')
if entrada.resolve() == salida.resolve() or salida.exists():
    raise SystemExit('La salida ya existe o coincide con la entrada.')
df = pd.read_excel(entrada, dtype=str, keep_default_na=False)
requeridas = ['id', 'nombre', 'fecha', 'importe']
if list(df.columns) != requeridas:
    raise ValueError('Revisa las columnas y su orden.')
rev = df.copy()
rev.insert(0, 'fila_excel', range(2, len(df) + 2))
rev['nombre_propuesto'] = df['nombre'].str.strip()
rev['fecha_revisar'] = df['fecha'].str.contains('/', regex=False)
patron = r'[0-9]+\.[0-9]{2}'
rev['importe_revisar'] = ~df['importe'].str.fullmatch(patron)
rev['duplicado_revisar'] = df.duplicated(subset=requeridas, keep=False)
cambios = (df['nombre'] != rev['nombre_propuesto']).sum()
resumen = pd.DataFrame({
    'control': ['filas_entrada', 'filas_revision',
                'nombres_con_espacios',
                'fechas_revisar', 'importes_revisar', 'filas_duplicadas'],
    'valor': [len(df), len(rev), cambios,
              rev['fecha_revisar'].sum(), rev['importe_revisar'].sum(),
              rev['duplicado_revisar'].sum()]
})
with pd.ExcelWriter(salida, engine='openpyxl') as writer:
    df.to_excel(writer, sheet_name='Original', index=False)
    rev.to_excel(writer, sheet_name='Revision', index=False)
    resumen.to_excel(writer, sheet_name='Control', index=False)
print(resumen.to_string(index=False))

Abra revision.xlsx y compare la hoja Control con los conteos esperados. La columna fila_excel ayuda a regresar al registro de origen. La hoja Original conserva los valores leídos para este ejercicio; no es una copia completa del libro, de sus fórmulas, estilos, comentarios o macros. Mantenga el archivo original aparte.

Leer una columna como texto tampoco recupera ceros que Excel ya perdió antes de guardarla. Este ejemplo comprueba reglas concretas sobre datos de texto: no valida que una fecha exista, no detecta todos los problemas contables y no sirve para aprobar un cierre financiero.

Si prefiere Copilot, revise propuesta por propuesta

Microsoft documenta la ruta Datos > Limpiar datos para las cuentas que tienen la función. Permite aplicar o ignorar sugerencias de espacios, números, formato y ortografía. La compañía advierte que la limpieza funciona mejor en inglés, un límite relevante para tablas con nombres y descripciones en español.

Enter ya contó el lanzamiento de la limpieza de datos con Copilot. La comprobación propuesta aquí sirve para revisar su resultado o el de otro asistente, sin asumir que todas las cuentas tienen el mismo acceso. Si la opción no aparece, no compre una suscripción solo para repetir esta muestra.

Antes de sustituir una tabla de trabajo, revise las filas marcadas y documente qué decisión tomó en cada caso. No sume importes de monedas distintas ni apruebe totales mientras queden separadores sin resolver. El archivo limpio se acepta cuando conserva lo que debía conservar y explica cada cambio, no cuando desaparecen los avisos.

Fuentes: Microsoft Support, Clean up your data with Copilot in Excel; documentación de pandas, lectura y escritura de archivos Excel.