SG Buzz

¿Quieres ayudar a construir el estudio más completo sobre trabajo tech en LATAM? Participa en SG Tech Pulse 2026

Fernando — Thu, 09 Jul 2026 00:39:30 +0000

¿Quieres ayudar a construir el estudio más completo sobre trabajo tech en LATAM? Participa en SG Tech Pulse 2026

Fernando Wed, 07/08/2026 - 18:39

Durante años, los salarios fueron uno de los indicadores más importantes para entender la evolución de la industria tecnológica.

Nos ayudaban a responder preguntas como: ¿qué roles tienen mayor demanda?, ¿qué tecnologías generan mejores oportunidades?, ¿cómo evolucionan las compensaciones conforme avanza una carrera profesional?

Pero hoy esas preguntas ya no son suficientes.

La llegada de la inteligencia artificial está transformando la industria tecnológica a una velocidad sin precedentes. Nuevas herramientas están modificando procesos completos de desarrollo, análisis de datos, pruebas, diseño, operaciones e incluso liderazgo técnico. Al mismo tiempo, están surgiendo nuevos roles, nuevas habilidades y nuevas expectativas tanto para profesionales como para organizaciones.

En este contexto, los datos que describían el mercado laboral hace apenas unos años ya no reflejan completamente la realidad actual.

Por eso, Software Guru ha lanzado SG Tech Pulse 2026: Estudio de Salarios, IA, Diversidad e Inclusión y Carreras Tecnológicas en LATAM.

Más que una encuesta, se trata de una investigación colaborativa que busca entender cómo está evolucionando el trabajo tecnológico en América Latina.

Un mercado que está siendo redefinido

La conversación sobre inteligencia artificial suele enfocarse en herramientas, modelos o productividad. Sin embargo, existe una pregunta igual de importante: ¿Cómo está impactando la IA a las personas que trabajan en tecnología?

Estamos observando cambios significativos en múltiples dimensiones:

Nuevas habilidades se vuelven indispensables.
Algunas tareas se automatizan parcial o totalmente.
Surgen nuevas oportunidades profesionales.
Cambian los criterios de contratación.
Evolucionan los modelos de trabajo remoto.
Aparecen nuevas expectativas salariales.
Se redefinen las competencias que las empresas consideran estratégicas.

Mientras estos cambios ocurren, miles de profesionales intentan responder preguntas fundamentales para su futuro:

¿Qué habilidades debo desarrollar?
¿Qué tecnologías tienen mayor proyección?
¿Mi compensación sigue siendo competitiva?
¿Cómo afecta la IA a mi rol?
¿Qué oportunidades existen fuera de mi mercado local?
¿Existen diferencias salariales entre distintos grupos de profesionales?

Responder estas preguntas requiere algo más que opiniones. Requiere datos.

Más allá de los salarios

Durante mucho tiempo, los estudios salariales se concentraron exclusivamente en la compensación económica. Hoy necesitamos una visión más amplia. Por eso SG Tech Pulse 2026 incorpora nuevas dimensiones que nos permitirán entender con mayor profundidad lo que está ocurriendo en la industria:

Salarios y compensación

Seguiremos analizando información relacionada con salarios, bonos, prestaciones, modalidades de contratación y esquemas de compensación.

Inteligencia Artificial

Buscamos identificar cómo las herramientas de IA están impactando el trabajo diario, la productividad, las oportunidades profesionales y la percepción de valor de distintas especialidades.

Trabajo remoto y contratación internacional

La globalización del talento tecnológico continúa transformando el mercado laboral.

Queremos entender cómo evolucionan las oportunidades remotas, los esquemas híbridos y la contratación internacional.

Diversidad e inclusión

Uno de los objetivos más importantes de esta edición es generar información que ayude a identificar posibles brechas relacionadas con género, representación y equidad dentro de la industria tecnológica.

Contar con datos confiables es el primer paso para impulsar conversaciones informadas y acciones efectivas.

Desarrollo profesional

También exploraremos cómo evolucionan las carreras tecnológicas, qué habilidades generan mayores oportunidades y cuáles son los factores que impulsan el crecimiento profesional.

Una investigación construida por la comunidad

Ningún estudio puede explicar la realidad de la industria sin la participación activa de quienes la construyen todos los días. Por eso SG Tech Pulse 2026 está diseñada específicamente para perfiles de tecnología de toda Latinoamérica, incluyendo perfiles de desarrollo de software, datos, inteligencia artificial, DevOps, QA, arquitectura, liderazgo técnico, producto y disciplinas relacionadas.

Cada respuesta ayuda a construir una imagen más precisa del mercado laboral tecnológico actual.

Nuestro objetivo es generar información útil para:

Profesionales que buscan tomar mejores decisiones de carrera.
Líderes tecnológicos que necesitan comprender tendencias del mercado.
Empresas que desean construir estrategias más competitivas y equitativas.
Comunidades interesadas en el desarrollo sostenible de la industria.
Medios y organizaciones que requieren información confiable para analizar el sector.

Transparencia y privacidad

Sabemos que compartir información relacionada con compensaciones y trayectoria profesional requiere confianza. Por ello, todas las respuestas serán procesadas de manera confidencial y analizadas únicamente de forma agregada.

No se publicará información individual ni datos que permitan identificar a participantes específicos.

Como siempre, nuestro compromiso es generar conocimiento para la comunidad respetando la privacidad y ética en el manejo de información.

Una invitación a construir el mapa del futuro

La industria tecnológica de América Latina atraviesa un momento decisivo. Los cambios impulsados por la inteligencia artificial, la globalización del talento y la evolución de los modelos de trabajo están redefiniendo lo que significa construir una carrera en tecnología.

Queremos entender esos cambios con evidencia, no con suposiciones. Por eso te invitamos a participar en SG Tech Pulse 2026.

Completar el estudio toma aproximadamente entre 10 y 12 minutos.

Tu participación contribuirá a generar una visión más completa sobre salarios, inteligencia artificial, diversidad, inclusión y desarrollo profesional en la región. Porque para entender hacia dónde va la industria, primero necesitamos escuchar a quienes la están construyendo.

Participa en SG Tech Pulse 2026 y ayúdanos a medir el presente para comprender el futuro del trabajo tecnológico en Latinoamérica.

Pedro Galván

Más allá del Chatbot: La Evolución hacia la Inteligencia Artificial Operativa en las MIPYMES

Fernando — Wed, 08 Jul 2026 21:19:40 +0000

Más allá del Chatbot: La Evolución hacia la Inteligencia Artificial Operativa en las MIPYMES

Fernando Wed, 07/08/2026 - 15:19

En la era del exceso de información, la Inteligencia Artificial se ha convertido en un objeto de consumo masivo, pero no necesariamente de utilidad operativa. Existe una saturación de herramientas (una nueva solución surge cada semana) que genera una "parálisis por análisis" en la toma de decisiones. Sin embargo, bajo el ruido publicitario, surge una pregunta crítica que los líderes empresariales deben hacerse: ¿Está la IA realmente ayudando a resolver los problemas de negocio o simplemente está automatizando tareas superficiales?

En el contexto de las Micro, Pequeñas y Medianas Empresas (MIPYMES) en México, que representan más del 70% de la ocupación laboral, la brecha tecnológica no es un tema menor; es un cuello de botella estratégico.

El fin de la era del "Googleo" y el inicio de la Conversación Estratégica

Tradicionalmente, cuando surgía una duda operativa o estratégica en la organización, la respuesta dependía de la latencia humana: consultar al gerente, solicitar un reporte al área de finanzas o cruzar datos manualmente en hojas de cálculo desactualizadas. El paradigma ha cambiado. La transición cultural es clara: de "googlear" una duda a interrogar a un modelo de lenguaje.

Sin embargo, los modelos de lenguaje generales (como GPT o Claude) enfrentan una limitación fundamental: el desconocimiento del contexto específico del negocio. Un modelo general puede redactar correos o resumir textos, pero carece de visibilidad sobre los datos críticos de la empresa: el flujo de caja en tiempo real, el estado exacto del inventario o el comportamiento del cliente más rentable. Aquí es donde surge la necesidad de un copiloto empresarial.

El Desafío Técnico: Arquitectura, Normalización y RAG

Desde una perspectiva de ingeniería de software y ciencia de datos, el reto de implementar un copiloto empresarial (denominado, en este caso, CONNIE) no reside en el entrenamiento de modelos de lenguaje, sino en la arquitectura de datos y la capacidad de inferencia sobre fuentes fragmentadas.

El despliegue de una solución de esta naturaleza implica resolver tres pilares técnicos críticos:

Integración de Silos de Datos: La realidad de las MIPYMES es heterogénea. La información reside en sistemas dispares: CRMs, ERPs, bases de datos SQL y, frecuentemente, estructuras no normalizadas como archivos de Excel. La arquitectura debe ser capaz de ingerir y normalizar estas fuentes antes de cualquier procesamiento semántico.

Implementación de Arquitectura RAG (Retrieval-Augmented Generation): El valor diferencial no está en el modelo base, sino en la capacidad de recuperar información precisa (RAG) de los repositorios internos de la empresa. El sistema no debe "inventar"; debe responder basándose exclusivamente en los datos propietarios de la organización.

Observabilidad y Trazabilidad: Para que un tomador de decisiones confíe en una IA, el sistema debe ser auditable. La inmediatez en la respuesta no debe sacrificar la precisión, lo que obliga a implementar capas de validación que aseguren que el dato proyectado sea coherente con el histórico real.

La Democratización del Dato como Ventaja Competitiva

El objetivo de un Copiloto Empresarial no es reemplazar al capital humano, sino cerrar la brecha entre el dato bruto y la acción estratégica. Al democratizar el acceso a la IA, se permite que un director general pueda obtener proyecciones de ventas o estados de producción mediante una consulta en lenguaje natural, eliminando la fricción operativa de esperar informes estáticos que llegan cuando la oportunidad de mercado ya ha pasado.

En un entorno económico como el actual, donde la competitividad se define por la capacidad de capitalizar oportunidades (como el nearshoring), la inmediatez en la obtención de insights es la diferencia entre liderar el mercado y ser un espectador.

Conclusión: La IA como un asesor, no solo como una herramienta

El éxito en la implementación de IA para MIPYMES no se mide por la sofisticación del algoritmo, sino por la adopción cultural y la integración profunda en el ADN del negocio. Estamos ante el surgimiento de una nueva clase de software: un asesor que "habla" con la empresa.

La verdadera innovación tecnológica en el sector empresarial no busca convertir a los directivos en programadores, sino devolverles lo más valioso que tiene un negocio: el tiempo para tomar decisiones basadas en información veraz, estructurada y, sobre todo, inmediata.

Pedro Galván

El Fin de la "Generación Espontánea": Cómo Construir una Estrategia de IA Empresarial Sostenible

Fernando — Wed, 08 Jul 2026 20:37:03 +0000

El Fin de la "Generación Espontánea": Cómo Construir una Estrategia de IA Empresarial Sostenible

Fernando Wed, 07/08/2026 - 14:37

Durante siglos, la ciencia fue presa de la creencia en la "generación espontánea". Se pensaba, erróneamente, que la vida surgía del vacío; que los granos de trigo se transformaban mágicamente en ratones o que las moscas nacían del aire. Hoy, esa idea nos parece absurda. Sin embargo, en el ecosistema actual de la Inteligencia Artificial (IA) y, específicamente, en la IA generativa, estamos siendo testigos de una nueva forma de "generación espontánea" mediática: el llamado "circo del éxito".

Los titulares abundan en narrativas simplistas: empresas que "inyectan" un poco de LLM (Large Language Models) en sus procesos, despiden talento y ahorran millones de la noche a la mañana. Pero la realidad técnica y operativa es significativamente más compleja. Detrás de una implementación exitosa no hay magia, sino arquitectura, gobernanza y datos.

Para las organizaciones que buscan transitar de la experimentación al valor real, el éxito no depende de elegir entre Gemini, Mistral o cualquier otro modelo de vanguardia. Depende de un marco estratégico sólido. Jorge Gaonas, Arquitecto de Soluciones, propone una metodología basada en el acrónimo ORDER, un framework que desmitifica la implementación de IA y la convierte en una disciplina de ingeniería.

El Framework ORDER: Los Pilares de la Inteligencia Artificial Empresarial

Una estrategia exitosa no comienza con la tecnología, comienza con la definición de valor. El framework ORDER (Oportunidad, Recursos, Desarrollo, Riesgos) proporciona la estructura necesaria para evitar el overkill tecnológico y garantizar la adopción.

1. Oportunidad (O)

El primer error común es la solución en busca de un problema. Una implementación de IA debe atacar una fricción real o una oportunidad de mejora tangible para el cliente o el colaborador. ¿Es un cuello de botella productivo? ¿Es una ineficiencia en el flujo de trabajo? Si el proceso manual es más eficiente o intuitivo que la automatización propuesta, la IA fracasará. El valor debe ser medible; de lo contrario, es solo ruido.

2. Recursos (R)

Los datos son el combustible del motor de la IA, pero no cualquier dato. La madurez de datos de una organización se mide por su capacidad de tener datos limpios, disponibles y accesibles. La cultura de los "silos" de información, donde los departamentos protegen sus datos como secreto de estado, es el enemigo número uno de la estrategia de IA. Sin una democratización controlada y una arquitectura de datos que permita la inferencia, la IA generativa es inútil.

3. Desarrollo (D)

Aquí es donde el ingeniero debe resistir la tentación de "reinventar la rueda". La industria ya ofrece componentes robustos: desde arquitecturas de Retrieval-Augmented Generation (RAG) hasta estándares de prompting y herramientas de orquestación. La ventaja competitiva no reside en construir el modelo de lenguaje, sino en la personalización (Fine-tuning o RAG) y en la integración con las herramientas específicas del negocio. Un enfoque basado en tecnologías abiertas (Open Source) y estándares de la CNCF no solo acelera el time-to-market, sino que evita el lock-in con proveedores propietarios.

4. Riesgos (R)

La IA no es un empleado incondicional; es un agente que toma decisiones. Esto conlleva riesgos legales, de ciberseguridad y de reputación. La observabilidad es crítica: no basta con que el sistema funcione; hay que entender por qué toma las decisiones que toma. La implementación de "Firewalls de IA" y capas de validación semántica para filtrar peticiones maliciosas (como el prompt injection o la exfiltración de infraestructura) es una necesidad absoluta en entornos de producción.

Infraestructura: La Realidad Multicloud y la Inferencia

El despliegue de estas soluciones plantea el dilema de la infraestructura. La tendencia global apunta hacia una estrategia multicloud, donde el 80% de las organizaciones ya operan en múltiples nubes para maximizar la resiliencia y el costo-efectividad.

En este escenario, el enfoque estratégico debe centrarse en la inferencia. Mientras que el entrenamiento masivo de modelos puede centralizarse, la inferencia (la capacidad de ejecutar el modelo en tiempo real para el usuario final) requiere una infraestructura distribuida. Aquí es donde las soluciones de infraestructura abierta, como las que ofrecen proveedores de edge computing y nube, permiten una arquitectura de replicación donde, si una región falla o se satura ante un pico de demanda, la carga se desplaza de manera transparente.

Conclusión: Del Circo a la Ingeniería

La IA generativa, bien implementada, es una herramienta poderosa para aumentar capacidades humanas, no para reemplazar la lógica de negocio con "magia". Los líderes tecnológicos deben priorizar la observabilidad de los procesos, la gestión inteligente de costos (donde la transferencia de datos y el dimensionamiento de infraestructura son claves) y, sobre todo, la adopción de tecnologías portables.

No estamos ante una generación espontánea de éxito empresarial. Estamos ante una evolución de la ingeniería de software donde la oportunidad, los recursos, el desarrollo inteligente y la mitigación de riesgos definen quién construye el futuro y quién solo observa el circo.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

Como crear una oficina de programas de código abierto

Fernando — Wed, 08 Jul 2026 17:48:52 +0000

Como crear una oficina de programas de código abierto

Fernando Wed, 07/08/2026 - 11:48

El software de código abierto se ha convertido en uno de los pilares de la transformación digital moderna. Desde plataformas de identidad digital hasta sistemas de intercambio de datos, cada vez más gobiernos están apostando por tecnologías abiertas para reducir costos, fortalecer su soberanía tecnológica y acelerar la innovación.

Sin embargo, adoptar software de código abierto no consiste únicamente en descargar y utilizar herramientas disponibles públicamente. Para que su uso genere valor sostenible, las instituciones necesitan mecanismos de gobernanza, políticas claras y capacidades organizacionales que permitan gestionar, mantener y evolucionar estos activos digitales a largo plazo.

Con ese objetivo, el Banco Interamericano de Desarrollo (BID) publicó la guía "Cómo crear una oficina de programas de código abierto", un documento que ofrece una metodología práctica para diseñar e implementar una Oficina de Programas de Código Abierto (OSPO, por sus siglas en inglés) dentro de instituciones públicas.

¿Qué es una OSPO?

Una Oficina de Programas de Código Abierto es una unidad encargada de coordinar la estrategia, gobernanza y adopción del software de código abierto dentro de una organización.

De acuerdo con el documento, una OSPO ayuda a establecer reglas, reducir fricciones y desarrollar capacidades para que las instituciones puedan utilizar, publicar y contribuir al software de código abierto de forma segura y a escala. También puede coordinar políticas, asegurar el cumplimiento legal, definir estándares técnicos y fortalecer la relación con comunidades y ecosistemas tecnológicos.

Más allá de la tecnología

La guía enfatiza que las OSPO no deben verse únicamente como estructuras técnicas. Su propósito es traducir la adopción del código abierto en valor económico, institucional y estratégico para el Estado.

Entre los beneficios que destaca el documento se encuentran:

Reducción de costos mediante reutilización de soluciones existentes y disminución de gastos en licencias.
Mayor interoperabilidad entre sistemas públicos.
Menor dependencia de proveedores específicos.
Fortalecimiento de ecosistemas tecnológicos nacionales.
Incremento de la transparencia y la colaboración.
Impulso a la innovación y a la competitividad del mercado tecnológico local.

Una hoja de ruta para gobiernos

Uno de los principales aportes de la publicación es su enfoque metodológico para construir una estrategia OSPO.

El BID propone utilizar el Mission Model Canvas, un marco que organiza el diseño de la oficina en torno a tres grandes dimensiones:

Deseabilidad

Busca responder qué valor aportará la OSPO y para quién. Aquí se analizan las necesidades de los distintos actores involucrados, la propuesta de valor y la relación con comunidades y ecosistemas.

Factibilidad

Se enfoca en las capacidades necesarias para operar la oficina, incluyendo recursos, actividades, gobernanza, talento y alianzas estratégicas.

Viabilidad

Analiza la sostenibilidad financiera e institucional de la iniciativa, contemplando costos, fuentes de financiamiento y mecanismos para mantener el valor generado a lo largo del tiempo.

Las cuatro funciones clave de una OSPO

La guía identifica cuatro grandes áreas de trabajo para estas oficinas:

Estrategia y gobernanza.
Supervisión técnica.
Cumplimiento legal y normativo.
Desarrollo de comunidad y articulación del ecosistema.

Estas funciones permiten que el código abierto deje de ser una serie de iniciativas aisladas y se convierta en una capacidad institucional permanente.

Casos y experiencias internacionales

El documento también recoge experiencias de organizaciones y gobiernos de distintas regiones, incluyendo Francia, Uruguay, República Dominicana y Trinidad y Tobago.

Estas experiencias muestran diferentes caminos para institucionalizar el uso del código abierto, desde políticas públicas nacionales hasta modelos de colaboración con universidades, organismos multilaterales y comunidades tecnológicas.

Un recurso valioso para la transformación digital pública

La creciente dependencia de plataformas digitales hace que los gobiernos necesiten desarrollar capacidades propias para gestionar infraestructura tecnológica crítica. En ese contexto, las OSPO surgen como un mecanismo para convertir el código abierto en una política pública sostenible y no solamente en una decisión tecnológica.

La guía del BID ofrece un enfoque práctico para avanzar en esa dirección, proporcionando herramientas, modelos de madurez, listas de verificación y recomendaciones que pueden adaptarse a distintos niveles de desarrollo institucional.

Para organizaciones públicas interesadas en fortalecer su estrategia digital, fomentar la reutilización de software y construir capacidades tecnológicas de largo plazo, este documento representa una referencia relevante para comenzar el camino hacia una gobernanza efectiva del código abierto.

Descarga la guía aquí. Está disponible en inglés, español y portugués.

Luis A. Sanchez

Tu sistema AML está obsoleto: Por qué los bancos que ignoran la Analítica de Grafos perderán la batalla contra el fraude

Fernando — Wed, 03 Jun 2026 23:08:59 +0000

Tu sistema AML está obsoleto: Por qué los bancos que ignoran la Analítica de Grafos perderán la batalla contra el fraude

Fernando Wed, 06/03/2026 - 17:08

En el ecosistema financiero actual, el cumplimiento normativo ha dejado de ser un simple trámite administrativo para convertirse en una carrera armamentista tecnológica. A pesar de los esfuerzos del GAFILAT y las estrictas normativas "Conozca a su Cliente" (KYC), el lavado de dinero sigue siendo una crisis sistémica que involucra entre el 2% y el 5% del Producto Mundial Bruto —cifras que alcanzan los 80 billones de pesos mexicanos anualmente—. Con una tasa de recuperación de apenas el 1%, es evidente que los métodos tradicionales de defensa están fallando.

¿Por qué seguimos intentando resolver un problema dinámico y evolutivo con estructuras rígidas y estáticas?

El Talón de Aquiles de los Sistemas Relacionales

La mayoría de las soluciones actuales de Anti-Money Laundering (AML) se basan en reglas predefinidas y bases de datos relacionales tradicionales. Este enfoque presenta tres obstáculos críticos:

Rigidez Estructural: Las bases de datos relacionales no son flexibles. Cada vez que el entorno cambia o surge un nuevo patrón de fraude, la arquitectura requiere un rediseño costoso y lento.
Obsolescencia Programada: Los delincuentes estudian las reglas del sistema para diseñar estrategias que las eviten. Una vez que una regla es aprendida y esquivada, el sistema queda obsoleto.
Ceguera Contextual: Los sistemas tradicionales se enfocan en el quién (datos aislados del usuario), pero ignoran el cómo (la red de relaciones). En un mundo interconectado, ignorar las relaciones indirectas, los patrones de convergencia y las comunidades de clientes es dejar la puerta abierta a la criminalidad.

Grafos: El Lenguaje Natural de las Conexiones

Si el lavado de dinero es, por definición, una red de transacciones, ¿por qué analizamos los datos como tablas aisladas? La Analítica de Grafos se posiciona como el cambio de paradigma necesario.

A diferencia de los modelos relacionales, un grafo trata las relaciones como ciudadanos de primera clase. En esta arquitectura, el cambio es nativo: añadir nueva información no requiere destruir la estructura existente, sino que la enriquece. Esto permite:

Identificar Patrones Ocultos: Descubrir rutas de lavado que no son evidentes a simple vista, exponiendo comportamientos anómalos dentro de comunidades de clientes.
Contextualizar la Investigación: Entender el papel real de cada actor. ¿Estamos ante una "mula", un puente de dispersión de fondos o el beneficiario final? Los grafos permiten visualizar el rol de cada nodo en tiempo real.
Visibilidad de Actores Relevantes: Identificar "concentradores" —usuarios que acumulan fondos de diversas fuentes para dispersarlos en una sola transacción— y nodos puente que conectan comunidades aparentemente independientes.

Integrando Inteligencia: El Futuro con GenAI

La tecnología de grafos, potenciada por herramientas como Neo4j y Neo4j Bloom, permite realizar consultas complejas sobre millones de transacciones. Pero la verdadera potencia surge al integrar esta capacidad analítica con la Inteligencia Artificial Generativa.

Al combinar la potencia de consulta de los grafos con el razonamiento del lenguaje natural (mediante frameworks como LangChain), las instituciones financieras pueden pasar de la mera detección técnica a la interpretación estratégica. Un agente de IA puede navegar por el grafo, identificar un anillo de fraude, analizar las relaciones directas e indirectas, y generar un resumen ejecutivo listo para la toma de decisiones.

El Cambio de Paradigma

La lucha contra el blanqueo de capitales no se ganará con más reglas estáticas, sino con más inteligencia dinámica. La metodología Follow the Money (seguir el dinero) deja de ser un concepto aspiracional para convertirse en una realidad operativa mediante el análisis de grafos.

Para las instituciones financieras que buscan proteger no solo su capital, sino también su reputación, la adopción de arquitecturas basadas en grafos ya no es una opción vanguardista; es la única defensa efectiva contra un adversario que, cada día, utiliza herramientas más sofisticadas.

Es momento de dejar de ver los datos como tablas y empezar a verlos como lo que realmente son: una red viva de relaciones.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

La Era de la Inteligencia Agéntica: Del Hype a la Madurez Empresarial (2026-2027)

Fernando — Tue, 02 Jun 2026 22:10:44 +0000

La Era de la Inteligencia Agéntica: Del Hype a la Madurez Empresarial (2026-2027)

Fernando Tue, 06/02/2026 - 16:10

La frontera entre la automatización convencional y la verdadera inteligencia artificial ha sido traspasada. Lo que hace tres años era considerado un ejercicio académico o un "juguete" tecnológico, hoy se ha consolidado como el sistema nervioso central de las organizaciones más competitivas de Latinoamérica.

Durante una reciente cumbre de expertos en datos, líderes de sectores críticos —como banca, salud, manufactura y siderurgia— expusieron cómo la transición desde los LLMs (Modelos de Lenguaje Extensos) hacia la IA Agéntica (Agentic AI) está redefiniendo el playbook corporativo.

El Panorama Actual: Aplicaciones de Alta Disponibilidad

La implementación de IA generativa ya no busca la espectacularidad, sino la eficiencia operativa cuantificable. El enfoque actual se divide en cuatro pilares estratégicos:

Siderurgia y Productividad: La democratización del acceso a datos mediante lenguaje natural permite que usuarios de negocio, sin conocimientos en codificación, interactúen con ecosistemas complejos (como Google Cloud Platform). La capacidad de generar insights en segundos a través de agentes configurables ha reducido drásticamente los tiempos de toma de decisiones.
Sector Salud (Validación Clínica): El enfoque ha migrado hacia la "Inteligencia Aplicada". Proyectos de imagenología y radiología asistida, junto con el uso de datos sintéticos para investigación, están marcando un hito. Sin embargo, el imperativo es claro: la validación clínica por parte de profesionales es innegociable. La confianza en el sistema es la métrica de éxito definitiva.
Manufactura y Deep Learning: La industria pesada utiliza redes neuronales estables para realizar inferencias de datos en tiempo real. La implementación de guardrails en agentes autónomos busca no solo la automatización, sino la capacidad de respuesta inmediata ante anomalías operativas.
Banca (Procesos Agénticos): La banca ha pasado de simples asistentes virtuales (chatbots) a agentes capaces de ejecutar procesos end-to-end (aclaraciones de cargos, gestión de documentos, validaciones burocráticas). La madurez aquí se mide en la capacidad del sistema para conectarse a sistemas legacy y resolver incidentes sin intervención humana.

Los Obstáculos del Éxito: Datos, Cultura y el "Factor Humano"

A pesar de la sofisticación tecnológica, los retos se mantienen consistentes a través de las industrias:

La Gobernanza de Datos como Base: La infraestructura y los modelos no tienen valor sin una estrategia de datos robusta. La estandarización, la calidad y la gobernanza son los cimientos sobre los cuales se construye cualquier implementación de IA.
Change Management (Gestión del Cambio): El obstáculo más crítico no es el código; es la cultura organizacional. Existe una resistencia natural al cambio, particularmente en sectores tradicionales. La recomendación de los expertos es clara: es indispensable contar con equipos de gestión del cambio y codiseñar las soluciones directamente con quienes las utilizarán en su día a día.
El Factor Humano: En la era de la autonomía, la supervisión humana (human-in-the-loop) es el estándar de seguridad. La dependencia excesiva hacia la IA sin validación es un riesgo corporativo que las empresas deben mitigar activamente.

Hacia el 2027: Madurez y Optimización Brutal

La visión hacia 2026 y 2027 es unánime: la era de la experimentación aleatoria está terminando.

El futuro inmediato apunta hacia una "optimización brutal". Las organizaciones se están moviendo hacia una madurez operativa donde la IA actúa como un facilitador silencioso pero omnipresente. La tendencia tecnológica se encamina hacia los Agent Swarms (enjambres de agentes) y el uso avanzado de MCP Servers (Model Context Protocol), permitiendo una orquestación mucho más compleja y autónoma.

Para las empresas que buscan liderar su sector, la lección es contundente: no se trata de elegir la IA más potente, sino de identificar el problema de negocio con mayor potencial de rentabilidad y aplicar inteligencia agéntica donde realmente genera valor.

El éxito en este nuevo paradigma no dependerá de quién tenga la tecnología más vanguardista, sino de quién logre integrar mejor a sus equipos humanos con estas nuevas capacidades, navegando la curva de aprendizaje con una mentalidad de mejora continua.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

IA, inclusión y open source: Retos del ecosistema cloud native en KCD Guadalajara 2026

Fernando — Thu, 07 May 2026 20:50:21 +0000

IA, inclusión y open source: Retos del ecosistema cloud native en KCD Guadalajara 2026

Fernando Thu, 05/07/2026 - 14:50

En el KCD Guadalajara 2026, Mara Ruvalcaba presentó una keynote centrada en su trayectoria dentro del open source y los retos de inclusión que persisten en la industria. A través de su experiencia, compartió cómo ha impulsado iniciativas de diversidad en comunidades, eventos y espacios tecnológicos, subrayando la importancia de construir entornos más equitativos.

Durante su charla, abordó cómo la acelerada adopción de la inteligencia artificial está amplificando los desafíos existentes, haciendo aún más urgente integrar valores humanos e inclusivos en el desarrollo tecnológico. También presentó la iniciativa Merge Forward de la Cloud Native Computing Foundation, enfocada en ampliar la representación y participación de grupos históricamente subrepresentados dentro del ecosistema cloud native.

Su mensaje destacó que fomentar la inclusión no solo fortalece a las comunidades, sino que también impulsa la resiliencia y sostenibilidad del open source y cerró con una invitación clara: educar, participar y asumir responsabilidad colectiva para construir un futuro más diverso e inclusivo. Su participación reafirma el compromiso de Software Guru con el desarrollo de una comunidad tecnológica más abierta y representativa en México, Latinoamérica y el mundo.

Mara Ruvalcaba

El Algoritmo de la Desigualdad: ¿Por qué el Boom de la Complejidad Económica en México Te Está Forzando a Vivir Más Lejos?

Fernando — Thu, 07 May 2026 00:02:07 +0000

El Algoritmo de la Desigualdad: ¿Por qué el Boom de la Complejidad Económica en México Te Está Forzando a Vivir Más Lejos?

Fernando Wed, 05/06/2026 - 18:02

El crecimiento económico, ese motor perenne de las estrategias de desarrollo global, a menudo se celebra como un fin en sí mismo. Sin embargo, la ciencia de datos aplicada a las dinámicas urbanas en México revela una verdad incómoda: el auge productivo de las metrópolis más sofisticadas no solo coexiste con la segregación por ingresos, sino que parece impulsarla. Una investigación académica reciente, gestada en la confluencia de la política pública, la ingeniería y la data science, ha cartografiado esta paradoja con una granularidad sin precedentes.

La Estructura de Datos de la Urbe: Expansión Fragmentada y Variable Objetivo

Para comprender este fenómeno, los investigadores definieron y cuantificaron tres variables críticas en las 74 zonas metropolitanas más importantes del país. El análisis parte de una realidad ineludible: México es un país 80% urbano. Alarmantemente, entre 1990 y 2020, el área construida creció 2.13 veces más rápido que la población, catalizando un fenómeno conocido como Expansión Urbana de Baja Densidad o Sprawl (SPR).

El SPR, caracterizado por el desplazamiento masivo de personas hacia la periferia, mientras la infraestructura y el empleo permanecen concentrados en el centro, funciona como un multiplicador de la desigualdad. Mediante algoritmos de aprendizaje automático aplicados a bases de datos satelitales (como Global Human Settlement y ESA), el equipo pudo mapear esta expansión, diferenciando las estructuras techadas de la infraestructura urbana como calles y parques.

La segregación por ingreso, definida como la separación espacial de distintos grupos de ingreso, fue establecida como la variable objetivo. Su medición fue un desafío técnico superado a través de un método estadístico novedoso: la combinación de la distribución de ingreso a nivel metropolitano (ENIC del INEGI) con la resolución espacial a nivel de AGEP o barrio (Censo del INEGI). Esta integración de bases de datos se ejecutó a través de la minimización de la distancia de Kullback-Leibler en las distribuciones, permitiendo obtener el ingreso personal a nivel de barrio y, finalmente, un índice de segregación basado en la entropía.

La Matriz Productiva: Navegando la Complejidad Económica

La segunda variable clave es la Complejidad Económica. Este concepto trasciende el simple Producto Interno Bruto (PIB) al entender las estructuras productivas como matrices interconectadas. El modelo compara la especialización industrial de las regiones (en este caso, las 92 zonas metropolitanas) a través de bases de datos amplias de actividades económicas, utilizando técnicas de reducción de dimensionalidad para determinar el grado de tecnificación y diversidad de su estructura productiva.

Históricamente, la complejidad ha tenido efectos bidireccionales en la desigualdad:

Efecto Mitigador: Una especialización inicial en industria manufacturera puede llevar a la profesionalización de la clase obrera e incrementar salarios, lo que disminuye la desigualdad y, consecuentemente, la segregación.
Efecto Expulsor: El surgimiento de industrias de alta tecnología o servicios eleva el valor de la tierra adyacente a las fuentes de empleo (gentrificación), expulsando a grupos de bajos ingresos y aumentando la desigualdad salarial, lo cual incrementa la segregación.

El objetivo de la investigación fue determinar cuál de estos efectos prevalece en el ecosistema urbano mexicano.

Conclusiones de Data: La Causalidad entre Complejidad y Aislamiento

El análisis de regresión ejecutado arrojó una conclusión rotunda que demanda una revisión de las prioridades en política pública: a mayor complejidad económica, existe una tendencia clara a una mayor segregación espacial. Esta variable es estadísticamente significativa en la propulsión de la desigualdad espacial, junto con la expansión urbana (SPR).

Los investigadores agruparon las zonas metropolitanas en cinco clusters con dinámicas diferenciadas:

Cluster 3 (Alta Segregación y Complejidad): Las zonas con los mayores niveles de segregación por ingreso también ostentan la más alta complejidad económica y PIB per cápita. Este output del sistema subraya el trade-off: se prioriza el PIB, pero se desatiende el diseño social de la ciudad.
Cluster de Frontera (Tijuana, Juárez): Economías altamente vibrantes por el comercio bilateral, pero con una expansión urbana fragmentada y socialmente costosa.
El Caso de Cancún: Representando un outlier positivo, Cancún experimentó un crecimiento poblacional explosivo (cinco veces su tamaño) sin que la segregación espacial se disparara. Los resultados atribuyen este éxito a políticas públicas focalizadas en el transporte urbano y la vivienda.

Reflexión y Hoja de Ruta para Desarrolladores Urbanos

Desde una perspectiva de software development para la gobernanza urbana, la solución reside en diseñar sistemas que mitiguen el side effect del crecimiento. Si bien la complejidad económica es un input deseado, el output de segregación debe ser contrarrestado con features de diseño urbano. Los hallazgos sugieren que el porcentaje de viajes en transporte público y una mayor infraestructura urbana contribuyen a disminuir la segregación espacial, facilitando el mestizaje social y el acceso a oportunidades.

La correlación identificada por este estudio, que convierte el auge económico en un factor de aislamiento socioespacial, es un call to action para los líderes de las metrópolis mexicanas. La próxima generación de estrategias de desarrollo no debe solo enfocarse en el crecimiento (el output del PIB), sino en la ingeniería social y espacial que permite desacoplar la complejidad económica de la desigualdad. Se requiere el uso continuo de estos datos espaciales y técnicas analíticas avanzadas para asegurar que el progreso beneficie a todas las capas del stack social.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

De la intuición a la optimización algorítmica: La ineludible fusión entre Marketing, Data Science y Desarrollo.

Fernando — Wed, 06 May 2026 20:42:41 +0000

De la intuición a la optimización algorítmica: La ineludible fusión entre Marketing, Data Science y Desarrollo.

Fernando Wed, 05/06/2026 - 14:42

En un entorno donde la velocidad del cambio tecnológico se mide en semanas, no en décadas, la disciplina del marketing se encuentra en una encrucijada transformacional. Impulsado por la democratización masiva de herramientas como ChatGPT y la emergencia de nuevos motores generativos como Sora para la producción de video, el sector ha trascendido la era del hype para instaurar un nuevo paradigma: la optimización basada en datos y la integración algorítmica. Esta nueva realidad exige una convergencia funcional sin precedentes donde el experto en Data Science debe integrarse orgánicamente en los equipos de Marketing.

De Machine Learning al Generative Engine Optimization (GEO)

El uso de la Inteligencia Artificial (IA) en marketing no es un fenómeno reciente. Desde principios de los años 2000, los motores de búsqueda ya empleaban algoritmos de Machine Learning para la indexación y el ranking. Las estrategias de Search Engine Optimization (SEO) y Search Engine Marketing (SEM) se basaban en la optimización de contenido y en complejos sistemas de pujas (bidding) en tiempo real para la asignación de anuncios patrocinados, una labor que requería un control algorítmico a nivel de segundos.

No obstante, la irrupción de la IA generativa ha reescrito el playbook. Hoy, el desafío ya no es únicamente posicionarse en una lista de resultados, sino lograr que el contenido de una marca sea referenciado en el párrafo resumido que ofrecen los nuevos buscadores. Este fenómeno, denominado Generative Engine Optimization (GEO), obliga a los creadores de contenido a estructurar los datos de sus plataformas de manera que sean inteligibles para las máquinas (Structured Data) y, por ende, susceptibles de ser jalados por los Large Language Models (LLMs).

La Volatilidad de las Fuentes y el Riesgo Reputacional

Esta rápida adopción ha generado tensiones significativas, especialmente en la curación de los datasets utilizados para entrenar los LLMs. Plataformas de contenido libre y colaborativo como Reddit y Wikipedia, históricamente fuentes de información para modelos como ChatGPT y Perplexity, han demostrado ser vectores de riesgo reputacional. La facilidad con que los usuarios pueden crear narrativas negativas y dañar la percepción de una marca llevó a una caída en la relevancia de estas fuentes para los modelos, obligando a las agencias a reconsiderar dónde y cómo se construye la "fuente de la verdad" de una marca.

Además, el auge de las imágenes generativas (como las versiones mejoradas de Midjourney) y los deepfakes (como Sora) ha creado una paradoja operativa. Si bien la IA elimina la necesidad de contratar diseñadores gráficos para la producción masiva de contenido, introduce riesgos de errores en la salida, por ejemplo, fallos en la anatomía o desalineación de la identidad visual de la marca, como se ha visto en casos de Audi y Calvin Klein.

Imperativos de la Personalización a Escala

La tendencia hacia la hiperpersonalización se ha acelerado de manera exponencial. Con el declive de las cookies de terceros, plataformas como Meta están recurriendo a sus propios LLMs (como LLaMA) para recopilar y utilizar datos de conversaciones de chat en Facebook y otras redes, con el fin de generar anuncios ultra-segmentados.

Este cambio impone una exigencia operacional extrema a las agencias: la necesidad de producir hasta 60 diferentes versiones de anuncios por campaña para asegurar la personalización correcta por segmento (por ejemplo, diferentes versiones de una nueva camioneta Ford para diversos perfiles de consumidor).

El Modelo Predictivo como Ventaja Competitiva

Actualmente, muchos directores de marketing (CMOs) operan bajo un modelo reactivo, tomando decisiones costosas e ineficientes basadas en la intuición y optimizando campañas post-mortem, lo que se traduce en un desperdicio significativo de presupuesto.

El modelo ideal, en cambio, se fundamenta en la predictibilidad: la toma de decisiones 100% basada en datos, la medición del Retorno de Inversión (ROI) en tiempo real, la personalización a escala y la optimización dinámica de presupuestos.

El gap de oportunidad es inmenso, especialmente en el contexto mexicano, donde solo el 5% de las empresas reportan usar IA, mientras que el 45% planea invertir en esta tecnología para marketing. Esta bifurcación representa la ventana dorada para los científicos de datos, quienes son los catalizadores necesarios para transformar la función de marketing de una disciplina "glamurosa" a una basada en álgebra, logarítmica y modelado avanzado.

Casos de Uso Impulsados por Data Science

La aplicación de la IA en marketing se centra en tres pilares: Generativa (contenido y multimedia), Agéntica (automatización de tareas) y Predictiva (Machine Learning para la toma de decisiones). Los casos de uso más rentables son:

Marketing Mix Modeling (MMM) para Asignación Presupuestaria: Se emplean modelos de atribución predictiva multicanal, ingiriendo datasets históricos para identificar tendencias y simular escenarios (temporalidad, eventos disruptivos). Una implementación en el sector retail con 15 canales activos demostró un 42% de incremento en ROI y un ahorro reintegrado de 2.5 millones de pesos en seis meses, gracias a la reasignación automática y en tiempo real de fondos entre canales (ej. de Facebook a Google).
Targeting Inteligente y Ciclos Largos de Venta: En el sector automotriz, donde el costo por lead es elevado y los ciclos de venta son extensos, la solución es la implementación de modelos lookalike (identificar usuarios con características predictivas similares a compradores existentes) y la integración bidireccional con Customer Relationship Management (CRM). Esta integración es crucial para la optimización y coherencia del funnel, evitando el impacto publicitario a usuarios que ya han completado la adquisición.
Motores de Recomendación para E-commerce: En el comercio electrónico de moda, la baja conversión y los carritos abandonados se combaten con motores de recomendación predictivos y contenido web dinámico. Los LLMs se utilizan para generar emails de comunicación únicos y relevantes para cada usuario, revitalizando la experiencia de usuario estática.

El Mandato Ético y la Responsabilidad del Data Scientist

Los desafíos técnicos (datos sucios, expectativas irreales de la Alta Dirección y modelos sin utilizar) solo pueden mitigarse mediante la creación de equipos híbridos y la educación del liderazgo corporativo sobre el funcionamiento y el impacto real de la IA.

No obstante, el imperativo ético se cierne sobre la innovación. Los LLMs globales manifiestan sesgos inherentes que afectan la representación de minorías o contextos endémicos (ejemplo, la imagen estereotipada del mexicano). Además, el uso irresponsable de filtros o aplicaciones generativas para uso personal representa un riesgo de privacidad masivo, pues la imagen del usuario puede utilizarse para entrenar a los modelos sin consentimiento informado.

El caso Cambridge Analytica sirve como recordatorio de que la tecnología de datos, al carecer de regulación global unificada, puede ser utilizada para influir en procesos democráticos. La disyuntiva es clara: regular o innovar.

Para garantizar que el marketing sea inteligente, rentable y responsable, la comunidad de desarrollo y datos debe tomar la iniciativa:

Auditar la data (calidad, estructura y fuentes).
Definir casos de uso (específicos, medibles, con impacto).
Construir equipos híbridos con científicos de datos.
Actuar éticamente, consultando manifiestos como el de la IAB y permaneciendo vigilantes ante el uso de la IA por redes criminales.

El futuro del marketing no es una opción, es un requisito competitivo que demanda expertise técnico y una profunda responsabilidad ética.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Pedro Galván

Beam vs Spark vs Flink: Por qué Beam es el MVP de la era RAG

Fernando — Tue, 07 Apr 2026 23:18:28 +0000

Beam vs Spark vs Flink: Por qué Beam es el MVP de la era RAG

Fernando Tue, 04/07/2026 - 17:18

En el ecosistema del procesamiento de datos a gran escala, la batalla por la supremacía tecnológica suele reducirse a tres nombres: Apache Spark, Apache Flink y Apache Beam. Durante años, la narrativa se centró en la velocidad bruta o en la gestión de micro-batches. Sin embargo, en 2026, el paradigma ha cambiado. La explosión de la IA Generativa y la necesidad de arquitecturas RAG (Retrieval-Augmented Generation) han desplazado el foco de la "fuerza bruta" hacia la "flexibilidad semántica". Para entender este cambio, debemos analizar no solo qué herramienta procesa más registros por segundo, sino cuál permite orquestar la inteligencia de manera más eficiente.

La Anatomía del Procesamiento: Spark vs. Flink vs. Beam

Para un ingeniero de datos, la elección entre estos frameworks depende de la naturaleza del flujo de trabajo. Aquí la comparativa técnica:

Característica	Apache Spark	Apache Flink	Apache Beam
Modelo de Procesamiento	Micro-batches (Structured Streaming).	Streaming nativo (evento por evento).	Unificado (Batch y Stream bajo un mismo modelo).
Latencia	Segundos / Milisegundos altos.	Milisegundos reales (Ultra-low latency).	Depende del Runner (Flink, Spark, Dataflow).
Gestión de Estado	Compleja, dependiente de checkpoints.	Excelente, líder en stateful processing.	Abstracta, permite portabilidad total de la lógica.
Casos de Uso Ideal	Analytics masivo, ML clásico, ETL Batch.	Detección de fraude en tiempo real, alertas.	AI Pipelines, RAG dinámico, Ingesta Multi-cloud.

El Renacimiento de Beam: Más allá del Pipeline Convencional

Mientras que Spark domina el análisis histórico y Flink es el rey de la baja latencia, Apache Beam se ha erigido como el estándar de facto para la IA moderna. ¿La razón? Su capacidad de abstracción. Beam no es un motor de ejecución por sí mismo, sino una capa de programación que permite escribir el pipeline una vez y ejecutarlo en cualquier motor (Runners).

1. AI Pipelines: La Transformación en el "Edge" del Dato

En la creación de modelos, el preprocesamiento de datos suele ser el cuello de botella. Beam permite integrar transformaciones de Machine Learning directamente en el flujo. Gracias a conectores como RunInference, los desarrolladores pueden cargar modelos de PyTorch o TensorFlow dentro del pipeline de datos.

Caso Real: Una multinacional de retail utiliza Beam para procesar imágenes de cámaras de seguridad en tiempo real. El pipeline no solo normaliza los datos, sino que ejecuta un modelo de visión computacional para detectar aforos, enviando solo los metadatos procesados a la nube, reduciendo costes de ancho de banda en un 65%.

2. El Corazón de RAG: Indexación Dinámica a Escala

El Retrieval-Augmented Generation (RAG) requiere que los sistemas de IA tengan acceso a datos frescos y vectorizados. Aquí es donde Beam brilla sobre Spark. Un pipeline RAG eficiente debe:

Ingerir documentos en tiempo real (Streaming).
Fragmentar (chunking) y limpiar el texto.
Generar embeddings mediante una API de LLM.
Actualizar la base de datos vectorial (Pinecone, Weaviate o pgvector).

Beam orquesta esto con una elegancia superior. Al utilizar ventanas de tiempo (windowing) y disparadores (triggers), garantiza que la base de datos de conocimiento de la IA esté actualizada al milisegundo, evitando que el LLM genere alucinaciones basadas en datos obsoletos.

Casos de Éxito: Impacto Real en el Mundo

"La portabilidad no es una característica de Beam; es su ventaja competitiva. Permite que el código sobreviva a la infraestructura."

Sector Financiero (Detección de Fraude): Una entidad líder migró sus procesos de Flink nativo a Beam corriendo sobre Flink. ¿El resultado? Redujeron el tiempo de despliegue de nuevas reglas de negocio de semanas a días, ya que los científicos de datos (Python) y los ingenieros de datos (Java/Go) ahora comparten el mismo modelo de programación sin fricciones.
Logística Global: Mediante el uso de Beam en Google Cloud Dataflow, una empresa de logística gestiona 2 millones de eventos por segundo. Su pipeline RAG permite que los operarios pregunten en lenguaje natural: "¿Cuál es la causa del retraso en el puerto de Rotterdam?", y la IA responde con datos procesados hace apenas 10 segundos.

Conclusión

Si la visión es construir sistemas inteligentes, portables y preparados para la era de la IA, Apache Beam es la elección estratégica. Beam libera a las organizaciones de la tiranía del vendor lock-in y proporciona el marco de trabajo necesario para que los datos no solo fluyan, sino que piensen.

En el tablero de ajedrez de los datos, Spark y Flink son las piezas poderosas, pero Beam es el tablero mismo: el lugar donde todas las estrategias cobran sentido.

¿Quieres aprender más sobre Apache Beam? ¡No te pierdas Beam College y Beam Summit!

Pedro Galván