La IA investiga, busca y agrega productos al carrito, pero al finalizar la compra, te pide que llenes formularios y poner la tarjeta. Hace…el 50% del trabajo. Pero no porque no pueda sino porqeu le faltan los elementos para hacerlo. El desafío está relacionado con que cada sitio de e-commerce habla un lenguaje técnico diferente, entonces los agentes, al querer terminar un proceso (el de compra, por ejemplo), se chocan contra una pared y le piden al usuario que termine ese proceso.

Hasta ahora no se pudo cambiar esto por un problema de infraestructura pura: para que un asistente virtual pudiera realmente comprar, tiene que poder hacerlo en tantos tipos de tienda o plataforma como haya en Internet. Y cada una tiene su “modo” propio.

Pero…eso está a punto de cambiar ahora con el desarrollo de un protocolo, el Universal Commerce Protocol (UCP), un nuevo “lenguaje” (estándar) técnico, de código abierto (que cualquiera puede usar) que se acaba de presentar. Esto va a permitir que un agente, independientemente del sitio, al tener todo estandarizado, pueda “entender” el contenido y sus procesos y poder ejecutar la acción que necesita el usuario completa.

La idea detrás de UCP es crear un “lenguaje común” para los sitios de e-commerce. Sería algo así como un “adaptador universal”: en lugar de tener que integrarse con cada plataforma o sitio por separado, una tienda (sea chica o grande) simplemente publica sus “capacidades” (su catálogo, su carrito o sus descuentos) en un formato estandarizado que cualquier agente de IA puede leer y ejecutar al instante.

Lo bueno: es un estándar respaldado por los mayores jugadores, como Shopify, Etsy y Visa. Con este protocolo, pasamos de un modelo donde la IA tiene que “adivinar” cómo navegar una web, a uno donde el sitio de e-commerce le “abre las puertas” para que el agente pueda hacer lo que el usuario le pida que haga: realizar un proceso entero de compra.

🔗 Link: https://developers.googleblog.com/under-the-hood-universal-commerce-protocol-ucp/

¿Por qué algo que domina la sintaxis de la programación no puede resolver rompecabezas que un nene de ocho años descifra en minutos? La respuesta no está en la falta de conocimiento, sino en la arquitectura de su procesamiento. Como explicaba en un post anterior, los LLMs predicen la siguiente palabra basándose en la geometría de todas las anteriores. Es anticipación estadística, no una “deliberación lógica”: maestros de la predicción mas que navegantes con brújula.

El espejismo del razonamiento

La publicación en 2022 de un paper titulado “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models” fue clave. La premisa era simple: si le pedimos a un modelo que “piense paso a paso” antes de dar una respuesta, su rendimiento en problemas lógicos mejora drásticamente. Eso permitió que problemas matemáticos en los que antes fallaba se podían resolver. Pero un investigador en inteligencia artificial, François Chollet, planteó también una distinción importante, que mostrar pasos de razonamiento no es lo mismo que razonar.

A nivel fundamental, los LLMs actuales operan como almacenes de plantillas memorizadas de inmensa capacidad. Cuando les preguntás cómo resolver una ecuación lineal, no deducen la respuesta desde primeros principios; recuperan una plantilla probabilística que vieron miles de veces durante su entrenamiento y la ejecutan. Funcionan brillantemente mientras el problema sea familiar. Pero cuando la tarea es genuinamente nueva (algo para lo que no tienen una plantilla guardada), el sistema encuentra su límite.

Interpolación vs. extrapolación

Chollet creó un benchmark llamado ARC (Abstraction and Reasoning Corpus) para medir exactamente esta diferencia: la capacidad de resolver problemas nuevos a partir de muy pocos ejemplos. Los humanos resolvemos aproximadamente el 80% de esos problemas, los mejores modelos actuales el 31%. Es muy probable que en los próximos meses este porcentaje siga creciendo.

La razón de la brecha es técnica…y profunda. Los modelos basados en Transformers son “motores de interpolación”. Son capaces de navegar dentro del espacio de lo conocido (sus datos de entrenamiento) y encontrar puntos medios con gran precisión. Pero el razonamiento real requiere extrapolación: la capacidad de tomar conceptos conocidos y aplicarlos en situaciones completamente inéditas.

Acá es donde se nota la falta de un cuerpo y de experiencia física: al no tener “grounding” o anclaje en el mundo real, les cuesta entender principios básicos de causalidad que para un humano son intuitivos.

Más allá de la predicción

Investigaciones recientes sugieren que incluso cuando los modelos parecen razonar, a menudo están desplegando heurísticas superficiales. Un estudio de 2024 sobre el rendimiento en ARC mostró que los modelos tienden a fallar cuando se introducen variables irrelevantes o cambios menores que no deberían afectar la lógica subyacente, mostrando que no están siguiendo un pensamiento robusto, sino replicando la “forma” de una respuesta lógica.

Lo que parece una crítica en realidad es una distinción necesaria: los LLMs operan en un régimen cognitivo diferente al humano, y entederlo nos permite diseñar mejores sistemas. El futuro inmediato probablemente no pase sólo por hacer modelos más grandes, sino por arquitecturas híbridas.

Estamos viendo el surgimiento de sistemas que combinan la fluidez lingüística de los LLMs con módulos de razonamiento simbólico, búsqueda de programas o verificación formal. El objetivo es ambicioso: unir finalmente la capacidad de predicción estadística con la estructura del pensamiento lógico. Por ahora, pensar, en el sentido estricto de sintetizar soluciones nuevas ante lo desconocido, sigue siendo territorio humano.

Lecturas relacionadas en mi blog:

• De las palabras a los números: cómo la IA construye significado
• La ilusión de la continuidad: cómo la IA teje la memoria sin tener pasado
• Cerebros en frascos, anclajes, o porqué la IA necesita un cuerpo

Referencias

• Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Chollet, F. (2019). On the Measure of Intelligence. arXiv:1911.01547.
• Yao, S., et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Hu, S., et al. (2024). Reasoning Abilities of Large Language Models: In-Depth Analysis on the Abstraction and Reasoning Corpus. arXiv:2403.11793.

Esto es, en esencia, el gran drama de la inteligencia artificial actual. Los grandes modelos de lenguaje son cerebros incorpóreos flotando en el espacio digital. Pueden escribir ensayos brillantes sobre fenomenología o recitarte el manual de mantenimiento de una central nuclear, pero fundamentalmente no saben lo que se siente sostener una herramienta, ni entienden la resistencia de los materiales. Y acá está el límite: si los científicos quieren que la IA sea verdaderamente útil en el mundo real: en fábricas, hospitales o en los hogares, no alcanza con capacidad de cómputo: necesita un cuerpo.

Esta desconexión no es un problema menor; es lo que en ciencias cognitivas llaman el problema del “symbol grounding” (anclaje de símbolos). La IA sabe que la palabra “manzana” se relaciona con “fruta”, pero no tiene ninguna experiencia sensorial que ancle ese concepto a la realidad física.

Esta idea tiene raíces profundas. En 1991, Rodney Brooks en el MIT publicó un paper fundamental: Intelligence without Representation. Brooks argumentaba en contra del paradigma cartesiano dominante, que veía a la mente como un procesador lógico separado del cuerpo. Él sostenía que la inteligencia no emerge de crear mapas mentales complejos y abstractos, sino de la interacción directa, caótica y física con el entorno (¿quizás influenciado por Dreyfus o Merleau Pointy: la inteligencia es “estar en el mundo?). El mundo, decía Brooks, es su propio mejor modelo. Pero durante décadas, nos faltó la tecnología para unir esa visión filosófica con la capacidad de procesamiento moderna. Los robots podían moverse, pero no entendían qué estaban moviendo.

Hoy esa brecha se está cerrando gracias a una nueva arquitectura técnica: estamos viendo el nacimiento de lo que papers recientes (como la encuesta de Ma et al., 2024) que clasifican como Vision-Language-Action models (VLAs). La gran innovación aquí no es mecánica, sino semántica. Modelos como RT-1 y RT-2 demostraron algo fascinante: si tratamos las acciones de un robot (mover brazo, abrir pinza) como si fueran “palabras” o tokens, podemos usar la misma arquitectura “Transformer” de ChatGPT para controlar un cuerpo. Esto permite algo inédito: transferir el vasto conocimiento de internet al mundo físico. El robot ya no necesita ser programado para identificar una “lata de gaseosa”; puede usar su conocimiento previo de internet para entender qué es una bebida, para qué sirve y cómo se agarra, incluso si nunca vio esa marca específica antes.

Sin embargo, entrenar estos modelos en el mundo real es muy lento y sobre todo, peligroso. Por eso se comenzó a utilizar un campo de entrenamiento inesperado: los videojuegos. Proyectos recientes como SIMA 2 de DeepMind utilizan entornos virtuales complejos para entrenar a estas inteligencias antes de descargarlas en un robot. Lo revolucionario de SIMA 2 es que usa un modelo masivo (Gemini) para razonar antes de actuar. Si le pedís “buscá una casa del color de un tomate”, el sistema no busca píxeles aleatorios; razona semánticamente que los tomates son rojos y, por ende, debe buscar una estructura roja. Esta capacidad de conectar instrucciones abstractas con percepción visual y acción motora es el eslabón perdido de la robótica.

La lógica de usar simulaciones es difícil de igualar y retoma aquel viejo principio de Brooks: un robot físico que aprende a caminar se rompe y cuesta miles de dólares reparar; un agente en un videojuego puede caerse, chocar y “morir” mil veces por segundo sin costo, aprendiendo causalidad, física y consecuencias en el proceso.

Estamos pasando de una IA cartesiana que separa la mente del cuerpo a una verdaderamente encarnada (o embodied). El objetivo final no es que jueguen videojuegos ni que solo respondan preguntas, sino que desarrollen la “cognición situada” necesaria para operar en nuestro mundo desordenado. Los investigadores están empezando a encontrar el cuerpo que estaban buscando para la inteligencia artificial.

Referencias y papers interesante

• Brooks, R.A. (1991). “Intelligence without Representation“. Artificial Intelligence, 47(1-3).
• SIMA Team (2024). “Scaling Instructable Agents Across Many Simulated Worlds“. arXiv:2404.10179.
• Brohan, A., et al. (2022). “RT-1: Robotics Transformer for Real-World Control at Scale“. arXiv:2212.06817.
• Brohan, A., et al. (2023). “RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control“. arXiv:2307.15818.
• Driess, D., et al. (2023). “PaLM-E: An Embodied Multimodal Language Model“. arXiv:2303.03378.
• Ma, Y., et al. (2024). “A Survey on Vision-Language-Action Models for Embodied AI“. arXiv:2405.14093.
• Sapkota, H., et al. (2025). “Vision-Language-Action Models: Concepts, Progress, Applications and Challenges“. arXiv:2505.04769.

Pero esa sensación es un espejismo arquitectónico.

La memoria humana es narrativa y emocional; es un viaje en el tiempo. Recordar es reconstruir quiénes fuimos para entender quiénes somos. La memoria de la IA, en cambio, es geometría y persistencia. No viaja al pasado porque vive en un eterno presente.

Entender la mecánica detrás de esta ilusión no le quita magia; le devuelve realidad. Y la realidad es fascinante: no estamos ante una mente que recuerda, sino ante un sistema que sostiene.

La mesa infinita: ventanas de contexto

Para comprender cómo una IA gestiona el “recuerdo”, hay que olvidar la metáfora del archivo o la biblioteca mental. La metáfora correcta es una mesa de trabajo.

El concepto técnico es “ventana de contexto” (o context window en inglés). Su lógica es espacial: cada palabra que escribís y cada respuesta que la IA genera se coloca sobre esa mesa, una al lado de la otra, a la vista.

Cuando le hacés una pregunta nueva, la IA no busca en su “cerebro”. Lo que hace es escanear toda la mesa —desde el “hola” inicial hasta el último punto— en una fracción de segundo. Transforma todo ese texto en un mapa matemático y predice la siguiente palabra basándose en la totalidad de lo que está expuesto.

El pasado, para la IA, no es algo que ocurrió; es algo que está presente visualmente en su campo de atención. Si la conversación se alarga demasiado y los textos se caen de la mesa (se supera el límite de tokens), para la máquina dejan de existir. Es una muerte súbita de la información.

El problema de la abundancia: Lost in the Middle

Durante 2023, la carrera de las grandes tecnológicas se centró en hacer esa mesa cada vez más grande. Pasamos de mesas donde cabían folletos a mesas donde caben novelas enteras. La premisa era lógica: más espacio, mejor memoria.

Sin embargo, un estudio de la Universidad de Stanford¹ reveló una limitación muy humana en estos gigantes digitales. Los investigadores descubrieron el fenómeno “Lost in the Middle” (perdidos en el medio).

Resulta que los modelos de lenguaje, al igual que nosotros, tienen una curva de atención en forma de “U”. Son excelentes procesando la información que está al principio de la mesa (el inicio de la charla) y al final (tu última pregunta), pero tienden a ignorar o alucinar con los datos que quedan en el medio. Abarcarlo todo no significa procesarlo todo con la misma nitidez. La persistencia tiene un costo cognitivo.

La memoria prestada: RAG

¿Y qué ocurre cuando le pedís a la IA algo que no está sobre la mesa? ¿Cómo “recuerda” un dato técnico o una noticia reciente?

Acá opera una arquitectura llamada RAG (Retrieval-Augmented Generation). Equivale a que la IA, al no encontrar la respuesta en la mesa, se levante y busque un libro en una estantería.

En modelos avanzados, esta búsqueda no es pasiva. Como señalan Jiang et al. (2023)², los nuevos sistemas deciden activamente cuándo dejar de intentar “recordar” y empezar a “investigar”. Pero la distinción es crucial: la IA lee el libro, extrae el párrafo, te lo entrega y cierra el libro.

No aprende el dato. No lo integra en su biografía. Simplemente lo procesa. Es conocimiento efímero, alquilado por milisegundos para satisfacer una demanda.

El hilo invisible: la atención infinita

Si la mesa tiene un límite, ¿cómo es posible tener conversaciones que parecen durar eternamente sin que la IA colapse? La respuesta está en cómo gestionan lo que deben olvidar. Investigadores del MIT³ introdujeron el concepto de attention sinks (sumideros de atención). Descubrieron que, para mantener la coherencia, el modelo no necesita guardar todo. Solo necesita aferrarse a los primeros tokens de la conversación (el ancla inicial) y a los más recientes.

Es un truco de ilusionista: la IA descarta selectivamente lo que ocurre en el medio, preservando solo los puntos de anclaje que le permiten mantener la estructura gramatical y lógica. Mantiene la forma de la conversación, aunque pierda el contenido detallado.

Es importante mirar estos avances con una mezcla de escepticismo y admiración. La IA está redefiniendo el concepto de memoria, despojándolo de su carga nostálgica y emocional para convertirlo en una función de persistencia de datos.

La máquina no te recuerda a vos; recuerda el patrón matemático que dejaste sobre la mesa. Y quizás esa sea la lección más valiosa: al ver cómo la IA simula la continuidad, aprendemos a valorar que nuestra memoria —falible, emocional y reconstructiva— es lo que nos permite no solo procesar el tiempo, sino habitarlo.

Algunas referencias interesantes:

1. Liu, N. F., et al. (2023). Lost in the Middle: How Language Models Use Long Contexts. arXiv:2307.03172
2. Jiang, Z., et al. (2023). Active Retrieval Augmented Generation. arXiv:2305.06983
3. Xiao, G., et al. (2023). Efficient Streaming Language Models with Attention Sinks. arXiv:2309.17453

¿Cómo puede una IA “entender” el lenguaje sin entenderlo realmente? ¿Cómo traduce las palabras -tan cargadas de historia y ambigüedad- en estructuras matemáticas que le permiten anticipar el sentido de una frase?

Del símbolo a la geometría

En sus comienzos, la lingüística computacional trató el lenguaje como un sistema de reglas. Cada palabra tenía un significado predefinido, y la máquina solo debía aplicarlo. Pero el lenguaje humano no funciona así: es ambiguo, cambiante y profundamente contextual. El giro conceptual llegó con una idea simple pero revolucionaria del lingüista británico John R. Firth:

“El significado de una palabra está determinado por las compañías que mantiene.”

Formulada en 1957, esa intuición¹ dio origen a toda una nueva forma de pensar el lenguaje: si el significado depende del contexto, puede inferirse estadísticamente. En lugar de intentar “explicar” lo que una palabra quiere decir, podemos observar con qué otras palabras aparece y en qué condiciones.

De esa idea nació la representación distribuida del significado: cada palabra se transforma en una serie de números, un vector en un espacio de muchas dimensiones. En lugar de un diccionario de definiciones, la máquina construye un mapa matemático donde el sentido se expresa como distancia.

El lenguaje convertido en espacio

A comienzos de la década de 2010, ese principio se materializó en modelos como Word2Vec² y GloVe³. Ambos demostraron que las máquinas podían aprender significado simplemente observando cómo las palabras se combinan entre sí.

Cada palabra se convierte en un punto en el espacio. “Rey” y “reina” están cerca, al igual que “hombre” y “mujer”. Más aún, las relaciones se mantienen: si restamos hombre de mujer y sumamos rey, el resultado apunta hacia reina. Esa es la magia de los embeddings: el sentido no se define, se emerge de la geometría. El lenguaje se convierte en topografía. Y en esa topografía, la IA no “sabe” qué significa cada palabra, pero entiende cómo se relacionan entre sí.

Como explica la lingüista Alessandro Lenci, los modelos distribucionales “no buscan capturar significados preexistentes, sino reproducir los patrones de uso que les dan forma”⁴. El significado, en otras palabras, se infiere del uso.

De las palabras al contexto

Los word embeddings fueron el primer paso. Pronto surgió una pregunta más profunda: ¿podría una IA entender que la palabra banco no significa lo mismo en “banco de madera” que en “banco central”?Modelos como ELMo⁵ y más tarde BERT⁶ respondieron que sí. Introdujeron los llamados embeddings contextuales, donde el significado de una palabra depende de las palabras que la rodean. Ya no hay una sola representación por palabra, sino múltiples, ajustadas a cada contexto.

Así nació la comprensión profunda del lenguaje: una red neuronal que ya no procesa oraciones de forma lineal, sino como redes de relaciones simultáneas. Esa innovación —el mecanismo de atención— fue presentada en el paper de Google *“Attention Is All You Need”*⁷ y cambió para siempre la historia de la IA. De ese modelo surgieron los actuales sistemas generativos, capaces de mantener conversaciones, traducir con matices y hasta escribir con estilo propio.

Comprender sin entender

Cuando una IA responde, no busca en una base de datos. Predice, a partir de su mapa de relaciones, qué palabra tiene más sentido según el contexto. No interpreta, pero simula comprensión de manera tan efectiva que la frontera entre entender y predecir se vuelve difusa.

No es pensamiento: es geometría con consecuencias semánticas. Y quizás ahí reside su fascinación —no en lo que entiende, sino en cómo nos obliga a redefinir qué significa entender.

Referencias

1. Firth, J. R. (1957). A synopsis of linguistic theory 1930–1955. Studies in Linguistic Analysis.
2. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv:1301.3781.
3. Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe: Global vectors for word representation. Proceedings of EMNLP.
4. Lenci, A. (2018). Distributional models of word meaning. Annual Review of Linguistics, 4(1), 151–171.
5. Peters, M. E., Neumann, M., Iyyer, M., et al. (2018). Deep contextualized word representations. Proceedings of NAACL-HLT.
6. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT.
7. Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS).

El descubrimiento de nuevas terapias oncológicas ha sido, históricamente, un desafío inmenso. Ha dependido de procesos de cribado (screening) de compuestos que son costosos y muchas veces, azarosos.

Hoy, ese paradigma comienza a ser transformado por la inteligencia artificial aplicada a la biología. Hoy los modelos de IA pueden analizar datos biológicos a una escala que nos era inabarcable, identificando correlaciones y mecanismos de acción que resultan indetectables para el análisis humano convencional. Esto tiene el potencial de acelerar drásticamente el pipeline de descubrimiento, por ejemplo: la introducción de C2S-Scale 27B por parte de investigadores de Google y la Universidad de Yale. Se trata de un modelo fundacional (basado en la familia Gemma) que ha logrado identificar una vía de tratamiento oncológico que era, hasta ahora, desconocida.

El proceso que siguió el modelo es fascinante:

· El sistema procesa datos celulares complejos (como la expresión génica) como si fuesen un lenguaje, permitiéndole modelar el comportamiento y la respuesta celular a diversas intervenciones.

· Se instruyó al modelo para identificar compuestos que incrementaran la “visibilidad” de las células tumorales ante el sistema inmunológico, pero operando únicamente bajo condiciones moleculares específicas.

· La IA identificó el silmitasertib, un fármaco existente sin vinculación previa conocida a este mecanismo de inmuno-reconocimiento. Las validaciones in vitro confirmaron lo que la IA predijo: la combinación del fármaco incrementó en un 50% la visibilidad de las células tumorales para las defensas inmunes.

Es decir, la inteligencia artificial está mutando de ser una herramienta de optimización a un verdadero socio en el descubrimiento científico. Lo estamos viendo eb su capacidad de generar hipótesis novedosas, validadas empíricamente, que podrían redefinir la velocidad de la innovación biomédica.

Hay vida más allá de la IA generativa…

El anuncio: https://blog.google/technology/ai/google-gemma-ai-cancer-therapy-discovery/

Google, a través de la Google News Initiative, juega un papel destacado, participando activamente en la búsqueda de soluciones para el ecosistema. Mi participación en el encuentro, en una conversación abierta con Eduardo Sepúlveda, actual presidente de la ANP, se centró en explorar cómo la colaboración entre plataformas tecnológicas y medios puede fomentar un periodismo más sostenible. Programas enfocados en monetización, combate a la desinformación y desarrollo de nuevas audiencias son alguno de los ejemplos de este compromiso.

Otro aspecto del EDR estará directamente relacionado con la industria, es decir, la forma en que se logra su sostenibilidad y adaptación a los nuevos cambios tecnológicos. Aquí se discutirán los nuevos modelos de negocio que permiten sostener al periodismo y proyectarlo hacia el futuro.

Los debates se abrirán con una charla titulada: “Sostenibilidad de la industria periodística: mirada desde España, Argentina y Perú”. Participarán Fernando de Yarza, presidente de Henneo y alto comisionado para la libertad de prensa en Iberoamérica de WAN-IFRA; Andrés D’Alessandro, director ejecutivo de Adepa; y Rodrigo Salazar Zimmermann, director ejecutivo del Consejo de la Prensa Peruana. La charla será moderada por Juan Jaime Díaz, vicepresidente de la Asociación Nacional de la Prensa.

A continuación, Martha Ramos, presidenta de la Comisión de Libertad de Prensa de la AIP/IAPA, México, ofrecerá una charla bajo el desafiante título: “No es de la IA de la que nos debemos preocupar”. En su presentación, entregará nuevos elementos sobre cómo, en diferentes partes del mundo —especialmente en Latinoamérica—, se está amenazando la libertad de expresión, dejando de lado el temor que muchos sienten hacia la irrupción de la inteligencia artificial como principal riesgo para el periodismo.

Conocer experiencias exitosas de diferentes medios de comunicación regionales e internacionales siempre ha sido parte de los Encuentros de Diarios Regionales. En esta oportunidad, Diego Cabot, prosecretario de redacción de La Nación(Argentina), compartirá importantes ejemplos de cómo ese medio se ha ido adaptando. Su charla se titulará: “Las claves de la innovación de La Nación: periodismo, investigación y tecnología”.

Google, como actor importante en los EDR, también tendrá una participación destacada. Se llevará a cabo una conversación abierta con Juan Manuel Lucero, Head of News Partnerships en Google para el Cono Sur, quien hablará sobre nuevas modalidades online.

Luego, Lyuba Yez, editora general de VeriDatos, expondrá cómo la Fundación de la Prensa, Google News Initiative y la Asociación Nacional de la Prensa han logrado formar esta herramienta de chequeo de noticias, en la que participan periodistas de diarios de todo el país.

La automatización e inteligencia artificial en las redacciones y áreas comerciales también será abordada por Francisco Javier Labbé, gerente comercial de Diario El Día. Por su parte, Leonidas Rojas, presidente de IAB Chile, hablará sobre el tema: “Medios regionales: de informar a conectar”.

En el marco del Encuentro de Diarios Regionales también habrá espacio para la actualidad. Paulina Yazigi, presidenta de la Asociación de Fondos de Pensiones, ofrecerá la charla: “¿Y ahora qué? Alcances e implementación de la reforma de pensiones”.

¿Cómo aprovechar las herramientas de Google para medios?, dictado por Connie Niebhur, gerenta de Industria de Noticias para Chile, Perú y Uruguay en Google. “La publicidad no murió, se transformó: nuevas oportunidades para los medios”, a cargo de Federico Ehrenfeld y Martín González, fundadores de KAFE, empresa dedicada a la transformación digital y generación de nuevos ingresos para medios de comunicación en Latinoamérica. [Sigue]

Este artículo fue publicado en La Prensa Austral (Chile)