Consultoría Tecnológica en Madrid

Denodo celebró el pasado 6 de octubre en Madrid su Denodo Data & AI Summit Madrid 2026. El evento sirvió para explorar cómo las organizaciones están logrando que la artificial (IA) genere ROI optimizando el ciclo de vida de sus productos de datos y llevando con confianza casos de uso a producción. Aprovechando la celebración del evento, COMPUTERWORLD mantuvo un encuentro con Alberto Pan, CTO de la compañía, en el que charlamos acerca del impacto de la IA basada en agentes en las empresas y el papel fundamental que desempeñarán los datos para garantizar su fiabilidad, escalabilidad y generación de valor, entre otros temas de interés. El dato como factor crítico para el éxito de la IA No cabe duda de que los datos gobernados y de calidad van a desempeñar un papel fundamental en un escenario caracterizado por la cada vez mayor toma de decisiones de los agentes de IA. Y lo que es más importante: decisiones ejecutadas de una manera también más autónoma. Para Alberto Pan, la principal diferencia con respecto a las aplicaciones tradicionales es que, antes, el ser humano que desarrollaba un informe o una aplicación podía aportar significado y semántica a los datos, algo que normalmente no estaba presente allí donde esos datos se almacenaban. “Históricamente hemos almacenado los datos, pero no la información sobre lo que esos datos significan. Eso es lo que, en términos técnicos, suele denominarse una capa semántica”, continua, para añadir: “En el caso de los agentes de IA, estos también necesitan ese contexto”. En su opinión, “si no les proporcionamos no sólo los datos, sino también su significado, no son capaces de interpretarlos correctamente. Y es entonces cuando se producen lo que habitualmente denominamos alucinaciones”. El impacto de la A en la forma de operar de las empresas Preguntado por el impacto de la IA basada en agentes en la forma de operar de las empresas a corto o medio plazo, Alberto Pan tiene claro que lo hará de manera inmediata. Es más, “ya está cambiando por completo la forma en la que se hace inteligencia de negocio”, apostilla. En opinión de este experto, la forma tradicional, basada en dashboards, hojas de Excel y herramientas similares, está cambiando y va a seguir haciéndolo muy rápidamente. “En su lugar, tendremos agentes de análisis de datos. Mejor dicho, ya los tenemos”, explica. El CTO de Denodo reconoce que estos agentes son susceptibles de recibir preguntas de distintos niveles de complejidad. “Desde preguntas sencillas que requieren respuestas simples hasta análisis profundos”. Además, “puedes interactuar con ellos de forma conversacional e ir refinando las respuestas mediante iteraciones sucesivas”. En definitiva, constata que “se trata de una manera completamente diferente de trabajar con los datos” por lo que “ese es el cambio que veremos a corto plazo”. Es momento de impulsar iniciativas de IA que generen un impacto real Alberto Pan defiende que durante los dos o tres últimos años, prácticamente todas las empresas han estado experimentando, desarrollando proyectos piloto, comprobando que determinadas cosas funcionan, y también han descubierto modos de fallo. ¿Y ahora? “Ahora ya se están protegiendo frente a esos riesgos y han llegado a una nueva fase: la obtención de retorno de la inversión. Se han acabado los pilotos. Es el momento de impulsar iniciativas de IA que generen un impacto real y medible en el negocio”, explica Según este CTO, ese cambio ya lo estamos observando de forma muy clara en los clientes. “Hace dos o tres años las organizaciones querían experimentar. Ahora quieren soluciones que aporten valor tangible y cuyos resultados puedan medirse con precisión”, añade. La diferencia entre un proyecto que llega a producción y el que queda en fase piloto Hay muchas empresas que han pasado de experimentar con IA a desplegar casos de uso reales en producción. “En muchos casos —dice—, la diferencia entre una cosa y otra está precisamente en la forma en que se organiza la gestión y la gobernanza del dato”. Alberto Pan explica que, durante estos años de experimentación, se ha llegado a una conclusión que, en cierto modo, ha resultado sorprendente: los modelos son ya suficientemente inteligentes para realizar la mayoría de las tareas que se quieren incorporar a los procesos de negocio y a los flujos de trabajo de las organizaciones. “El problema no estaba tanto en los modelos como en los datos”, dice al respecto. A su juicio, muchas veces los agentes no tenían acceso a la información necesaria o, cuando la tenían, carecían del contexto adecuado para interpretarla correctamente. “También ocurría que, al acceder de forma independiente a múltiples sistemas, no existían políticas de seguridad consistentes que regulasen cómo esos agentes interactuaban con la información”. Según Pan, gran parte de los modos de fallo se encontraban ahí. “Y es precisamente eso lo que las empresas han tenido que corregir para empezar a obtener resultados significativos”, explica. Obstáculos para escalar proyectos de IA a nivel corporativo A la hora de establecer obstáculos dentro de las organizaciones a la hora de escalar los proyectos de IA a escala corporativa, Alberto Pan destaca barreras humanas y tecnológicas. En cuanto a las segundas, “creo que en muchos casos sigue faltando una arquitectura de datos adaptada específicamente a las necesidades de la IA”. Esto es así porque, en su opinión, las organizaciones han intentado seguir varios enfoques. El primero consiste en conectar directamente herramientas como ChatGPT, a través de tecnologías como MCP, con los distintos sistemas de la empresa. “El problema es que, en cuanto intentas escalar este enfoque más allá de uno o dos casos de uso, acabas generando un entorno caótico. Cada usuario realiza las integraciones a su manera, obtiene resultados distintos y aparecen problemas similares a los que ya sufrían las organizaciones cuando construían integraciones punto a punto entre aplicaciones”, explica El segundo enfoque consiste en aprovechar la plataforma analítica corporativa existente, ya sea un data warehouse o un data lakehouse, y convertirla en el punto central de acceso para los agentes de IA. “Este modelo también presenta problemas de escalabilidad en las grandes organizaciones”, advierte. “Por eso creemos que ninguna de estas dos aproximaciones es suficiente. Para escalar la inteligencia artificial más allá de unos pocos casos de uso hace falta una nueva arquitectura de datos. Y eso es precisamente lo que intentamos proporcionar desde Denodo”, reconoce. El verdadero valor diferencial de la IA Preguntado por el verdadero valor diferencial de la IA, Alberto Pan concluye que se encuentra en la gestión inteligente del dato. “Los modelos ya son extremadamente potentes —reconoce—. Tienen la capacidad necesaria para afrontar la inmensa mayoría de los procesos de análisis y de negocio que estamos intentando resolver con ellos. Por eso, el auténtico factor diferencial para el CTO de Denodo no estará tanto en disponer de un modelo u otro, sino en la capacidad de proporcionar a esos modelos datos de calidad, gobernados, seguros y enriquecidos con el contexto adecuado. “Ahí es donde se generará el verdadero valor para las organizaciones”, explica. Hoja de ruta Una vez llegados hasta aquí, Denodo no quiere detenerse, por lo que tiene clara la hoja de ruta a seguir a corto medio plazo. “Una de las líneas más importantes tiene que ver con lo que llamamos datos no estructurados: documentos, imágenes o vídeos”, admite. Antes, para extraer el conocimiento contenido de cualquiera de ellos se necesitaba que una persona lo leyera o lo visualizara y explicara qué contenía. “Eso contrastaba con los datos estructurados de las bases de datos, donde sí podíamos realizar análisis mucho más sofisticados”, reconoce. Sin embargo, la llegada de la IA ha cambiado esta situación. “Ahora somos capaces de extraer automáticamente información valiosa de documentos, imágenes y contenidos audiovisuales”, añade. De ahí que el objetivo de Denodo sea ampliar el alcance de su capa de integración de datos. “Ya no se limita a los datos estructurados, sino que incorpora también los datos no estructurados gracias a las capacidades de la inteligencia artificial. Esta es una de nuestras principales líneas de innovación”. La segunda línea tiene que ver, según confiesa, con el desarrollo de productos de datos. “Tradicionalmente, estos productos eran creados por ingenieros de datos utilizando herramientas como Denodo. Posteriormente podían ser consumidos desde plataformas analíticas como Power BI o cualquier otra herramienta de negocio. Pero, al igual que estamos viendo cómo se automatiza la generación de código, también estamos asistiendo a la automatización de la creación de productos de datos”. Según Pan, esta tendencia continuará acelerándose. “Nuestra visión es que la plataforma Denodo pueda operar de forma agente a lo largo de todo el ciclo de vida del dato, desde su creación hasta su gestión y explotación”. Por último, la tercera gran línea de innovación está relacionada con la capa semántica. “Denodo siempre ha proporcionado una capa semántica que permite exponer los datos de múltiples sistemas utilizando conceptos de negocio, en lugar de terminología técnica. Es decir, hablamos de clientes, productos o proveedores, no de tablas ni tampoco de bases de datos o sistemas de origen”, dice para concluir.

CSO España ha mantenido un encuentro con Tiago Carrisosa, director del área de Ciberresiliencia en Dell Technologies para España y Portugal. Una entrevista que llega en un momento importante para el área, dado que octubre está declarado como mes de la ciberseguridad. Cuatro son las áreas clave en las que se centra la división de Dell Technologies: el papel de los datos y la recuperación; nuevas medidas de seguridad para la IA autónoma; protección de todo el ecosistema (Full-Stack, por el concepto en inglés; y la presión normativa con los marcos de cumplimiento normativo como NIS2, DORA, CRA y GDPR. De todo ello hablamos con Tiago Carrisosa en este encuentro. La brecha entre percepción y capacidad real de recuperación Tiago Carrisosa considera que la brecha que existe entre planificación y recuperación dentro de las empresas tiene mucho que ver con la mentalidad humana. “Y quizá también, en Iberia, con la falta de desarrollo completo de algunas normativas y regulaciones”, apostilla. En su opinión, es una cuestión de mentalidad. “La gente cree que por invertir en una tecnología que permite detectar amenazas o en un SOC muy avanzado tecnológicamente que permite detectar o prevenir ataques, ya es suficiente”. Por eso aboga por prevenir, invertir y parar un ataque antes de que ocurra sabiendo que en cualquier momento la empresa puede ser objeto de un ataque, sea cual sea su tamaño. Y eso pasa por una estrategia basada en varios pilares. “En primer lugar: no confiar nunca, probar siempre”, explica. En este sentido, confirma que todo el diseño de la infraestructura de Dell Technologies, desde que sale de fábrica, pasando por todo el ciclo de vida de la infraestructura y la cadena de suministro, incorpora controles en hardware y firmware para reducir la superficie de ataque. Y todo ello sin olvidar algo fundamental: “Disponer de copias aisladas, inmutables y limpias que garanticen una recuperación exitosa tras un ciberataque. Eso es fundamental”, advierte. Menos prevención en papel y más capacidad de recuperación No cabe duda de que almacenamiento, la protección de datos y la recuperación cibernética rápida son fundamentales para la IA en entornos de producción. El dato habla por sí solo: aunque el 99,8% de las empresas cuenta con una estrategia, según fuentes de la compañía, el 59% no logra recuperarse de un ataque. De ahí la importancia de la resiliencia. Con estos datos, Tiago Carrisosa defiende la estrategia de Dell Technologies, basada en lo que la compañía denomina copias limpias. “Disponemos de una solución llamada Dell PowerProtect Cyber Recovery Vault, que no es más que una plataforma de almacenamiento segura, aislada tanto lógica como físicamente, es decir, inaccesible desde el exterior, donde los clientes pueden guardar los datos más críticos para la supervivencia de su negocio”. “Se trata de servicios y datos críticos que, por su naturaleza, “deben estar almacenados en una plataforma totalmente aislada e inmutable”, según Carrisosa. “Además —prosigue—, cuando esos datos se almacenan, la plataforma incorpora mecanismos de inteligencia capaces de analizar y validar si realmente esas copias están limpias”. “Porque si una copia ya está corrupta, ¿de qué sirve almacenarla?”, apunta a continuación. Algo que, como reconoce, ocurre con frecuencia. Con esta estrategia, “si un cliente sufre un ciberataque, sabe exactamente desde qué punto puede recuperar aquello que resulta crítico para su supervivencia”, a la que también añade servicios MDR, que permiten detectar en tiempo real cualquier anomalía o comportamiento sospechoso; y servicios de Incident Response para ayudar directamente a los clientes durante el proceso de recuperación”. ‘Zero Trust’ y control de agentes de IA Qué duda cabe que la IA autónoma cambia el modelo de seguridad, y a la vez exige controles rigurosos para identidades no humanas, permisos, pistas de auditoría y botones de apagado de emergencia. De todas formas, Carrisosa admite que “no podemos abandonar principios como Zero Trust. Es decir, no confiar ciegamente en nada de lo que hacen”. Eso supone, a su juicio, tener control, supervisión, observabilidad y auditoría de todas las acciones que realizan estos agentes. “Hay que controlar sus permisos, poder detenerlos cuando sea necesario y mantener supervisión humana en aquellas tareas críticas”, apostilla. Para el director del área de Ciberresiliencia en Dell Technologies para España y Portugal, si no se dispone de ese conjunto de controles, la ciberseguridad se verá claramente afectada, “porque estaremos ampliando nuestra superficie de ataque con todos estos agentes ejecutando tareas de forma autónoma”. “Por lo tanto, necesitamos supervisión, políticas de acceso muy bien definidas, límites de acción, auditoría y observabilidad constante de todo lo que hacen: a qué datos acceden, qué resultados generan, dónde los ejecutan… Todo debe estar bajo un control muy estricto”. Y es que, la realidad es la que es: cada vez hay más entidades no humanas, con los riesgos que eso supone y la necesidad de controles imprescindibles para gestionarlos. Según Carrisosa, “hay que mantener una supervisión humana constante y no permitir que ejecuten tareas críticas sin una estrategia basada en Zero Trust”. Lo que pasa, a su juicio, por políticas de acceso muy bien definidas, límites claros y mecanismos de actuación restringidos. “Y, por supuesto, necesitamos un kill switch” un botón de parada que permita detener esos agentes cuando sea necesario en una situación de emergencia”. No en vano, “al final —continúa— estamos ampliando enormemente el ámbito de actuación de estos sistemas. Están ejecutando tareas que deben permanecer bajo nuestro control. Por lo tanto, tenemos que controlar qué pueden hacer, a qué datos acceden y qué resultados generan. Existe tal cantidad de información involucrada que resulta imprescindible mantenerla bajo control y protegerla adecuadamente. De lo contrario, existe un riesgo enorme de que las cosas escapen al control humano”. NIS 2 y DORA: del ‘compliance’ a las evidencias En los tiempos que corren, las organizaciones están equilibrando su ambición con la inteligencia artificial y los marcos de cumplimiento normativo como NIS2, DORA, CRA y GDPR. En opinión de Carrisosa, “se habla mucho de cumplimiento normativo y, a veces, creo que las organizaciones siguen más preocupadas por tenerlo documentado en papel y justificarlo, que por disponer de evidencias reales o probar que son capaces de recuperarse”, y la realidad va mucho más allá: “No se trata simplemente de ponerlo en papel. De hecho, la normativa te exige mucho más demostrarlo que limitarte a decir que tienes un plan”. “Yo creo que lo que tiene que pasar es que salgamos del papel, de decir que entregamos un informe —añade—, para pasar a demostrar que hemos incorporado herramientas, que estamos haciendo determinadas acciones y que cumplimos los distintos requisitos de las normativas”. De todas formas, este especialista aboga por trasladar todo esto mucho más al terreno de las pruebas para demostrar que la recuperación con éxito es posible a la vez que se cumple la normativa. “Eso supone cumplir la normativa y, en paralelo, reforzar nuestra estrategia de ciberseguridad. No basta con decir que sí estamos cumpliendo”. “Por eso digo que muchas veces el plan está en el papel y hay que salir de ahí y ejecutarlo. Es decir, evidencias. Probar, probar y volver a probar”, añade Carrisosa. Y dice para concluir este apartado: “El cumplimiento normativo va a ayudar mucho precisamente en esa necesidad de demostrar, mediante pruebas, que realmente tienes un entorno ciberresiliente”. Recomendación final Para concluir este encuentro con CSO España, pedimos a Tiago Carrisosa que dé una única recomendación a los responsables de TI y ciberseguridad de las empresas para los próximos seis o doce meses. “Siempre digo lo mismo —responde—: probad vuestro plan de ciberresiliencia. No lo dejéis en el papel. Haced pruebas. Porque, muchas veces la diferencia entre la continuidad o la desaparición de un negocio, entre conseguir recuperarse a tiempo o no hacerlo, está precisamente ahí”. Y añade: “La prevención ya forma parte de las prioridades de prácticamente todas las organizaciones. Pero si no dispones de una estrategia real de resiliencia y recuperación, entonces sólo tienes un documento. Eso no es suficiente. Hay que probarlo. No basta con presentar informes para cumplir con NIS 2 o con cualquier otra normativa”. “Lo importante es demostrar, desde un punto de vista operativo, que realmente puedes recuperarte y volver a funcionar después de una interrupción, de un ciberataque o de cualquier otro incidente. Ese es mi consejo: la resiliencia hay que probarla una y otra vez. No hay que dejarla únicamente sobre el papel”, asegura.

La división de servicios de digitalización de Deutsche Telekom conmemora su aniversario con un acto en Barcelona junto al ministro de Industria y Turismo, Jordi Hereu L'articolo T-Systems celebra 25 años en España con la mirada puesta en la soberanía tecnológica proviene da Computing.

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. Open models have real benefits. Do they outweigh the risks? Anthropic recently released a report arguing that a powerful new model released by the Chinese company Z.ai, poses a major cyberattack…

Un informe, que incluye una encuesta a unos 2.000 directivos, muestra cómo las organizaciones están respondiendo a las nuevas demandas impulsadas por la IA L'articolo Kyndryl revela que la IA amplía las prioridades de modernización tecnológica de las empresas proviene da Computing.

El pasado 8 de septiembre, OpenAI anunciaba haber obtenido una solución al problema de existencia y regularidad de Navier-Stokes, uno de los siete Problemas del Milenio presentados por el Clay Mathematics Institute en el año 2000 y dotados con un premio de un millón de dólares cada uno. El anuncio, pendiente del proceso de evaluación previsto por el instituto, ha sido quizás el más mediático de los avances recientes de la inteligencia artificial en matemáticas, pero no es el primero y, previsiblemente, tampoco será el último. La noticia se conocía después de que circularan rumores sobre la posible resolución de uno de los Problemas del Milenio mediante Inteligencia Artificial, dando una nueva dimensión a un debate que matemáticos como Terence Tao, uno de los más influyentes del siglo XXI, ya venían planteando: qué valor aporta una demostración al conocimiento matemático y qué ocurre cuando obtener una solución deja de depender directamente del trabajo de un investigador. Para la resolución de este problema, OpenAI empleó unos diez mil agentes, razonando durante más de ochenta horas. Los agentes completaron la demostración con intervención humana que se limitó a la organización y orientación del proceso. La pregunta es obligada: si la IA puede con los Problemas del Milenio, ¿significa esto que ya está preparada para resolver cualquier problema matemático? ¿Hacia dónde se dirigen entonces las matemáticas? Y, más importante: ¿qué papel deben desempeñar los matemáticos a partir de ahora? Estas preguntas ya ocupan a la comunidad matemática. La Declaración de Leiden, publicada en junio de 2026 y respaldada por miles de investigadores, propone afrontar los desafíos de la IA en la investigación matemática. Terence Tao, uno de sus firmantes, profundiza en estas cuestiones en su ensayo Matemáticas en la era de la IA. También en España, el reconocido matemático y divulgador Eduardo Sáenz de Cabezón ha expresado una preocupación similar al reflexionar sobre el presente y el futuro de la disciplina. El trabajo de un matemático va mucho más allá de demostrar teoremas. La demostración puede ser el fin último y el mayor propósito para muchos, pero incluso formular el resultado que se quiere demostrar necesita mucho trabajo previo. Los matemáticos plantean preguntas acerca de una teoría, proponen conjeturas y buscan demostraciones que permitan establecer nuevos teoremas. Es sin duda una tarea de los matemáticos la de hacerse las preguntas correctas, y no sé si los modelos de Inteligencia Artificial serán capaces alguna vez de formular preguntas de interés para los humanos. Sin embargo, quiero centrarme en la otra parte fundamental del trabajo de los matemáticos previo al enunciado de teoremas; aquella que consiste en crear/elaborar esas teorías. Stephen Wolfram lo dice de manera muy elegante: “Los matemáticos pasan gran parte de su tiempo construyendo y estudiando estructuras abstractas y sus interconexiones”. Personalmente, la tarea de creación es la que más me fascina: la capacidad que tienen algunos matemáticos de reconocer propiedades comunes y fundamentales en objetos ya conocidos y más o menos familiares, y de dar una definición precisa que abstraiga esas nociones y cree un nuevo ente matemático. Lo irónico es que, a veces, estas nuevas teorías surgen como herramientas auxiliares para intentar demostrar un teorema. Dejar las demostraciones en manos de la IA podría suponer renunciar a crear o descubrir nuevas matemáticas. Otra labor fundamental es integrar los nuevos resultados en el cuerpo de una teoría. Es lo que Tao llama la ‘digestión de la prueba’: la primera demostración de un teorema rara vez coincide con la que acaba apareciendo en los libros. La comunidad matemática trabaja para comprender sus ideas, simplificar sus argumentos y descubrir conexiones con otros resultados. Este proceso requiere tiempo y esfuerzo, y es clave para enseñar matemáticas y formar nuevos matemáticos. De poco sirve demostrar un teorema si nadie comprende su demostración: necesitamos entender cómo se ha llegado al resultado y qué nos permite aprender. Aunque la IA acelere la obtención y verificación de pruebas, sigue siendo esencial convertirlas en conocimiento que pueda compartirse y servir de base para nuevas investigaciones. Hay, además, una cuestión de fondo: la dependencia de la IA respecto al conocimiento humano. Su capacidad matemática se apoya en los resultados, conceptos y demostraciones que generaciones de investigadores han desarrollado. A mi juicio, producir nuevos resultados a partir de ese conocimiento no equivale a crear nuevas matemáticas: construir conceptos y teorías que abran otras formas de pensar requiere una creatividad que no considero que los modelos actuales posean por sí solos. Confiarles por completo la investigación podría debilitar precisamente la actividad humana que alimenta ese progreso. Por último, conviene recordar que la forma de hacer matemáticas ya ha cambiado antes. La llegada de los ordenadores y de software matemático también abrió un debate sobre el futuro de la disciplina. Hoy, muchos profesionales formados con estas herramientas tienen una idea clara de su trabajo y las utilizan con naturalidad para explorar problemas, realizar cálculos y comprobar resultados. Creo que la revolución de la IA es mucho mayor y que la comunidad matemática debe considerar seriamente qué tareas conviene delegar y cómo preservar su capacidad de crear, comprender y transmitir conocimiento. Pero no me extrañaría que las generaciones futuras fueran ajenas a buena parte de este debate y vieran la IA como una herramienta habitual que les permite hacer matemáticas de formas que todavía estamos empezando a imaginar. > El autor de este artículo es Xavier Orts, experto en Inteligencia Artificial en UDIT, Universidad de Diseño, Innovación y Tecnología

Agentes, modelos de lenguaje y aprendizaje continuo: el AI Summit by Substrate AI abordará las claves para convertir la IA en una capacidad empresarial L'articolo AI Summit by Substrate AI: el gran encuentro para descubrir cómo llevar la IA a tu empresa proviene da Computing.

Con más de 25 años de experiencia en el ecosistema SAP, el nuevo consejero delegado liderará una nueva etapa centrada en datos, inteligencia artificial y un modelo de relación más cercano y ágil con el cliente L'articolo VASS | T4S nombra a José María Sabadell nuevo CEO para crecimiento en el ecosistema SAP proviene da Computing.

José María Sabadell, hasta ahora líder global de la práctica T4S Advance, se ha convertido en CEO de VASS I T4S. Con más de 25 años de experiencia en el ecosistema SAP, en los que ha desempeñado distintos roles a escala global y regional dentro de la compañía, sucede en el cargo a José Pablo de Pedro. VASS | T4S refuerza así su propuesta de valor en torno a tres líneas estratégicas. En primer lugar, la facturación electrónica, ante la inminente entrada en vigor de nuevos requerimientos legales. La segunda es la gestión avanzada de datos y analítica, que la compañía considera imprescindible para desplegar inteligencia artificial en entornos SAP. La tercera es la innovación en plataformas. Asimismo, la compañía pretende desarrollar un modelo de relación con los clientes caracterizado por su agilidad, cercanía y entrega de servicios.

Marco Laucelli resume en una frase a qué se dedica su empresa: “Acompañamos el dato desde donde sale hasta donde se explota”. Desde el equipo que controla una máquina en una refinería hasta el modelo de inteligencia artificial que decide con sus datos. Galeo nació en 2018. Su nombre viene de ‘galeotes’, en referencia a las personas que, en la antigüedad, impulsaban los barcos al unísono y que, subrayan desde la compañía, “no sufrían esclavitud, sino que eran personas libres cuyas habilidades resultaban fundamentales para el éxito de las travesías”. Galeo trabaja para la industria y las infraestructuras en entornos donde un error no cuesta un informe que llega tarde. Cuesta una parada de planta. O algo peor, en un quirófano. Por eso las fábricas se digitalizan despacio. Laucelli lo expresa de forma gráfica. Buena parte de la industria estaría todavía en un 3 sobre 10. Su propuesta a los clientes es llegar al 5 y, desde ahí, seguir subiendo. Parece poco. Pero en una fábrica, ese 5 separa la tecnología que funciona en una prueba de la que funciona todos los días. La industria conoce bien esa distancia. Cuando la promesa se llamaba industria 4.0, las fábricas se llenaron de pilotos, pruebas en una sola máquina o una sola línea. Daban buenos resultados y nunca llegaban al resto de la planta. El atasco estaba en el último tramo: conectar los sistemas que gestionan la fábrica con los que la hacen funcionar. Y aunque la IA generativa ha cambiado los modelos, ese último tramo sigue casi igual. ¿Por qué cuesta tanto? El software de planta nació para controlar una máquina, no para conversar con otras. Cada fabricante trajo su equipo y su protocolo. Y al final las empresas terminan generando una fuerte dependencia de determinados fabricantes y tecnologías. La planta, además, debe seguir funcionando, aunque se caiga la conexión, y por eso está peor conectada que cualquier oficina. El ordenador con un Windows antiguo sigue ahí porque funciona. Y quien decide que siga no es el director de sistemas. Es el de operaciones. Sistemas y operaciones son dos tribus, con dos vocabularios y dos formas de medir el éxito. En una, manda moverse rápido. En la otra, que nada se pare. Laucelli lo ha visto en una gran empresa industrial española. La empresa lanzó proyectos de IA en sus fábricas y chocó con barreras que la dirección no había previsto. “Eso genera frustración”, recuerda. Por eso pide a GALEO que se ponga en medio. En su experiencia, las dos tribus rara vez se encuentran por su cuenta. Ayuda que alguien haga de puente. La prudencia de operaciones no es solo cultural. Tender ese puente obliga a conectar la planta a la red. Eso abre la puerta a ataques o sabotajes. Laucelli no niega el riesgo, pero no cree que el miedo pueda frenar el cambio. Su argumento es de mercado: la oportunidad que una empresa no aprovecha la aprovecha otra. Lo ilustra con un coche, donde las dos tribus se llaman marketing e ingeniería. Marketing quiere que el conductor pueda instalarse en la pantalla del salpicadero las aplicaciones que le dé la gana, Spotify incluido. Ingeniería responde que eso es una locura. Esa pantalla comparte red con los sistemas que controlan el motor y los frenos. Y ahí no entra cualquiera. Para Laucelli, la discusión tiene un ganador conocido: si el cliente lo pide, antes o después ingeniería tendrá que rediseñar el coche para que ocurra. En la práctica, GALEO resuelve este encaje con una segmentación estricta entre las redes IT y OT. Así, conectar la planta no significa abrirla de forma indiscriminada. Las responsabilidades, además, quedan bien delimitadas. GALEO responde de la seguridad del canal de integración y sus desarrollos. El cliente y sus proveedores especializados mantienen la gobernanza de la infraestructura global. Pero el retraso no es solo de la planta. Después de tantos años hablando de datos, la gestión de la información en las oficinas sigue siendo pobre, según Laucelli. Y la IA llega pidiendo lo que no hay. “Si tu sistema de gestión no tiene una API, ¿cómo pretendes que la IA te automatice nada?” “Si tu sistema de gestión no tiene una API, ¿cómo pretendes que la IA te automatice nada?”. Sin esa puerta por la que un programa lee y escribe en otro, la prueba de concepto funciona. Pero al llevarla a producción aparece la lista de todo lo que hay que arreglar antes. Y el proyecto se hace bola. Ahí entra Galeo. La receta de Laucelli tiene dos carriles. Un caso de uso que dé dinero pronto, aunque sea poco. Y, con cada uno, una pieza que sirva para el siguiente. En una refinería de una gran energética, la plataforma que montó Galeo sube a la nube 120.000 señales por segundo. “Una auténtica barbaridad de información”, que después explotan ellos mismos o el cliente. Según datos de Galeo, ese torrente supera los 645 millones de señales semanales, con apenas 120 milisegundos de latencia. El impacto es tangible. La disponibilidad llega al 100%, frente a las continuas interrupciones del sistema anterior. Las paradas no programadas se reducen, y el ahorro de costes se estima entre el 15% y el 20%. Arquitectos que no temen hacer de albañil Para llevar esas señales desde la máquina hasta la nube, Galeo apuesta por un perfil poco común. Laucelli presume de ingenieros que saben programar los equipos que controlan las máquinas. Y que, además, tienen certificaciones de aprendizaje automático en la nube. “La misma persona conoce bien todo el viaje que tiene que hacer el dato”. En una planta de nanofibras de carbono para baterías, ese viaje empieza en diez reactores. Trabajan hasta a mil grados. Es una apuesta a contracorriente. Laucelli recuerda los años en que el científico de datos era la profesión del futuro y todas las empresas querían el suyo. “Nosotros nunca hemos creído demasiado en la especialización”, explica. “Preferimos ingenieros con cabeza de arquitecto, capaces de pensar todas las piezas, aunque solo construyan una. Y a los que no se les caen los anillos por hacer de albañil cuando toca”. El otro ingrediente es la humildad. Las plantas están poco digitalizadas, pero muy tecnificadas. Quien las dirige sabe de su proceso más que cualquier consultor. Laucelli se pone en el lugar del cliente. Un jefe de fábrica lleva quince años arañando medio punto de eficiencia. Llega alguien de fuera y le promete un 20%. Lo lógico es que no se lo crea. En una fábrica de papel, Galeo acertó sin saber nada de fabricar papel. Laucelli explica por qué funcionó: “No porque seamos genios, sino porque escuchamos”. Esa escucha también marca qué proyectos no acepta Galeo. Laucelli no habla de sectores ni de tamaños: rechaza al cliente que llega con todo decidido, qué hay que hacer y cómo, y solo busca manos. “Nadie va al médico a decirle: coge el bisturí y córtame por aquí”, dice. Pero tampoco quiere ser el médico que impone el tratamiento. El cliente conoce su problema mejor que nadie, y el diagnóstico se hace juntos. Esa forma de trabajar no cabe en un producto. Galeo tiene piezas propias, como una plataforma de gemelos digitales. Un gemelo digital es una réplica virtual de la planta para probar cambios sin tocarla. Pero Galeo no vende esas piezas cerradas. Las mete en cada proyecto y se las deja al cliente, que puede encargar a otro que las evolucione. Es innovar por combinación. Tres piezas que ya existían y dos piezas nuevas forman una solución. Las dos piezas nuevas sirven para el siguiente cliente. Laucelli sostiene que “la calidad de un modelo predictivo se mide en euros” Lo que no se reutiliza es el conocimiento de cada cliente. La IA puede abaratar el código. Para conocer al cliente no hay atajo y tampoco es escalable. Lo que no escala, además, cuesta cobrarlo. Convertir ese conocimiento en un modelo de remuneración ligado exclusivamente al valor generado no es sencillo. Laucelli sostiene que “la calidad de un modelo predictivo se mide en euros”. Galeo ha experimentado incluso con modelos vinculados al retorno obtenido por el cliente. Funcionó para entablar relaciones. Pero el mercado sigue recurriendo, mayoritariamente, a modelos de precio fijo o basados en la dedicación. Ahí, la hora de trabajo sigue siendo ‘el patrón oro’ del sector. Lo que sí defiende es la flexibilidad. Cuando la hipótesis de partida falla a mitad de proyecto, prefiere sentarse a renegociar antes que refugiarse en el “eso está fuera de alcance”. Algunos clientes, cuenta, se lo han reconocido: Galeo no llega “a la defensiva”. Es una virtud de empresa pequeña. Con más de 60 personas en plantilla, el reto ahora es mantener esa flexibilidad a medida que la firma sigue creciendo. ¿Cómo consigue una empresa de 60 personas que una gran corporación le abra la puerta? A las corporaciones les gusta comprar a grandes consultoras. Galeo no lo es. Laucelli da dos razones. La primera es poco romántica: los fundadores venían de la gran empresa. Sabían cómo se compra por dentro y tenían a quién llamar. La segunda es de calendario. La compañía nació justo cuando las corporaciones empezaban a tomarse en serio sus datos. Sus proveedores de siempre no les daban respuesta. Capacidad tenían. Lo que no tenían eran ganas de meterse en proyectos sin final escrito. Con la IA generativa, cree Laucelli, las corporaciones han vuelto a un punto parecido. Muchos clientes hacen la cuenta rápida: si el desarrollo costaba un euro, con IA debería costar diez céntimos. Galeo les propone otra. Que mantengan el euro y que el proyecto rinda el triple. El objetivo a futuro no pasa solo por sumar más plantilla. “Queremos consolidarnos como el gran especialista en datos industriales, en nuevos sectores y mercados”, resume Laucelli. La idea es escalar sus capacidades y mantener su modelo diferencial, sin convertirse en una estructura pesada o compartimentada. Durante años, la industria separó dos mundos: la planta, que no puede pararse, y la oficina, que se actualiza cada semana. La IA obliga a juntarlos. En ese puente, Galeo ha encontrado su hueco.

MIT Technology Review Explains: Let our writers untangle the complex, messy world of science and technology to help you understand what’s coming next. You can read more from the series here. Late last month, Anthropic released a report arguing that the model GLM-5.3 poses a major cyberattack risk. The report’s core concern is that the…

Si a algo están acostumbradas las personas que trabajan en TI es a evolucionar. El propio ritmo del desarrollo tecnológico hace que quien tenga un empleo en el sector sepa que es altamente posible que la forma en la que lo desempeña hoy no tenga mucho que ver con cómo lo haga dentro de diez años. Una tendencia que, con el auge de la digitalización, ha llegado a otros muchos sectores. Y que tiene un reflejo muy claro en cómo ha evolucionado el puesto de trabajo. Porque desde que Dolly Parton cantaba aquello de trabajar de 9 a 5 en una oficina, las nuevas tecnologías no solo han cambiado el espacio, sino también el cómo e incluso el cuándo. Un nuevo modelo “Estamos en un punto de madurez donde hay una necesidad por parte de las organizaciones de entender la experiencia real del usuario con su PC y los clientes empiezan a explotarlo de verdad”, resume por videollamada Sebastián Prat, CEO de Flexxible, compañía especializada en experiencia digital del empleado. Prat define un momento clave, tras cinco años en los que había un interés claro en evolucionar, pero solo unas pocas empresas daban el salto. “Ahora, una gran masa de nuestros clientes están enfocados en entender el aspecto digital de los empleados y en mejorarlo”, profundiza. “Creo que la cultura por fin ha llegado”, pondera, señalando que desde su compañía detectan un uso mucho mayor de su tecnología en este ámbito. En este contexto de evolución, Prat pone en valor la mejoría que han experimentado los sistemas de IA generativa y agentiva en los últimos dos años, que hace que para gran parte de su clientela se esté convirtiendo en una herramienta útil. Prat distingue dos grandes grupos en relación al espacio de trabajo: firmas que simplemente quieren ser más productivas y otras que han metido la IA en el centro del negocio. “Veo empresas que han revolucionado su modelo operativo”, con proyectos ya de años en los que hay una apuesta importante de todo el equipo directivo, en los que detecta “avances radicales en cuanto a las mejorías en el trabajo”. “Procesos que antes podían llevar una hora, ahora pueden llevar un minuto porque solo requieren la validación del human-in-the-loop”, explica. “Cuando integras la IA en el negocio, para mí ahí está el valor real de la IA. Cuando tú utilizas la IA para ser mucho más productivo, es otro tipo de valor mucho menos escalable”. Desde Flexxible detectan un interés importante en “entender el aspecto digital de los empleados y en mejorarlo” Sebastián Prat. Davit Payàs | Flexxible Prat apunta también otra tendencia dentro del puesto de trabajo: un “salto real” en las aplicaciones SaaS o de navegador, que están evolucionando a modelos mucho más amoldables a los negocios. “Hay mucho más consumo de aplicaciones SaaS que antes, y quieren entender cuál es la experiencia del usuario en esas aplicaciones SaaS. Esa es una dinámica que yo creo que es evidente”, destaca. “El consumo de monetización de aplicaciones SaaS se ha multiplicado en nuestra plataforma”. Diana Caminero, gerente de Comunicaciones Personales y Puesto de Trabajo de Telefónica España, plantea una evolución del workplace digital “desde un modelo centrado en proporcionar dispositivos y herramientas de colaboración hacia un entorno inteligente, seguro y adaptado a las necesidades de cada organización”. En entrevista escrita, Caminero destaca la integración de la IA, que “ha permitido conectar tecnología, datos y conocimiento para ayudar a los profesionales a tomar mejores decisiones, automatizar tareas y trabajar de forma más ágil y eficiente”. Se trata, explica, de transformar la experiencia de cada profesional, convirtiendo el puesto de trabajo “en una palanca de productividad, innovación y competitividad”, permitiendo facilitar el acceso al conocimiento, resolver dudas en tiempo real o interactuar con asistentes. En Telefónica apuntan que la integración de la IA “ha permitido conectar tecnología, datos y conocimiento para ayudar a los profesionales a tomar mejores decisiones, automatizar tareas y trabajar de forma más ágil y eficiente” Diana Caminero. Telefónica Caminero enfatiza la necesidad de acompañamiento en la adopción de estas herramientas, adaptando la experiencia a cada perfil y favoreciendo una cultura empresarial afín al cambio; de hecho, habla de retos organizativos y humanos en su integración y uso. También tecnológicos: “Las empresas deben identificar qué casos de uso aportan valor, asegurar que las soluciones se integran de forma segura con sus sistemas y datos, establecer un marco adecuado de gobierno y cumplimiento, acompañar y capacitar a los profesionales para lograr una adopción responsable”. Prat, por su parte, advierte: “El reto principal en el mundo del workplace vinculado a la IA es cómo proporcionamos datos a la IA para que nos ayuden decisiones reales del día a día”, y enfatiza la necesidad de “segmentar muy bien qué datos dejan ver a cada IA y a qué usuarios”. A esto suma la gestión de la shadow IT y, a nivel de organización, de “reanalizar todos los procesos, pensar cuáles siguen siendo útiles para el negocio, cuáles pueden delegarlo al cien por cien en la IA y qué otros procesos aparecen gracias a esta mejora del modelo de negocio”. “Es como crear otra empresa”, sintetiza. Impacto laboral La evolución del puesto de trabajo con la digitalización plantea un cambio paralelo en los perfiles profesionales, que se nota especialmente cuando la tecnología implicada es la inteligencia artificial. A nivel de función, Cristian Ruiz, responsable de Tecnología, Ingeniería e Industria en Robert Walters, pone precisamente el foco en cómo esa evolución hacia una creciente automatización hace que se pase de tener que realizar la propia tarea a un rol de supervisión sobre ese trabajo realizado por un agente, el human-in-the-loop del que hablaba Prat. Comenta además su impacto en los perfiles junior, a los que “ahora se les pide ser más estratégicos”. Lo ejemplifica con el caso de un arquitecto, que antes, en el momento de aceptar un trabajo para una obra en una vivienda, tenía que buscar y revisar personalmente la normativa urbanística de cada zona. Una tarea que antes podía (solía) asumir alguien que se estuviese iniciando en la profesión y que ahora puede automatizarse, pasando a asumir el perfil junior un trabajo menos básico y más de aportar valor, considera. A los perfiles junior a “ahora se les pide ser más estratégicos”, indican desde Robert Walters Cristian Ruiz. Robert Walters Ruiz incide también en la demanda de perfiles más tecnológicos, y distingue un proceso a dos marchas, en el que las pymes con recursos más limitados para contratar a alguien con especialización en IA recurrirán a tecnológicas para cubrir esta falta de conocimiento, mientras que las grandes están promoviendo formaciones intensivas para estar al día. Para Prat, la integración de nuevas herramientas hace que se generen “un montón de oportunidades, de posiciones nuevas que antes no existían” al abrirse parcelas nuevas de desarrollo. “El reto para mí es encontrar un consejo de dirección con la valentía de poder evaluar cualquier proceso y ser coherente con las consecuencias de esa evaluación”.