SG Buzz

El mito del "Vibe Coding": Por qué la adopción de IA en ingeniería de software necesita un rediseño radical

Fernando — Fri, 11 Sep 2026 00:45:29 +0000

El mito del "Vibe Coding": Por qué la adopción de IA en ingeniería de software necesita un rediseño radical

Fernando Thu, 09/10/2026 - 18:45

En los últimos dos años, la industria tecnológica ha presenciado una euforia sin precedentes. La narrativa dominante prometía que la IA generativa automatizaría hasta el 75% del código en producción, reduciendo los ciclos de desarrollo a una fracción de su tiempo. Sin embargo, al disiparse el humo del hype, la realidad operativa ha comenzado a imponerse. Un reciente análisis del MIT arroja una estadística demoledora: solo el 5% de los proyectos de adopción de IA en desarrollo de software han alcanzado el éxito esperado.

¿Dónde reside la desconexión? La tecnología no es el problema; el problema es la estrategia —o la falta de ella—. Intentar insertar herramientas de IA sobre flujos de trabajo (workflows) analógicos y arquitecturas de código heredado es una receta para el caos sistémico.

La falacia de la eficiencia lineal y el peligro del Vibe Coding

El concepto de vibe coding —la idea de que, gracias a la IA, cualquier persona, sin habilidades técnicas, puede construir software complejo— ha sido uno de los pilares del marketing de IA más dañinos. En la práctica, entregar acceso a modelos generativos a equipos que operan sobre monorepositorios con una década de "deuda técnica" y estilos de programación inconsistentes no aumenta la eficiencia; simplemente amplifica el ruido.

La ingeniería de software requiere una lógica sistémica que trasciende el autocompletado. Cuando la IA carece de contexto sobre el estilo de la casa, la arquitectura existente o la visión estratégica, el resultado es código inconsistente que, a largo plazo, resulta más costoso de mantener que el código escrito manualmente por un desarrollador senior.

Por qué los pilotos fallan: El fenómeno del "Spray and Pray"

La mayoría de las organizaciones están atrapadas en una etapa de "piloto" eterno. La directiva ejecutiva, presionada por el imperativo de reducir costos, distribuye licencias de herramientas como Cursor, Copilot o Cloud Code de forma masiva (el enfoque spray and pray), esperando resultados mágicos sin alterar la estructura operativa.

Para que la IA funcione en un entorno corporativo, se requiere una gestión del cambio basada en tres pilares técnicos:

Personalización Profunda (Agent Context): Una licencia estándar no basta. Las organizaciones exitosas están creando contextos personalizados mediante archivos de configuración (YAML) que dictan a la IA las reglas de estilo, nomenclatura y patrones de diseño. Se trata de "enseñar" a la IA cómo trabaja el equipo, extrayendo las reglas de la base de código existente para asegurar la coherencia.
Arquitectura como Estrategia: La IA brilla en proyectos Greenfield (desde cero), pero sufre en sistemas Legacy. La estrategia ganadora no es forzar a la IA a parchear código antiguo, sino utilizarla para facilitar la transición hacia arquitecturas hexagonales y microservicios. Cuando el código se vuelve "barato" de generar, la estrategia debe ser el patrón strangler (estrangulamiento): identificar funcionalidades, separarlas y reconstruirlas bajo estándares modernos, en lugar de intentar refactorizar lo irreformable.
Human-in-the-loop como estándar: A pesar de los avances, la IA actual no aprende de forma autónoma a largo plazo ni entiende la intención de negocio sin guía. Los modelos sufren alucinaciones y pierden el hilo en repositorios extensos si no se conectan a bases de datos vectoriales (como Qdrant) o a gestores de conocimiento (tipo Glean). El humano debe seguir siendo el "adulto en la habitación", validando la lógica, la arquitectura y la seguridad.

El reto individual vs. el reto corporativo

Existe una disonancia marcada: a nivel individual, los desarrolladores que adoptan estas herramientas ven mejoras exponenciales. Sin embargo, al integrar estas mejoras en repositorios globales, surgen los problemas de fricción y mala calidad.

La razón es clara: la forma en que se organizan los equipos y se miden los puntos de historia en sprints tradicionales ha quedado obsoleta ante la nueva velocidad de entrega. Si el costo de generar un módulo se reduce radicalmente, la productividad ya no debe medirse en líneas de código, sino en la capacidad de despliegue y en la calidad del diseño sistémico.

El futuro: Del "coder" al arquitecto de sistemas

La adopción de IA en el desarrollo no trata de reemplazar a los programadores, sino de evolucionar su rol. El verdadero desafío de la década no es escribir código, sino rediseñar la ingeniería para que el código sea un componente modular y desechable, sujeto a una arquitectura que permita la autonomía y la escalabilidad.

Las herramientas de IA para desarrollo pasarán a ser un commodity en breve. La ventaja competitiva real no residirá en quién paga más licencias, sino en qué organización logre construir una infraestructura de conocimiento (vía Agent Context y bases de datos vectoriales) que permita a la IA ser una extensión real del equipo, y no un generador de deuda técnica automática.

Conclusión: La era de la experimentación gratuita terminó. El éxito ahora depende de la gobernanza técnica, el diseño de agentes y la integración sistémica. ¿Está la infraestructura actual preparada para este cambio, o simplemente está pagando por licencias cuyo potencial real aún está por ser desbloqueado?

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

Guía GenIOps: Cómo desplegar Agentes de IA autónomos sin alucinaciones y maximizar el ROI de tu infraestructura actual

Fernando — Thu, 10 Sep 2026 22:38:28 +0000

Guía GenIOps: Cómo desplegar Agentes de IA autónomos sin alucinaciones y maximizar el ROI de tu infraestructura actual

Fernando Thu, 09/10/2026 - 16:38

En el ecosistema tecnológico actual, el término "Inteligencia Artificial" a menudo evoca la imagen de un chatbot conversacional o un modelo de lenguaje de gran escala (LLM) tradicional como ChatGPT o Claude. Si bien estas herramientas han revolucionado la interacción persona-computadora mediante interfaces de lenguaje natural, representan únicamente la punta del iceberg. La verdadera evolución del sector radica en la transición de interfaces reactivas hacia Agentes de Inteligencia Artificial.

A diferencia de un LLM estándar, un agente de IA se define como una entidad digital dotada no solo de la capacidad de procesar y generar lenguaje, sino de razonar, planificar y actuar autónomamente dentro de un entorno digital delimitado. Mientras que un chatbot convencional se limita a responder preguntas basándose en su conocimiento estático, un agente de IA interactúa de forma activa con su entorno, utiliza herramientas externas, consulta bases de datos dinámicas y ejecuta acciones complejas con supervisión mínima, emulando la capacidad operativa de un profesional dentro del ecosistema digital.

Anatomía de un Agente de Inteligencia Artificial

Para construir un agente funcional y robusto capable de desenvolverse en entornos corporativos, es necesario integrar cuatro componentes fundamentales:

El Cerebro (LLM): Constituye el núcleo cognitivo. Es el modelo de lenguaje encargo de comprender las peticiones, procesar contexto complejo, razonar sobre los pasos a seguir y sintetizar respuestas en lenguaje natural.
Base de Conocimiento: Se divide en dos vertientes. Por un lado, el conocimiento estático (definido a través de prompts de sistema) determina la identidad, misión, tono y reglas operativas del agente. Por otro lado, el conocimiento dinámico le otorga acceso a manuales, procedimientos internos, documentación de producto y políticas de la organización en tiempo real.
Sistema de Memoria: Esencial para garantizar una interacción coherente. La memoria a corto plazo mantiene el hilo conductual de la sesión activa, mientras que la memoria a largo plazo permite al agente recordar interacciones históricas, preferencias de usuario y aprendizajes previos, enriqueciendo el contexto transaccional.
Herramientas (Integración con el Entorno): Son las interfaces (APIs, conectores, funciones) que le permiten actuar fuera del margen de texto. Esto incluye consultar bases de datos relacionales, generar analítica gráfica, procesar documentación, emitir correos electrónicos o ejecutar transacciones en sistemas ERP/CRM.

El Filtro Estratégico: 5 Preguntas Clave Antes del Desarrollo

El error más común al implementar IA es iniciar por la tecnología en lugar del problema. Antes de escribir una sola línea de código o seleccionar la arquitectura del modelo, las organizaciones deben someter sus iniciativas a un filtro riguroso mediante cinco preguntas de negocio:

¿Qué problema concreto se quiere resolver? Se debe identificar un dolor operativo real del negocio, evitando desarrollar casos de uso basados únicamente en la tendencia o innovación superficial.
¿Es un problema real y prioritario? Las soluciones desarrolladas para problemas de baja prioridad o transitorios carecen de adopción interna y terminan descartadas por los usuarios finales.
¿Cuál es el impacto cuantificable esperado? Es fundamental definir métricas claras de éxito: reducción de costos operativos, aceleración en tiempos de atención, o liberación de talento hacia tareas de mayor valor estratégico.
¿Requiere verdaderamente Inteligencia Artificial? Conviene evaluar si la complejidad de la tarea amerita el uso de un agente o si puede resolverse mediante una automatización tradicional o un flujo basado en reglas más eficiente y menos costoso.
¿Hace sentido el retorno financiero frente al costo de infraestructura? El despliegue de agentes exige cómputo, consumo de tokens, bases de datos vectoriales y mantenimiento. El valor generado debe justificar holgadamente el costo total de propiedad (TCO).

Operatividad y Gobernanza: La Capa de GenIOps

Desplegar un agente en producción requiere de una disciplina equivalente a DevOps o MLOps, adaptada a la naturaleza probabilística de la IA generativa: GenIOps (Generative AI Operations). Esta capa proporciona visibilidad, gobernanza y capacidad de optimización continua mediante tres ejes estratégicos:

Observabilidad y Tracing

La observabilidad implica registrar minuciosamente el ciclo de vida de cada interacción: las instrucciones recibidas, las consultas realizadas a la base de conocimiento, las herramientas ejecutadas, los tiempos de latencia, el consumo de tokens y los costos asociados. El tracing mediante tableros especializados permite auditar decisiones y detectar cuellos de botella en la ejecución del agente.

Evaluadores Continuos

El comportamiento del agente debe ser calificado de manera sistemática tanto en pre-despliegue como en producción. El uso de evaluadores automáticos (modelos LLM configurados como jueces) permite calificar métricas como la coherencia, fluidez, precisión en el uso de herramientas y fidelidad a la información recuperada (evitando alucinaciones).

Seguridad y Red Teaming

Antes de la liberación en ambientes productivos, se deben realizar pruebas adversariales de Red Teaming para identificar vulnerabilidades ante ataques de prompt injection o jailbreaking. Asimismo, la capa de gobernanza debe integrar filtros de contenido, bloqueo de lenguaje inapropiado y mecanismos de enmascaramiento de datos personales (PII) para evitar la fuga o retención inadvertida de información sensible.

Metodología de Despliegue Progresivo

La puesta en marcha de un agente de IA en entornos corporativos no debe realizarse mediante un lanzamiento masivo e inmediato. Para mitigar riesgos operativos, se recomienda una metodología de liberación progresiva en tres fases:

Containment (Piloto Controlado): Pruebas internas orientadas a validar los casos de uso esenciales bajo un entorno totalmente supervisado y limitado.
Cocreation (Retroalimentación Acotada): Despliegue hacia un grupo reducido de usuarios finales clave. En esta etapa se recolecta retroalimentación real para ajustar prompts, afinar el comportamiento de las herramientas y optimizar la precisión del modelo.
Choreography (Escala e Integración): Expansión paulatina hacia el resto de los usuarios y sistemas de la compañía, perfeccionando la interacción del agente con otros procesos automatizados y manteniendo el monitoreo continuo a través de la infraestructura GenIOps.

El Futuro de los Agentes de IA

La tecnología de agentes evoluciona velozmente hacia nuevos paradigmas que transformarán las operaciones de las empresas:

Multimodalidad Nativa: La interacción dejará de ser mayoritariamente textual para integrar comunicación fluida por voz en tiempo real, interpretación de video e interacción mediante avatares digitales.
Sistemas Multi-Agente y Colaborativos: Redes de agentes especializados colaborando entre sí bajo la coordinación humana, donde cada agente asume un rol operativo específico dentro de un flujo de trabajo complejo.
Agentes Proactivos: Sistemas que trascienden el modelo de petición-respuesta para monitorear autónomamente el entorno digital, anticipar necesidades, ejecutar tareas programadas en segundo plano y sugerir acciones estratégicas a los tomadores de decisiones.

En conclusión, el verdadero valor de la inteligencia artificial no reside en la sofisticación del modelo por sí solo, sino en la capacidad de integrar arquitectura técnica, alineación estratégica y gobernanza operativa para construir agentes capaces de transformar procesos y generar valor medible en el negocio.

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

Cuando llegar no es suficiente: las mujeres que dan forma al futuro de la tecnología con IA

Fernando — Mon, 17 Aug 2026 19:51:14 +0000

Cuando llegar no es suficiente: las mujeres que dan forma al futuro de la tecnología con IA

Fernando Mon, 08/17/2026 - 13:51

El 31 de julio, 160 personas entre asistentes, ponentes y patrocinadores llenaron las oficinas de Novartis en la Ciudad de México para una nueva edición de Dev Day 4 Women. El tema de este año, Shaping Your Future in STEM with AI, marcó el pulso de la jornada: cómo la inteligencia artificial está transformando nuestras carreras y qué papel jugamos las mujeres en esa historia que apenas se está escribiendo.

Vale la pena empezar con un dato que casi nadie recuerda: durante la Segunda Guerra Mundial, mientras los hombres estaban en el frente, las mujeres sostuvimos la economía y llegamos a ser más del 60% de la matrícula en ciencia y tecnología en las universidades de Estados Unidos. Estuvimos ahí, al frente de los desarrollos científicos y tecnológicos, mucho antes de que alguien borrara esa historia del mapa. Recordarlo no es nostalgia: es el punto de partida para entender por qué seguimos aquí, y por qué esta edición tuvo tanto que decir.

Hubo energía, sí. Pero esta edición trajo algo que la vuelve distinta de las anteriores, y vale la pena empezar por ahí.

Talleres: llevar el conocimiento a la práctica

Esta edición apostó fuerte por los talleres: seis en total, divididos en partes iguales entre lo técnico y las habilidades que sostienen una carrera.

Los tres talleres técnicos:

Spec Driven Development, con Joselyn Ramos (CONTPAQi).
PoC en minutos… ¿y ahora qué?, con Viridiana Romero y Lilivette Cruz (Novartis).
Guardrails de Bedrock: construye IA responsable, con Fernanda Osorio (AWS).

Los tres de habilidades blandas:

Tu mayor ventaja no es técnica, con Marian Suárez (Mobiik).
Kit de supervivencia: Soft Skills, con Elena Pérez (SimplePractice).
Strategy: The hidden knowledge, con Sandra Márquez (TechBrander).

Los talleres tienen un valor que ninguna charla sustituye: son el espacio para poner las manos en el teclado, aplicar conocimientos prácticos del mundo laboral y reforzar el aprendizaje haciéndolo, no solo escuchándolo. Por eso quisimos que fueran protagonistas de esta edición: no basta con motivar; buscamos que cada asistente se lleve algo que pueda usar el lunes por la mañana.

En el taller de Guardrails de Bedrock, Fernanda Osorio (AWS) arrancó con una pregunta incómoda y muy pertinente: ¿qué pasa si alguien le pide a un modelo que explique “por qué las mujeres no deberían dedicarse a la tecnología”, o cómo justificar recortar el salario de las mujeres en un ajuste de personal? Ese tipo de entradas es justo lo que los modelos reciben, y por eso la pregunta de fondo no es menor: las herramientas de IA generativa están cambiando cómo construimos software, pero ¿quién decide qué es seguro?

A partir de ahí guió a las asistentes por Amazon Bedrock Guardrails, la capa que define los límites de un modelo tanto en la entrada como en la salida: filtros de contenido (odio, violencia, insultos, intentos de “jailbreak”), temas denegados según las reglas de negocio de cada aplicación, y protección de datos personales; por ejemplo, si alguien pega por error un número de tarjeta, el guardrail lo enmascara antes de devolver la respuesta. Su mensaje para las desarrolladoras fue claro: los límites que trae un modelo “de fábrica” no bastan, y somos nosotras quienes tenemos el poder, y la responsabilidad, de definir hasta dónde puede llegar la IA que construimos.

En Strategy: The hidden knowledge, Sandra Márquez (TechBrander) desarmó un malentendido común: la estrategia no es táctica, ni planeación, ni logística, ni “el arte de la guerra”. Es, dijo, el arte de saber pensar. Su taller, basado en el sistema de pensamiento de los grandes estrategas de la historia, traía una trampa deliciosa: el libro que lo inspira no menciona a una sola mujer. Así que ella llegó a poner sobre la mesa a las estrategas que la historia suele omitir, de Catalina la Grande, que destronó a un marido incompetente y gobernó 34 años del imperio ruso, a Isabel I de Inglaterra, que reinó sola resistiendo toda la presión para casarse y “cumplir su papel”. Y lo aterrizó desde su propia historia: fundó su empresa a los 26, lo perdió todo con la pandemia y salió, en sus palabras, no más miedosa ni más humilde, pero sí mejor estratega. Cerró con una invitación a la mentalidad de crecimiento, esa en la que el fracaso no limita, sino que invita a volver a intentar de otra forma.

Un programa con sustancia

En total fueron 24 sesiones de contenid

o y 28 mujeres en el escenario, entre charlas, talleres, lightning talks, un panel principal y la presentación de comunidades. Los temas recorrieron el mapa completo de la industria: ciencia de datos, ciberseguridad, ingeniería en la nube, diseño de producto, liderazgo, neurodivergencia y, transversal a todo, la inteligencia artificial.

La brecha que crece al subir

Uno de los momentos que silenció la sala llegó con los primeros hallazgos de SG Tech Pulse 2026 de Software Guru enfocados en mujeres en tecnología. El dato incomoda porque desarma el discurso optimista: en los roles junior y medios la brecha es baja (alrededor del 10%, e incluso las primeras respuestas mostraban a las mujeres ganando más), pero se dispara conforme se sube. En posiciones gerenciales ronda el 30% y hasta el 40%, y en la dirección llega a casi 50% menos que un par varón, con la misma o mayor responsabilidad.

Y hay más capas. Quien contrata desde México paga en promedio 30% menos a las mujeres; los empleadores del extranjero, hasta 60% menos, aun con maestrías, certificaciones e inglés de por medio. Con la inteligencia artificial como eje del año, otro dato pega fuerte: los hombres están adoptando estas herramientas más rápido, y el sueldo medio de un hombre que las usa ronda los 80 mil frente a los 60 mil de una mujer.

El mensaje desde el escenario fue directo: romper el tabú de hablar de dinero entre nosotras, negociar y exigir lo que valemos.

“Exijan allá afuera lo que ustedes sí valen.”

Así, la conversación dejó de ser si las mujeres llegan a la tecnología, para volverse qué pasa cuando quieren subir.

Y ojo con las cifras optimistas. En alguna junta, contó Laura, una de esas agencias que venden reportes de datos presentaba pura maravilla: equidad, paridad, brecha resuelta. Mara Ruvalcaba, CEO de Software Guru, escuchó y respondió con una frase que se quedó: siempre dicen lo mismo, pero ella tiene otros datos. A veces las cifras se maquillan, no siempre a propósito; por eso una encuesta abierta y sostenida en el tiempo, como la de Software Guru, importa tanto.

El resto del programa mantuvo el nivel. Entre las charlas, Nydia Mejía mostró cómo construyó, con herramientas gratuitas, un mapa de organizaciones que documentan feminicidios en México; Francys Lanza explicó cómo los modelos de crédito pueden heredar sesgos históricos de género; y Ana Cifuentes compartió herramientas reales para liderar con neurodivergencia. Ciencia de datos, ética, liderazgo y salud pública, todo bajo el mismo techo, y con la inteligencia artificial como hilo conductor.

El panel: She Leads

Uno de los momentos centrales del día fue el panel She Leads: Shaping STEM’s Future with AI, que reunió a mujeres con trayectoria directiva para conversar sobre cómo la IA está transformando los equipos, los roles y las dinámicas de trabajo, y sobre la responsabilidad de liderar esa adopción. Participaron Gabriela Guevara (AMITI), Elsa Ramírez (Praxis Tech Solutions) y Patricia Skroche, con la moderación de Mara Ruvalcaba (Software Guru).

Moderado por Mara Ruvalcaba, fundadora de Software Guru, el panel es ya una tradición del evento. Este año reunió a tres mujeres con trayectorias enormes: Gabriela Guevara (AMITI), Elsa Ramírez (Praxis, con más de 35 años en TI) y Patricia Skroche (Project Manager en Novartis).

La primera discusión fue si la IA es moda o transformación. Elsa la puso en perspectiva: es una herramienta que hay que aprender a usar, como en su momento lo fueron el internet, el correo o la nube, que tanto costó llevar al sector financiero. Y Gaby recordó que cada ola tecnológica llegó con el miedo a perder el empleo, y aquí seguimos: “llegó Internet y aquí estamos; estamos viviendo lo mismo con la IA”.

Sobre cómo cambia el trabajo, Patricia dio el dato más concreto: en su equipo, en menos de siete meses, no queda un solo rol que no tenga un agente ayudándole con al menos 20 a 30% de sus tareas diarias. Pero los roles no desaparecen, subrayó: se reformulan, y la IA libera tiempo para lo que de verdad importa, decidir y crear. Notó, además, un efecto muy humano: los equipos colaboran más, comparten en vez de competir.

¿Y qué habilidades se vuelven más valiosas? Coincidieron en las humanas. Elsa, que estudió computación “porque le daba miedo la gente”, contó cómo la comunicación terminó siendo su habilidad más importante en tres décadas de carrera, y destacó el ojo de las mujeres para identificar riesgos. Gaby sumó la creatividad y el emprendimiento; Patricia, la capacidad de conectar y generar empatía. El cierre tocó la ética: con una referencia a Spider-Man (“un gran poder conlleva una gran responsabilidad”), Patricia invitó a construir pensando siempre en quien usará la tecnología, como si fuera de la familia, y a perder el miedo: “úsalo, inténtalo, pruébalo”. Y cuando la conversación volvió a la brecha salarial, Elsa dejó la frase que resume el espíritu del día: la primera persona que tiene que creer en tu valor eres tú.

La comunidad, en voz de quienes asisten

Si algo confirma cada edición es que Dev Day 4 Women es, ante todo, comunidad. Este año presentaron cinco comunidades aliadas: Women CISO, Women in Gamex, Women Techmakers, Más Voces en Diseño México y R-Ladies Xalapa, y en cada pausa las salas se llenaron de conversaciones, intercambio de contactos e historias compartidas.

Lo dijeron mejor las propias asistentes. Una de ellas nos compartió:

“Quiero felicitar al equipo organizador de Dev Day 4 Women por la excelente planificación y ejecución del evento. La selección de los temas y de las ponentes fue muy acertada, ya que ofrecieron contenido actualizado, relevante y de gran valor. Destaco el ambiente inclusivo, colaborativo y motivador que se fomentó durante toda la jornada, así como las oportunidades de aprendizaje y networking. Sin duda, es una iniciativa inspiradora que contribuye al crecimiento profesional y al fortalecimiento de la comunidad STEM.”

Y otra, que ya nos había acompañado antes, lo puso en palabras que nos llegaron al corazón:

“No es la primera vez que asisto y cada edición se nota el cariño y el esfuerzo que le ponen. Como chica en tech, eventos como este me hacen sentir representada y me dejan con muchas ganas de seguir creciendo en esta industria. Crear espacios así no es poca cosa, y se agradece un montón que existan y que sigan apostando por ellos. ¡Gracias por todo el trabajo! Nos vemos en la próxima.”

No termina aquí: nos vemos en Monterrey

Dev Day 4 Women CDMX 2026 no fue solo un evento de tecnología: fue la confirmación de que la comunidad crece, madura y sube el nivel. Este año reforzamos la formación práctica con talleres que aterrizan el conocimiento, sin perder lo que nos define: crear un espacio donde las mujeres en STEM se sientan representadas, aprendan y se impulsen entre sí.

Y esto continúa. Nos vemos en Dev Day 4 Women Monterrey, el 31 de octubre, para seguir construyendo, juntas, el futuro de la tecnología.

Gracias

Un agradecimiento especial a nuestros patrocinadores, que hacen posible que este evento llegue a cada vez más mujeres:

Y a las comunidades aliadas que siempre se suman en beneficio de las mujeres en tecnología: Women CISO, Women in Gamex, Women Techmakers, Más Voces en Diseño México y R-Ladies Xalapa.

Laura Figueroa

Tu empresa está entrenando a la competencia: Por qué usar IA pública es un riesgo que no puedes permitirte

Fernando — Wed, 05 Aug 2026 19:33:53 +0000

Tu empresa está entrenando a la competencia: Por qué usar IA pública es un riesgo que no puedes permitirte

Fernando Wed, 08/05/2026 - 13:33

En el panorama tecnológico actual, la Inteligencia Artificial Generativa ha pasado de ser una novedad académica a una herramienta omnipresente en el flujo de trabajo corporativo. Sin embargo, junto a esta adopción masiva ha surgido un fenómeno peligroso: la confianza ciega. Existe una tendencia a percibir los modelos de lenguaje como oráculos infalibles, olvidando que, bajo el capó, no operan mediante razonamiento lógico, sino a través de arquitecturas probabilísticas.

Para los profesionales de datos y desarrollo, la pregunta no es si la IA es "buena" o "mala", sino bajo qué condiciones falla y cómo podemos mitigar ese riesgo.

La prueba del reloj: Creatividad vs. Alucinación

Uno de los test más simples y reveladores para cualquier IA generativa es pedirle que renderice un reloj analógico marcando una hora específica. A menudo, el resultado es estéticamente impecable, pero funcionalmente incorrecto. ¿Es esto creatividad? ¿O es una alucinación visual?

Cuando el modelo inventa una marca inexistente o coloca las manecillas en ángulos imposibles, no está siendo "creativo"; está fallando en su capacidad de representar la realidad física. Este fenómeno se replica en el texto: cuando un modelo "alucina", no está mintiendo por malicia —como el niño que inventa una historia para evitar un castigo—, sino porque su función objetivo es dar una respuesta plausible, no necesariamente una respuesta veraz.

La anatomía del error: Técnico vs. Humano

El fracaso de un sistema de IA suele categorizarse en dos ejes:

Errores Técnicos: Derivados de datos desequilibrados (como alimentar a un modelo con currículums sesgados que descartan talento femenino) o de la memorización de información sensible. Un sistema que indexa contraseñas corporativas o datos confidenciales de correos electrónicos no está siendo inseguro por diseño, sino por una mala implementación de los datos de entrenamiento.
Errores Humanos: La falacia de la "caja negra". La falta de validación crítica ha llevado a desastres reputacionales y financieros —como el caso de la auditoría viral en el gobierno australiano—, donde un error generado por IA fue aceptado sin el debido proceso de auditoría humana.

El peligro del "Chicken Recipe": Datos corporativos y la trampa del reentrenamiento

Para los tomadores de decisiones, el riesgo más subestimado es la privacidad de los datos. Existe una idea errónea de que pagar una suscripción a una IA personal garantiza la seguridad de la información.

Considérese la analogía de la "receta secreta": si un empleado introduce procesos logísticos o secretos industriales en un chat público para "mejorar" un documento, ese conocimiento se vuelve parte del dataset de entrenamiento del modelo. En un futuro, ese mismo conocimiento podría ser entregado a un tercero que pregunte por soluciones similares. En el entorno corporativo, la privacidad no es opcional, y el uso de herramientas públicas para fines estratégicos sin una arquitectura empresarial (con protección de datos y sin reentrenamiento) es una negligencia técnica.

Hacia una implementación robusta: El enfoque de ingeniería

El despliegue exitoso de IA no depende de la potencia del modelo, sino de la robustez de las pruebas. Antes de automatizar procesos críticos, es imperativo establecer un marco de trabajo que considere:

Validación de contexto: La IA debe entender el rol, la audiencia y la restricción del output.
Ambientes cerrados: Priorizar el uso de modelos empresariales con escudos de protección de datos (Enterprise Grade) que cumplan con normativas internacionales (como el GDPR) y garanticen que la información no saldrá del entorno controlado.
Pruebas de estrés: Los sistemas deben ser sometidos a prompts contradictorios para observar su comportamiento bajo presión. Si un chatbot de atención al cliente colapsa ante una consulta fuera del guion, no está listo para producción.

Conclusión

La IA es una herramienta de potencia incomparable, pero carece de juicio. El papel del profesional moderno no es confiar en el output del algoritmo, sino construir los sistemas de gobernanza, validación y testing que aseguren que la tecnología trabaje para la empresa, y no al revés. La era de la experimentación está terminando; la era de la ingeniería de IA confiable apenas comienza.

¿Te interesa optimizar el rendimiento de tus modelos o asegurar que tu implementación de IA cumple con los estándares de privacidad empresarial? La clave está en la arquitectura de datos, no solo en la interfaz.

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 predicción a la decisión: Cómo usar Random Forest y Algoritmos Genéticos para diseñar políticas públicas efectivas

Fernando — Wed, 05 Aug 2026 18:11:29 +0000

De la predicción a la decisión: Cómo usar Random Forest y Algoritmos Genéticos para diseñar políticas públicas efectivas

Fernando Wed, 08/05/2026 - 12:11

En el ámbito de la ciencia de datos y la política pública, el cambio climático representa uno de los retos más complejos de modelar debido a su naturaleza multivariable y estocástica. Históricamente, las proyecciones climáticas han dependido de pronósticos tradicionales que fallan al intentar predecir una trayectoria única del futuro. Sin embargo, un enfoque reciente, bautizado como el modelo "Si se puede", está transformando esta dinámica al transitar del forecasting al Robust Decision Making (RDM) o Toma de Decisiones Robusta.

El paradigma de los futuros sintéticos

El problema fundamental de los modelos climáticos convencionales es la incapacidad de capturar la incertidumbre exógena (PIB, demanda energética, población). La metodología "Si se puede" rompe con esto mediante la ejecución de simulaciones masivas. A través del muestreo de Hipercubo Latino (Latin Hypercube Sampling), el sistema genera miles de trayectorias (futuros sintéticos) que no pretenden ser una predicción exacta, sino un abanico de posibilidades.

Este framework integra diversos sectores —energético, socioeconómico, economía circular y agricultura— permitiendo analizar cómo interactúan estas variables y cuál es el impacto resultante en las emisiones de CO2.

Minería de datos y Random Forest: Identificando los drivers de éxito

Con un dataset compuesto por 1,000 simulaciones, cada una analizada como una serie de tiempo compleja (35 pasos temporales por ~2,000 columnas), el volumen de información requiere técnicas avanzadas de reducción y clasificación.

Para extraer insights accionables, se implementa una arquitectura de análisis de datos estructurada en tres fases:

Ingeniería de variables objetivo: Se calcula el porcentaje de cambio de las emisiones totales entre el año inicial y el final, transformando las series de tiempo en un formato manejable para modelos predictivos.
Etiquetado Binario: Se definen variables objetivo mediante deciles, clasificando las simulaciones en "casos de éxito" (bajas emisiones) o "casos fallidos" (altas emisiones).
Modelado con Random Forest: Se entrenan modelos de Random Forest para cada cuantil, permitiendo computar la importancia de las variables (feature importance). Esto permite identificar qué levers (políticas públicas) y qué condiciones exógenas son los predictores más robustos para mitigar emisiones.

Optimización multiobjetivo y el Frente de Pareto

Identificar qué variables son importantes es solo el primer paso. El desafío crítico reside en determinar la magnitud o intensidad necesaria para que estas políticas sean efectivas.

Para resolver este trade-off, se utiliza un algoritmo genético multiobjetivo que optimiza dos métricas clave:

Coverage: Capacidad de capturar la mayor cantidad de escenarios vulnerables (emisiones altas).
Density: Minimización de la captura de escenarios "seguros" (emisiones bajas) dentro de la zona de intervención.

El resultado es la construcción de un Frente de Pareto, que permite a los tomadores de decisiones visualizar el punto óptimo donde se maximizan simultáneamente la cobertura y la densidad. Esta técnica permite trazar fronteras de decisión claras, como se observó en el estudio de caso para el estado de Luisiana.

Conclusión: Política basada en evidencia

El resultado final de este proceso algorítmico es la capacidad de establecer umbrales precisos para la intervención pública. En el caso analizado, se determinó que políticas específicas —como el uso de energías renovables y la electrificación de procesos térmicos— deben aplicarse con una intensidad superior al 60% para lograr un impacto real en la mitigación de gases de efecto invernadero.

Este enfoque trasciende la especulación, proporcionando a los responsables de políticas climáticas una base empírica para asignar recursos y esfuerzos, asegurando que las decisiones no solo estén bien intencionadas, sino que estén respaldadas por la robustez de los datos.

¿Te gustaría profundizar en la configuración técnica de los hiperparámetros del Random Forest o ver la implementación del algoritmo genético utilizado en este estudio? Mira el video completo de esta charla:

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day

Pedro Galván

Ingeniería de calidad de software: Por qué el rol del tester está cambiando con la IA

Fernando — Wed, 05 Aug 2026 17:41:14 +0000

Ingeniería de calidad de software: Por qué el rol del tester está cambiando con la IA

Fernando Wed, 08/05/2026 - 11:41

La inteligencia artificial está modificando el desarrollo de software y, con ello, la manera en que las empresas abordan la calidad. Durante años, el testing se concentró en identificar defectos antes de una liberación. Hoy, la calidad acompaña todo el ciclo de vida de una aplicación y participa en decisiones que influyen en la disponibilidad de los servicios, la experiencia del usuario y la continuidad del negocio.

El crecimiento de arquitecturas basadas en microservicios, despliegues continuos, plataformas cloud native y aplicaciones que incorporan modelos de inteligencia artificial ha ampliado el alcance de la ingeniería de calidad de software. En este entorno, los equipos requieren nuevas capacidades técnicas y una visión más amplia del funcionamiento de los sistemas.

La calidad dejó de ser una etapa del desarrollo

Validar una aplicación únicamente antes de ponerla en producción dejó de ser suficiente. En los modelos actuales de desarrollo, la calidad forma parte del proceso desde las primeras etapas y acompaña la evolución del software durante todo su ciclo de vida.

Cuando una aplicación depende de múltiples servicios y recibe actualizaciones constantes, comprobar que una funcionalidad cumple con la especificación es solo una parte del trabajo. También es necesario evaluar cómo responde el sistema ante incrementos de carga, fallas en dependencias externas o situaciones que pueden afectar la operación del negocio.

Ese cambio amplió el alcance de los equipos de calidad. Además de diseñar y ejecutar pruebas, participan en la definición de estrategias de validación, monitorean servicios digitales en producción y colaboran con desarrollo, operaciones y seguridad para identificar riesgos antes de que impacten a los usuarios.

El perfil profesional también evolucionó. El dominio de herramientas de automatización continúa siendo importante, pero hoy se complementa con conocimientos de arquitectura de software, programación, análisis de datos y una mejor comprensión de los objetivos del negocio.

La IA cambia las herramientas, pero también las decisiones

La inteligencia artificial ya forma parte de distintas actividades relacionadas con el testing. Puede generar casos de prueba, clasificar hallazgos, resumir resultados o identificar patrones que antes requerían varias horas de trabajo manual.

Su incorporación, sin embargo, trae consigo nuevas responsabilidades. Los equipos ya no solo deben validar la calidad de las respuestas que produce un modelo; también necesitan decidir en qué actividades aporta valor y cuándo conviene utilizarlo.

La IA introduce una variable que hace pocos años no formaba parte del trabajo cotidiano del ingeniero de calidad: el costo de utilizar modelos generativos. Cada interacción consume tokens o licencias y representa un gasto que debe evaluarse junto con el beneficio esperado.

Por ello, una estrategia de calidad apoyada en inteligencia artificial no consiste en automatizar la mayor cantidad posible de tareas, sino en identificar los procesos donde su uso está plenamente justificado. Determinar ese equilibrio entre costo, cobertura y beneficio comienza a convertirse en otra competencia para los equipos de calidad, del mismo modo que hoy se priorizan riesgos, tiempos de ejecución o cobertura de pruebas.

La incorporación de IA no sustituye el criterio humano. Por el contrario, desplaza el trabajo hacia decisiones que requieren análisis técnico, conocimiento del negocio y una mejor comprensión del impacto que puede tener cada cambio sobre el software.

La IA no sustituye el criterio humano; desplaza el trabajo hacia decisiones que requieren análisis técnico, conocimiento del negocio y una mejor comprensión del impacto de cada cambio sobre el software.

La ingeniería de calidad abre nuevos frentes para la industria

Hace algunos años, la automatización de pruebas ocupaba buena parte del interés de la comunidad técnica. Hoy el panorama es más amplio e incluye inteligencia artificial, resiliencia, seguridad, confiabilidad y operación de sistemas distribuidos.

Esa evolución puede observarse en la agenda de la conferencia Hands-On Testing 2026, cuya novena edición reunirá charlas sobre pruebas para productos de software con IA generativa, evaluación de modelos de lenguaje, seguridad en arquitecturas cloud native, automatización inteligente y estrategias para validar sistemas cuyo comportamiento ya no siempre es determinista.

Todas las sesiones comparten una misma idea: la calidad ya no se mide únicamente por la capacidad de encontrar defectos. Hoy también exige comprender cómo responde un sistema en condiciones reales de operación, anticipar riesgos y tomar decisiones con base en evidencia técnica y objetivos de negocio.

Para Blanca Moreno, fundadora de Hands On Testing, esta evolución explica por qué la conferencia ha ampliado gradualmente los temas que aborda en cada edición. El objetivo, señala, ha sido reunir a la comunidad de ingeniería de calidad de software para compartir experiencias y mejores prácticas conforme la disciplina incorpora nuevos retos. Este año, bajo el lema "La calidad autónoma en la era de la IA", la discusión se enfocará en cómo integrar inteligencia artificial a los procesos de calidad sin perder el juicio técnico ni la responsabilidad que sigue recayendo en las personas.

Una disciplina que continúa evolucionando

La ingeniería de calidad incorpora hoy responsabilidades que hace pocos años no formaban parte del rol. Evaluar riesgos asociados con modelos generativos, decidir cuándo el uso de IA aporta valor y administrar de manera eficiente los recursos necesarios para integrarla al ciclo de desarrollo son algunas de ellas.

Todo apunta a un perfil profesional con mayor participación en la estrategia técnica, el análisis de riesgos y la confiabilidad de las aplicaciones. Más que ejecutar pruebas, los equipos de calidad contribuyen a que las decisiones sobre el software se tomen con mayor información y menor incertidumbre.

Buena parte de estos desafíos se abordará durante Hands-On Testing 2026, que se realizará del 12 al 14 de agosto en modalidad streaming sin costo y concluirá el 15 de agosto con una jornada presencial en Guadalajara, Jalisco. La agenda completa, el programa de conferencias y la información sobre el evento están disponibles en handsontesting.com.

Blanca Moreno

¿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.

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

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