Consultoría Tecnológica en Madrid

El Consejo Asesor Internacional de Inteligencia Artificial ha presentado esta mañana en Madrid el Manifiesto de Madrid por una IA Responsable. El manifiesto defiende el papel de las democracias en la gobernanza de la inteligencia artificial (IA) y también advierte de la necesidad de ir más allá de la autorregulación por parte de la industria. Según el documento, la autorregulación de la industria no es suficiente para garantizar que el desarrollo de la IA esté alineado con el interés público. Entre otros argumentos, el documento incide en la función legítima de los gobiernos democráticos a la hora de configurar, supervisar y desarrollar la IA para asegurar que sus beneficios estén alineados con los derechos humanos, los valores democráticos y una distribución equitativa de las oportunidades que genera esta tecnología. Un grupo de expertos internacionales procedentes de ámbitos como la tecnología, la ética, la economía, la sociología, la gobernanza digital y las ciencias cognitivas ha elaborado un manifiesto que exhorta a confiar exclusivamente en mecanismos de supervisión impulsados por las propias empresas desarrolladoras no garantiza que la evolución de la IA responda al interés general. El acto de presentación ha contado con la participación del ministro para la Transformación Digital y de la Función Pública, Óscar López, quien puesto en valor en su intervención que la competencia global en IA no debe limitarse a desarrollar modelos cada vez más avanzados. Según defiende el Consejo Asesor Internacional, el verdadero desafío consiste en construir sociedades capaces de aprovechar esta tecnología de forma inclusiva y sostenible. A modo de ejemplo, el manifiesto constata que “la IA es mucho más que una carrera por construir el mejor modelo; es una carrera por construir la sociedad más capaz de aprovechar la IA y beneficiarse de ella”. El manifiesto dedica una atención especial a la soberanía digital, definida como una condición indispensable para que las democracias mantengan el control sobre infraestructuras tecnológicas críticas y puedan gestionarlas de acuerdo con sus leyes y prioridades colectivas. El Consejo vincula la soberanía digital con la autonomía, la resiliencia y la cooperación internacional. En este sentido, considera que las instituciones públicas deben conservar capacidades propias a lo largo de toda la cadena de valor de la IA para garantizar que las tecnologías estratégicas permanezcan sometidas a supervisión democrática. Asimismo, los expertos defienden la necesidad de que los sistemas de IA reflejen la diversidad lingüística, cultural y territorial de las sociedades a las que sirven y contribuyan a generar prosperidad, conocimiento y bienestar para las generaciones futuras.

This is today’s edition of The Download, our weekday newsletter that provides a daily dose of what’s going on in the world of technology. AI breakthroughs in robotics won’t change your life any time soon The hype around humanoid robots is reaching fever pitch. Much of it comes from the idea that the same AI…

La colaboración permite centralizar la gestión de un entorno Linux heterogéneo, eliminar brechas de soporte en alrededor de 100 servidores, reforzar la seguridad y el cumplimiento normativo L'articolo El Hospital Clínic de Barcelona refuerza su infraestructura Linux con SUSE proviene da Computing.

Gabriel Enríquez Molina, Head of Apps de Capgemini España, aborda temas como la responsabilidad y los límites de los agentes de IA y la relación que los empleados establecen con ellos y la que se establece entre los mismos L'articolo La empresa agéntica: Cómo la IA entra en acción proviene da Computing.

This week, we released our 2026 version of our Climate Tech Companies to Watch list. It’s an annual project that the MIT Technology Review team puts together. Our goal is to highlight some of the promising, interesting advances and firms we think are worth paying attention to in the world of climate and energy technology. …

Factores como desajustes entre personas y puestos, falta de transparencia en los procesos y escasez de oportunidades de desarrollo crean en los empleados la sensación de infravaloración que termina empujándolos a tomar otro camino. L'articolo Cómo la tecnología ayuda a ver el talento antes de que se vaya proviene da Computing.

BBVA presenta, en un encuentro con analistas e inversores, la evolución de su estrategia de inteligencia artificial, que tiene en ‘The Frame’ un marco común para crear, desplegar, gestionar y gobernar agentes de IA a escala L'articolo BBVA crea un modelo para escalar la IA a todo el Grupo proviene da Computing.

Según un informe de Capgemini, el sector público español destinará el 7,40 % de su presupuesto de TI a la IA en 2027, superando la media global y a potencias como Alemania y Francia, aunque solo un 27 % de los proyectos logra pasar de la fase piloto a producción L'articolo España acelera la inversión pública en inteligencia artificial pero choca con el muro del escalado proviene da Computing.

La IA generativa ayuda a las personas a escribir, investigar, programar o analizar contenidos con mayor rapidez. Una ventaja enorme, pero con un grave problema: según un estudio de McKinsey, aunque el 80% de los usuarios de IA afirman haber aumentado su productividad personal, solo el 6% de las empresas indican que la IA aumenta significativamente sus beneficios operativos. SAP cree que puede cerrar esta brecha con los modelos tabulares de base (TFM, por sus siglas en inglés). Estos modelos tienen como objetivo ayudar a las empresas a detectar antes y gestionar mejor los riesgos, la demanda, las interrupciones o la evolución de la liquidez. Hemos preguntado a Philipp Herzig, director de tecnología de SAP, en qué consiste esta tecnología. Desde hace tres años todo el mundo habla de la IA generativa y de los modelos de lenguaje a gran escala (LLM). La inteligencia artificial clásica y el aprendizaje automático, aunque siguen utilizándose con frecuencia, parecen haber caído casi en el olvido. Y ahora SAP llega con los modelos tabulares de base (TFM). ¿A qué se debe esto? Es evidente que los últimos dos o tres años han girado en gran medida en torno a los modelos de lenguaje a gran escala. Ofrecen posibilidades asombrosas, no solo para el procesamiento del lenguaje natural, para lo que se desarrollaron originalmente. Sin embargo, siguen siendo inadecuados para determinadas tareas en las que se suele recurrir al aprendizaje automático clásico. Tomemos, por ejemplo, las previsiones de flujo de caja, la puntuación crediticia, el mantenimiento predictivo o los retrasos en los pagos. Cuando se trata de reconocimiento de patrones en series temporales, clasificación o regresión, los LLM no son la herramienta adecuada. En problemas más triviales, quizá aún se pueda hacer. Pero es, como mínimo, ineficiente en términos de tokens intentar realizar una clasificación a través del lenguaje cada vez. En el pasado, ha surgido una y otra vez la pregunta: ¿por qué SAP no desarrolla su propio modelo de lenguaje grande? Nuestra respuesta siempre era: para nosotros no tiene sentido. Nuestra actividad principal son los datos estructurados, que suelen presentarse en tablas. Es precisamente ahí donde se realizan tareas como la clasificación, la regresión o las previsiones de series temporales. Algo que, hasta ahora, se hacía con el aprendizaje automático clásico… Sí, pero el problema del aprendizaje automático clásico es que siempre hay que entrenar un modelo específico para cada caso. En primer lugar, hay que recopilar todos los datos y darles la forma adecuada. A continuación, existen diversos algoritmos de aprendizaje automático que hay que probar y comparar entre sí. Dependiendo de la complejidad, encontrar el modelo adecuado puede llevar desde unas semanas hasta varios meses. Esto aumenta el riesgo de que el modelo ya haya quedado obsoleto, porque las distribuciones estadísticas de los datos subyacentes han cambiado —palabras clave: ‘model drift’ y ‘data drift’—. A esto se suma que se necesitan expertos con muy buenos conocimientos de estadística y aprendizaje automático. En el caso de un banco que, por ejemplo, toma decisiones crediticias basándose en esto, no basta con jugar un poco con Python. ¿Cuál es la idea fundamental? En principio, queremos trasladar a los datos tabulares lo que los grandes modelos de lenguaje han logrado con el lenguaje natural. En lugar de entrenar un modelo específico para cada caso de uso, existe un gran modelo capaz de generalizar a través de diferentes tareas. Puede tratarse de la puntuación crediticia en un banco, del comercio financiero o de predicciones médicas basadas en marcadores proteicos. El principio es siempre el mismo: le proporciono al modelo datos históricos en forma de tablas y este puede resolver con ellos diferentes tareas predictivas. Eso es precisamente con lo que empezamos. Hemos desarrollado nuestro propio modelo, el RPT 1.6, a lo largo de los últimos tres años, inicialmente como proyecto de investigación. Con la adquisición de Prior Labs hemos reforzado aún más nuestras actividades en este ámbito, porque hemos visto que estamos muy a la vanguardia tecnológicamente en este campo. ¿Cómo funciona lo de los datos de entrenamiento? ¿Qué está ya preentrenado y qué papel desempeñan los datos reales de las empresas que utilizan el modelo? Es cierto que tenemos acceso a muchos datos de clientes, siempre que estos nos den su consentimiento. Sin embargo, no hemos utilizado esos datos para entrenar el modelo. Para ello, hemos utilizado datos tabulares de acceso público y hemos trabajado en gran medida con datos generados sintéticamente. En cambio, utilizamos los datos reales de los clientes para la validación. Ese es para nosotros el verdadero valor añadido: podemos tomar en el laboratorio los datos de un cliente real y comprobar cómo se comporta el modelo con ellos. Aunque el modelo no se haya entrenado con estos datos, ya podemos comprobar qué resultados ofrecería si lo aplicáramos al cliente. ¿Qué resultados obtienen los TFM en este contexto? Hemos llevado a cabo numerosas validaciones internas al respecto. Precisamente con datos empresariales de finanzas, cadena de suministro o recursos humanos, los modelos obtienen muy buenos resultados, ya que también están optimizados para este tipo de casos de uso. Y esto funciona sin que los datos reales de los clientes se incorporen al entrenamiento del modelo base. La pregunta clave es: ¿cómo se comporta el modelo base frente a la mejor línea de referencia posible de IA estrecha? Es decir, lo comparamos con un modelo que un experto en aprendizaje automático ha desarrollado y optimizado específicamente para ese caso de uso concreto. Actualmente, superamos a las líneas de base clásicas de aprendizaje automático en casi todos los casos. Incluso frente a enfoques de AutoML muy potentes, nos situamos por delante en aproximadamente entre el 70 y el 80% de los casos. Sin embargo, la diferencia clave es que estos modelos suelen necesitar varias horas de entrenamiento para la tarea en cuestión. En cambio, a nuestro modelo base solo le proporciono unos pocos miles de registros y puedo empezar directamente con la predicción. Las predicciones se basan en la probabilidad estadística, pero, desde el punto de vista del cumplimiento normativo, ¿no son aún más importantes la explicabilidad y la reproducibilidad del resultado? Así es. Si introduce varias veces el mismo prompt en los LLM habituales, puede obtener respuestas diferentes, dependiendo, por ejemplo, de la temperatura. Con nuestros modelos es diferente: si introduce las mismas muestras, obtendrá la misma predicción y el mismo nivel de confianza. Aún más importante es la trazabilidad de los resultados, la explicabilidad. Esa es también una de las innovaciones que hemos introducido con RPT 1.6. Al fin y al cabo, uno quiere saber: ¿tiene sentido esta predicción en cuanto al contenido? ¿Por qué llega el modelo a este resultado? Por eso, por un lado, podemos mostrar qué columnas o características de la tabla han influido en la predicción —por ejemplo, la edad, el sexo u otras características—. Pero vamos más allá: además de ‘Explain by Feature’, también existe ‘Explain by Example’. Así, podemos mostrar qué otras filas, o ejemplos, del conjunto de datos han contribuido a la predicción. Si se trata, por ejemplo, de una recomendación de producto, el cliente puede comprender que la predicción se basa, entre otras cosas, en que clientes similares también han comprado ese producto. De este modo, el usuario puede valorar mejor si confía o no en la predicción. ¿Se podría utilizar entonces la IA generativa para la explicación en lenguaje natural? Sin duda alguna. Hay que diferenciar claramente las tareas en este caso. Los modelos de base tabulares (TFM) no van a cambiar el patrón de interacción con el usuario, como sí lo hacen Joule, ChatGPT o Claude. Para eso se seguirán utilizando los grandes modelos de lenguaje. Los TFM se encargan más bien de las tareas relacionadas con datos estructurados. Por ejemplo, se pueden integrar de forma clásica en una interfaz de usuario. En una aplicación como SAP Analytics Cloud, trabajo en una interfaz de tipo tabular, selecciono una columna y digo: “Predice los valores de esta columna”. Pero también se puede integrar el modelo a través de MCP en un agente. Este reconoce entonces: “No debería resolver esta tarea yo mismo, para eso tengo un servidor MCP”. Toma el fragmento relevante de la tabla, lo transfiere a RPT 1.6 o TabPFN y recibe la predicción. A continuación, el LLM puede volver a presentar este resultado en forma de texto comprensible. ¿Qué casos de uso le parecen especialmente interesantes en el ámbito del ERP? Hay muchos. Pero lo que me parece especialmente interesante como patrón es lo siguiente: cuando se habla de IA generativa y agentes, casi siempre se trata de cómo aumentar la productividad de los empleados o reducir los costes de personal. Esto se debe a que estas tecnologías se aplican directamente al trabajador del conocimiento. Sin embargo, si habla, por ejemplo, con minoristas, fabricantes de alimentos, empresas farmacéuticas o empresas manufactureras, a menudo la mayor parte del capital ni siquiera está vinculado a los empleados. Se encuentra en la cadena de suministro, en el capital circulante, en las existencias y en los costes de almacenamiento, en distintos puntos, según el sector. ¿Y probablemente también en la fijación de precios? Por supuesto. La fijación de precios y los escenarios hipotéticos son casos de uso muy importantes para estos modelos. Imagínese que obtengo los datos reales del sistema ERP y los tengo en una tabla. Ahora puedo modificar parámetros concretos: ¿qué ocurre si cambio de proveedor? ¿Qué repercusiones tendría si subiera el precio? Así puedo ver muy rápidamente qué repercusiones tendría previsiblemente un cambio concreto. Otro caso de uso importante es la previsión de la demanda. Tomemos como ejemplo a un minorista con, digamos, 2.000 artículos por tienda. Este debe tener en cuenta los efectos de la estacionalidad y saber con la mayor precisión posible qué debe reponer y cuándo. Por un lado, no puede quedarse sin stock, porque entonces perdería ingresos. Por otro lado, no quiere tener en el almacén productos que no se venden, ya que inmovilizan capital y generan gastos de almacenamiento. Si se consigue mejorar la previsión de la demanda con este tipo de modelos, por ejemplo, en un cinco o un diez por ciento, esto tiene un impacto inmediato en los niveles de existencias —y, por tanto, en los costes— de un gran minorista con miles de tiendas. ¿Qué posibilidades surgen en el ámbito financiero? Un ejemplo es el flujo de caja. En una empresa que opera a nivel internacional, los hábitos de pago varían de un país a otro, debido a las diferentes normativas, costumbres y otros factores. Por lo tanto, lo decisivo no es solo cuándo contabilizo una cuenta por cobrar, sino cuándo se recibe realmente el dinero. Si, por ejemplo, puedo reducir el plazo de cobro, es decir, los días de ventas pendientes (Days Sales Outstanding), de 50 a 45 días, esto tiene una enorme influencia en el flujo de caja de una empresa de tal envergadura. Con un modelo predictivo puedo, por ejemplo, predecir: ¿para cuándo se prevé que pague este cliente? ¿Debería quizá aplicar a este cliente una estrategia de precios diferente o un descuento para que el dinero se reciba antes? Esto abre muchas posibilidades para optimizar este tipo de decisiones sobre la marcha, sin tener que acudir cada vez al equipo de ciencia de datos y decirles: “Por favor, entrenad un modelo específico para esta cuestión concreta”. Se trata, sobre todo, de aplicaciones clásicas de gestión empresarial. ¿En qué otros ámbitos se utilizan además los modelos Tabular Foundation? Hay ámbitos de aplicación muy diversos. Creditplus utiliza TabPFN, por ejemplo, en el negocio crediticio; Hitachi, para el mantenimiento predictivo de trenes. El TD Bank emplea la tecnología en la previsión financiera y Oxford Cancer Analytics, para aplicaciones clínicas relacionadas con el cáncer. A esto se suman, por ejemplo, la gestión de riesgos financieros o las predicciones médicas. Lo interesante es que estos casos de uso tan diversos se basan en el mismo modelo. El principio siempre es el mismo. Necesito una cierta cantidad de datos tabulares, los introduzco en el modelo y puedo empezar a realizar predicciones de inmediato. Y para ello, el usuario no tiene que comprender en detalle lo que ocurre «bajo el capó». Esto supone un enorme aumento de la productividad y, al mismo tiempo, una democratización de la tecnología. El tema se vuelve accesible para muchas más personas, sin que tengan que haber estudiado previamente cinco años de ciencia de datos, IA y estadística. ¿Qué hay de la potencia de cálculo? ¿Es el esfuerzo comparable al de los grandes modelos de lenguaje? No, los modelos son mucho más pequeños. Hablamos de unos cientos de millones de parámetros, no de miles de millones o incluso billones, como ocurre con los grandes modelos de lenguaje. Y, por tanto, son muy rápidos. Si se realiza una predicción con TabPFN, tarda menos de un segundo. En ese tiempo, un LLM quizá acaba de generar los primeros tokens para explicarse a sí mismo cuál es realmente el problema. TabPFN o RPT ya habrán terminado la predicción. ¿Supone eso también un consumo energético considerablemente menor? En la primera generación de RPT lo comparamos una vez más detalladamente con un LLM. Aunque no alcanzamos la misma precisión, incluso en tareas comparables la diferencia en el consumo de recursos fue enorme. Con el RPT necesitábamos unos cien mil FLOP menos y aproximadamente 50 000 veces menos energía para una predicción. Por supuesto, esto también tiene que ver con el tamaño de los modelos. Al fin y al cabo, un modelo tabular de base no tiene por qué incorporar todo el conocimiento y los parámetros que necesita un modelo de lenguaje universal. ¿En qué punto se encuentra el mercado actualmente? ¿Sigue teniendo SAP una ventaja competitiva en este ámbito o existen modelos comparables de otros proveedores? El mercado evoluciona de forma muy dinámica, entre otros con modelos de Nvidia, Google, AWS o incluso proveedores de código abierto. En este sentido, son decisivos los resultados de las pruebas comparativas independientes, que se pueden consultar en Hugging Face y otras plataformas públicas. Allí, nuestros modelos obtienen muy buenos resultados. Por ello, creo que podemos afirmar con toda razón que, con TabPFN y nuestro modelo RPT-1.6, estamos actualmente a la vanguardia de la tecnología y nos encontramos entre los proveedores líderes.

The story is a collaboration between MIT Technology Review and Aventine, a non-profit research foundation that creates and supports content about how technology and science are changing the way we live. A robot shaped like a human—white with a black head and torso—has been popping up on video feeds. Perhaps you’ve seen it dance or…

En España, el 81% de las empresas ya invierte en integrar agentes de IA en sus sistemas para conseguir, entre otros objetivos, el nivel de personalización y automatización al aspiran desde hace tiempo para mejorar su posicionamiento en el mercado, la atención al cliente y su satisfacción L'articolo El coste no tan oculto de la IA agéntica proviene da Computing.

El desarrollo de la inteligencia artificial en el último lustro ha marcado el escenario tecnológico y, con él, el software corporativo. Desde el punto de vista de las empresas cliente, la IA está redefiniendo las decisiones de compra de las compañías, como ratifica un reciente estudio de JP Morgan en el que se percibe una tendencia generalizada a incrementar la inversión en estas herramientas. Se prevé que el mercado de IA en ERP crezca a un ritmo interanual del 26% entre 2026 y 2035, pasando de los 7.330 millones de dólares a los 58.700 millones en este período. Más allá de las cifras, el impacto de la IA se ha hecho notar ya en la oferta de los grandes agentes de software corporativo. SAP: ante un cambio en la arquitectura del sistema “Está cambiando de manera radical la arquitectura”, sintetiza Jorge Pérez, director de Plataforma Tecnológica y Datos e Inteligencia Artificial para el Sur de Europa en SAP. Al otro lado de la pantalla, Pérez explica que no se trata tanto de que la IA añada productos al portafolio —aunque sí lo haga—, sino de ese cambio más profundo. “Hoy el centro de gravedad está pasando a lo que llamamos el contexto”, añade, refiriéndose al modo de ejecución de los procesos en el negocio. En SAP estructuran la integración de la IA en tres capas. Por un lado estarían las de aplicaciones y la de datos, donde Pérez destaca la evolución del portfolio de datos hacia su producto Business Data Cloud, que reúne el dato de negocio con todo su contexto, con la inteligencia propia de cada empresa. “Y hay una tercera capa, que es la que estamos poniendo encima”, explica; “precisamente la capa de inteligencia artificial, la que es capaz de conectar la inteligencia general que nos traen los grandes modelos frontera con la inteligencia que reside en nuestro negocio”, con Joule como interfaz. Esta tercera capa, la SAP AI Foundation, facilita la base técnica para crear y operar extensiones y soluciones impulsadas por IA. “Sirve para construir esa inteligencia que una compañía espera de un sistema como SAP, para alcanzar ese paradigma que nosotros llamamos la empresa autónoma”. Así se facilita el desarrollo de agentes que actúen sobre los procesos, con lo que se lleva la automatización a otro nivel: “Una transformación radical en cómo se hacen las cosas”. Otro de los puntos fuertes que destaca Pérez es la integración de SAP con otros sistemas, de tal modo que en el diseño de productos se incorporan estándares tecnológicos open source para conectarse con otras plataformas. “Intentamos traer todo ese nuevo paradigma de inteligencia artificial”, resume, “sin cerrar al cliente, abriéndolo a todo el resto de su ecosistema”. La IA en software corporativo implica “una transformación radical en cómo se hacen las cosas”, según Jorge Pérez (SAP) SAP. En la foto, Jorge Pérez. En su relación con clientes, Pérez apunta cómo “adoptar la inteligencia artificial no es una decisión tecnológica, es una decisión sobre el proceso de negocio, y se empieza por donde hay valor medible”. De ahí que apuesten por otra secuencia: “Primero centrarnos en ordenar el dato, después embeber la inteligencia artificial en los procesos de negocio de manera estándar”, y solo entonces “empezar a meter agentes con autonomía cada vez más potente”. Esto en base a un criterio claro: “No nos centremos allí donde parezca que pueda tener impacto, sino donde realmente hemos identificado que lo tiene”. Pérez habla de una hoja de ruta sencilla, basada no en vender funcionalidades sueltas, sino centrándose en beneficios de negocio. “Hay clientes que vienen muy entusiasmados, que quieren empezar por el agente. Pero sin una base de datos gobernada, el agente va a alucinar, te va a dar resultados que no van a ser operativos”, con lo que se pierde ese entusiasmo inicial. “Y algo más importante, que es la confianza en el sistema”. “No es tanto que estemos trayendo un montón de productos nuevos”, reitera. “Lo realmente relevante es que está cambiando fundamentalmente toda la arquitectura del sistema”. Salesforce: apuesta por los agentes “La IA ha pasado de ser una capacidad añadida a convertirse en el principio sobre el que Salesforce está rediseñando su plataforma”, explica por correo Gonzalo Goñi, Solutions Engineering Director at Salesforce. Esta plataforma, Agentforce, “nació específicamente para crear y desplegar agentes de IA capaces de razonar, ejecutar tareas y trabajar junto a empleados y clientes”. Goñi refiere una integración progresiva de la IA en su portfolio, desde su CRM Sales a Slack, a través no solo del desarrollo de agentes de caja para cada app, sino utilizando precisamente los agentes para crear procesos de negocio en esas aplicaciones mediante lenguaje natural. “Esta evolución ha dado paso a una nueva arquitectura empresarial”, sintetiza. Goñi alude a varios anuncios de su último evento Dreamforce, como AIforce, una capa de interfaz en tiempo real para software empresarial, que permite utilizar la tecnología de Salesforce en el entorno de trabajo habitual. “La IA deja de estar ligada a una aplicación concreta y pasa a convertirse en una capacidad disponible allí donde se desarrolla el trabajo, permitiendo que personas y agentes colaboren sobre una visión única y fiable del negocio”, describe Goñi. Precisamente, unas semanas antes del evento se presentaba Claudeforce, la primera implementación de AIforce, una propuesta que “va más allá de integrar un modelo fundacional en una aplicación empresarial” al permitir a Claude trabajar sobre el contexto completo del negocio. Otro de los últimos lanzamientos es el Enterprise AI Harness, “un nuevo marco de confianza para la IA empresarial que plantea un entorno común para que los agentes compartan contexto, razonen, actúen y operen bajo los mismos controles de seguridad y gobierno en toda la organización”. Gonzalo Goñi (Salesforce) cree que “la IA deja de estar ligada a una aplicación concreta y pasa a convertirse en una capacidad disponible allí donde se desarrolla el trabajo” Salesforce. En la imagen, Gonzalo Goñi. Sobre cómo ha impactado la IA a nivel de despliegue de nuevas funcionalidades, Goñi sostiene que, si bien ha incrementado el ritmo de innovación, se mantienen las prácticas de gestión del ciclo de vida y calidad de las mejoras. “Con los agentes, este proceso cobra todavía más importancia. No basta con ponerlos en producción, sino que hay que definir claramente su ámbito de actuación, dotarles de datos accesibles y establecer mecanismos de supervisión y escalado humano desde el principio”, defiende.   Microsoft: inyectar IA a los flujos de negocio Desde Microsoft coinciden con Salesforce en esta evolución de la IA desde una capacidad añadida. Para el gigante de Redmond, actualmente la IA es “una capa transversal de nuestro portafolio corporativo”, como señala por email Alberto Pinedo, National Technology & Security Officer de Microsoft España. Pinedo acredita este impacto “tanto en servicios creados específicamente en torno a la IA”, entre los que cita Microsoft 365 Copilot, GitHub Copilot o Copilot Cowork, “como en la incorporación progresiva de capacidades inteligentes en aplicaciones de productividad ya consolidadas”, como sus aplicaciones clásicas de ofimática, Teams, Windows o Azure. “La evolución no consiste solo en añadir un asistente conversacional, sino en integrar IA en los flujos reales de trabajo, con acceso al contexto, los datos, la semántica y las reglas de cada organización”. Así, Microsoft ha “reforzado la base tecnológica que permite a las empresas crear sus propias soluciones de IA”, permitiendo Microsoft Foundry acceder a más de 11.000 modelos propios y externos, como OpenAI. También alude Pinedo a la capa de inteligencia empresarial unificada Microsoft IQ que, dice, “aporta a los agentes contexto organizativo basado en datos, conocimiento y señales procedentes de la actividad de la empresa”. Pinedo constata una evolución “hacia plataformas capaces de orquestar agentes, automatizar procesos y ejecutar trabajo de varios pasos con seguridad, gobierno y trazabilidad”. “El objetivo no es solo utilizar herramientas con IA, sino construir sistemas de inteligencia capaces de conectar datos, procesos, conocimiento y agentes”, dice Alberto Pinedo (Microsoft) Microsoft. En la foto, Alberto Pinedo. “Estamos pasando de un modelo basado en aplicaciones aisladas a otro en el que la inteligencia se convierte en un recurso compartido y accesible bajo demanda para toda la organización. El objetivo ya no es solo utilizar herramientas con IA, sino construir sistemas de inteligencia capaces de conectar datos, procesos, conocimiento y agentes para generar valor de negocio de forma continua”, sintetiza. “La adopción ya no consiste únicamente en incorporar asistentes de productividad, sino en rediseñar la forma en que se ejecuta el trabajo para combinar capacidades humanas y digitales de manera coordinada”, sintetiza. Oracle: IA totalmente integrada en las aplicaciones En Oracle, la integración en sus aplicaciones corporativas y de industria de IA tradicional, como el machine learning, tiene ya una tradición de años, sumando en los últimos tiempos la IA generativa y la agentiva, como recuerda Alfonso Cossío, Country Leader de aplicaciones de Oracle en Iberia, por videollamada. Cossío se remonta al anuncio de septiembre de 2024, cuando la compañía anunciaba el despliegue de más de 50 agentes dentro de su suite de aplicaciones Oracle Fusion Cloud. “Ahora mismo tenemos más de 600 agentes de inteligencia artificial integrados en nuestras aplicaciones de negocio”, pone en perspectiva. “Nuestra visión es que la inteligencia artificial ya forma parte de las aplicaciones, está totalmente integrada”, resume. “Esto es ya un continuo”. En relación a los ejes sobre los que se trabaja en Oracle, Cossío desarrolla lo que viene a ser una calle de doble sentido. Por un lado, define a su clientela como motor de innovación, recabando el feedback que les permite adaptar funcionalidades o añadir otras nuevas. Además, explica, Oracle plantea sus propias plataformas para que las empresas desarrollen sus propios agentes. En relación a la integración de IA en aplicaciones de negocio, Oracle ha incorporado en los últimos meses una infraestructura basada en la plataforma de desarrollo low-code/no-code Oracle AI Agent Studio, que permite el diseño y prueba de agentes personalizados para cada empresa. También ha presentado recientemente Oracle Fusion Agentic Applications, que crea y despliega una aplicación completa con interfaces de usuario de extremo a extremo. “Nuestra visión es que la inteligencia artificial ya forma parte de las aplicaciones, está totalmente integrada”, indica Alfonso Cossío (Oracle) Oracle. En la imagen, Alfonso Cossío. Cossío define un proceso de adopción y puesta en marcha fácil y rápido de las funcionalidades en IA de Oracle. “La activación es muy sencilla”, detalla. “Cuando llega una nueva release, los clientes deciden si la incorporan o no, si la activan, qué usuarios la pueden utilizar”. Con un enfoque human-in-the-loop: “Siempre es el humano el último que aprueba el resultado de la IA artificial”. En este contexto, valora el dotar a las empresas de la capacidad de desarrollar artefactos o nuevos agentes sobre la propia plataforma. “Para ellos es la comunicación perfecta”, resume.