Le pidieron al asistente que vinculara la cuenta a un nuevo correo electrónico y el chatbot procesó la solicitud para, posteriormente, enviar el código de verificación al atacante. Con ese código, pudieron restablecer la contraseña y la cuenta ya era suya.

Entre los perfiles afectados se encontraban la cuenta de la Casa Blanca de la era Obama, la cadena de cosméticos Sephora y un alto cargo de la Fuerza Espacial estadounidense. La propia Meta confirmó el ataque el lunes y aseguró haber corregido la vulnerabilidad.

El fallo no estaba en la infraestructura. Estaba en la lógica del agente.

Qué pasó exactamente

El chatbot de Meta tenía permiso para ejecutar acciones en nombre del usuario: reportar fraudes, gestionar suplantaciones o tramitar recuperaciones de cuenta. Era un agente con acceso real a los sistemas. Y el problema es que nadie le enseñó a verificar quién estaba al otro lado antes de actuar.

Los expertos en ciberseguridad tienen un nombre para esto desde los años 80: confused deputy. Esto es, un agente confundido. Es cuando un sistema ejecuta órdenes con privilegios que no le corresponden a quien las da, porque no distingue entre el titular legítimo y un impostor.

Para evadir las alertas automáticas de la plataforma, los atacantes usaron VPNs para simular que estaban en la misma ubicación geográfica que la víctima. En algunos casos, crearon vídeos deepfake de los titulares con imágenes obtenidas del propio Instagram.

Una tecnología avanzada al servicio de una vulnerabilidad primitiva: un agente al que nadie le definió los límites.

No es un problema de Meta sino de método

Meta tiene miles de ingenieros y presupuestos de seguridad que ninguna pyme puede imaginar. Y, aún así, desplegó un agente con capacidad de modificar credenciales sin validación de identidad.

No lo hicieron por incompetencia sino por la misma razón por la que la mayoría de empresas cometen errores similares: el foco estaba en que el agente funcionara, no en qué pasaría si alguien lo manipulaba.

Cuando una empresa integra un sistema basado en IA para gestionar atención al cliente, ejecutar flujos de trabajo o acceder a datos internos, está transfiriendo confianza operativa a un agente que va a tomar decisiones. Esas decisiones pueden ser manipuladas si no se han definido correctamente sus límites, sus permisos y sus puntos de validación.

La pregunta no es si tu empresa va a tener un chatbot o un agente. Ya los tienes… o los tendrás pronto. La pregunta es si sabes exactamente qué puede hacer, qué no puede hacer y quién supervisa qué antes de que actúe.

Lo que las empresas ignoran cuando despliegan IA

Hay un patrón que veo con frecuencia en los proyectos de adopción de IA en empresas medianas. Se elige la herramienta, se integra en el sistema, se comprueba que funciona correctamente en condiciones normales y se pone en producción ‘a las bravas’.

Nadie se pregunta qué pasa en condiciones anormales, qué ocurre si alguien le da instrucciones que no debería poder dar, qué datos puede filtrar si se le hace la pregunta adecuada o qué acciones puede ejecutar si se le manipula.

Por eso, esta situación no es un problema tecnológico, es un problema de criterio antes del despliegue.

El incidente de Meta es el ejemplo más visible de una categoría de riesgo que ya tiene nombre en la industria: la superficie de ataque de la IA. No es el servidor, ni la red, ni la aplicación. Es la lógica del modelo. Y las herramientas de ciberseguridad tradicionales no están diseñadas para verla.

Qué deberías hacer antes de que te pase a ti

No hace falta tener 2.000 millones de usuarios para estar expuesto. Cualquier empresa que haya integrado un chatbot de atención al cliente, un asistente con acceso a datos internos o un agente que ejecuta tareas automáticas tiene una superficie de ataque que gestionar.

Tres preguntas concretas que deberías poder responder hoy:

• ¿Qué acciones puede ejecutar cada agente o asistente de IA que tienes en producción?
  No en teoría. En la práctica real. Si no lo sabes con certeza, hay un problema.
• ¿Quién verifica la identidad antes de que el agente actúe sobre una cuenta, un dato o un proceso crítico?
  Si la respuesta es «el propio agente», hay un problema.
• ¿Tienes visibilidad de lo que está haciendo tu IA en tiempo real?
  No de los resultados finales. Del proceso completo. Si no tienes esa trazabilidad, no puedes detectar un incidente hasta que ya es demasiado tarde.

La autenticación multifactor sigue siendo el consejo más básico y más ignorado. El ataque a Meta no tuvo éxito en las cuentas que la tenían activada. Y, ciertamente, no es el sistema más vistoso, pero funciona.

Más allá de eso, el siguiente paso es auditar la IA que ya tienes desplegada con los mismos criterios con los que auditas cualquier sistema con acceso a datos sensibles. No como una herramienta de productividad sino como lo que realmente es: un agente que actúa en nombre de tu empresa.

La IA no falla. Falla el criterio con el que se despliega

Meta no desplegó una IA defectuosa. Desplegó una IA sin los controles adecuados para el nivel de acceso que tenía. Es una diferencia importante.

El error no fue tecnológico sino, más bien, de diseño. Nadie definió qué debía verificar el agente antes de actuar, qué acciones estaban fuera de su alcance y qué nivel de supervisión humana necesitaba en las operaciones más sensibles.

Si eso le puede pasar a Meta, le puede pasar a cualquier empresa que esté desplegando IA más deprisa de lo que está pensando cómo gobernarlo.

La velocidad de adopción no es el problema. El problema es adoptarla sin criterio.

La entrada El chatbot de Meta entregó Instagram a los hackers… Y tu empresa tiene el mismo problema se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

Anthropic acaba de lanzar Claude Opus 4.8, la nueva versión de su modelo de mayor capacidad. No es una revolución —lo reconocen ellos mismos: llaman a esta actualización «modesta pero tangible»— pero hay matices que conviene entender bien, especialmente si trabajas con IA en entornos profesionales o estás evaluando integrarlo en tus flujos de trabajo.

Lo más relevante: un modelo que admite cuando se equivoca

El dato que más me ha llamado la atención no es ningún benchmark de código, sino que Opus 4.8 tiene cuatro veces menos probabilidad que su predecesor de dejar pasar errores en código generado sin señalarlos. En la práctica, eso significa un modelo que dice «esto puede estar mal» en lugar de entregarte el resultado con aplomo y dejarte descubrir el problema tú sólo. Para quien trabaja en tareas técnicas largas o agentes autónomos, esto vale más de lo que parece a primera vista.

El equipo de alineación de Anthropic también ha validado que Opus 4.8 tiene tasas de comportamiento desalineado —engaño, cooperación con usos indebidos— sustancialmente menores que Opus 4.7, comparables a su modelo de investigación más avanzado, Mythos Preview.

Novedades en la plataforma

Este lanzamiento no viene sólo, ya que hay varias novedades técnicas relevantes para desarrolladores. Claude Code incorpora en vista previa los llamados dynamic workflows, que permiten lanzar cientos de subagentes en paralelo dentro de una sola sesión, pensados para migraciones de código a gran escala con verificación automática de resultados.

La Messages API —la API principal de Anthropic para interactuar con Claude— ahora acepta entradas de sistema dentro del propio array de mensajes, lo que permite actualizar las instrucciones del modelo en mitad de una tarea sin romper la caché del prompt. Algo aparentemente menor que tiene implicaciones importantes si construyes agentes con permisos que cambian según el contexto de ejecución.

Los usuarios de claude.ai también pueden ajustar ahora el nivel de esfuerzo que dedica el modelo a cada respuesta: más esfuerzo equivale a mejor resultado pero mayor consumo de tokens; menos esfuerzo, respuesta más rápida y menor impacto en los límites de uso.

Por último, el modo rápido de Opus 4.8 genera tokens a 2,5 veces la velocidad estándar y ahora cuesta tres veces menos que el modo rápido de versiones anteriores.

Precios y disponibilidad

Anthropic ha mantenido los precios de Opus 4.7 para el uso estándar: 5 dólares por millón de tokens de entrada y 25 por millón de salida. El modo rápido tiene un coste adicional: 10 y 50 dólares respectivamente. El modelo está disponible ya en la API de Anthropic, Amazon Web Services, Google Cloud y Microsoft Foundry, con el identificador claude-opus-4-8.

Qué viene después

Anthropic anticipa dos movimientos:

• El primero, modelos con capacidades similares a Opus pero a menor coste.
• El segundo, una nueva clase de modelo con mayor inteligencia que Opus: la familia Mythos.

Mythos Preview ya está siendo usado por un grupo reducido de organizaciones dentro del Proyecto Glasswing, centrado en ciberseguridad. Según Anthropic, están desarrollando las salvaguardas necesarias para un despliegue general y esperan tenerlo disponible para todos los clientes en las próximas semanas.

Opus 4.8 es una actualización sólida, no espectacular. Lo que más me importa de este lanzamiento no es el modelo en sí, sino la combinación de tres cosas: un modelo más honesto sobre sus propios errores, la nueva capacidad de inyectar instrucciones de sistema en mitad de una conversación vía API, y el anuncio de Mythos como próxima generación.

Para quienes construimos agentes sobre estos modelos, eso tiene un peso real.

La entrada Claude Opus 4.8: el modelo más capaz de Anthropic ya está aquí se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

Pero lo que no salió tanto en los titulares es que ese anteproyecto de ley todavía tiene que pasar por el Congreso y puede tardar meses e, incluso, sufrir cambios. Y lo que no puede tardar ni cambiar es el Reglamento Europeo de Inteligencia Artificial —el AI Act—, que es de aplicación directa en España desde agosto de 2024 y que el 2 de agosto de 2026, dentro de menos de dos meses, activa la supervisión plena de la AESIA sobre el cumplimiento en España. Con ley española o sin ella.

El problema real no es la multa

Cuando una empresa lee «multas de hasta 35 millones de euros», la reacción natural es pensar que eso es para las grandes. Para las multinacionales. Para las que tienen departamentos legales y se pueden permitir litigios. Algo comprensible y también un error.

El AI Act no diferencia entre grandes y pequeñas empresas en lo fundamental. Diferencia entre quien desarrolla sistemas de IA —los proveedores— y quien los usa. Y, si tu empresa utiliza ChatGPT para redactar propuestas, Claude para analizar contratos, Copilot integrado en el paquete 365 o cualquier asistente en un CRM, tu empresa es legalmente un deployer, un operador de IA. Con obligaciones propias.

Según datos de Wolters Kluwer y BBVA Research de 2026, el 76% de las PYMES españolas ya usa herramientas de IA semanalmente. Sin embargo, sólo el 8% tiene una solución implementada con gobernanza real, lo que significa que aproximadamente el 68% del tejido empresarial español está operando con IA en la sombra: sin registros de uso, sin formación documentada, sin política interna.

Esa situación ya era un problema técnico antes del 2 de agosto pero, a partir del 2 de agosto, es también un problema legal.

Qué lleva meses en vigor y la mayoría desconoce

El AI Act no entró en vigor de golpe. Su aplicación es escalonada y hay una obligación que muchas empresas ignoran porque no generó grandes titulares: el Artículo 4, sobre alfabetización en IA.

Desde febrero de 2025 —hace ya más de un año— toda organización que utilice herramientas de IA tiene la obligación de adoptar medidas para garantizar un nivel suficiente de competencia en IA entre su personal. No es una recomendación. No es una buena práctica. Es una exigencia legal vigente.

La pregunta no es si tu empresa debe formar a su equipo sino si puede demostrar que ya lo ha hecho. Y aquí es donde el problema deja de ser regulatorio y se convierte en operativo. La mayor parte de las PYMES no ha incumplido por negligencia. Ha incumplido porque nadie le explicó que la formación en IA era una obligación desde hace más de un año. Y porque la formación que se suele ofrecer —cursos de prompts, talleres de herramientas— no cumple el estándar que la norma exige.

La norma no pide que el equipo sepa usar ChatGPT. Pide que sepa dirigir la IA con criterio: entender qué tipo de tarea es adecuada para qué sistema, cómo validar los resultados, qué información no debe circular por herramientas no auditadas y cuándo la supervisión humana es innegociable.

Eso es formación con método. No una demo de funcionalidades.

Lo que activa el 2 de agosto

El Omnibus Digital de mayo retrasó las obligaciones técnicas para sistemas de alto riesgo hasta diciembre de 2027. Muchas empresas interpretaron ese titular como un respiro general. No lo es.

Lo que el 2 de agosto activa sin excepción es la supervisión y la capacidad sancionadora plena de la AESIA sobre el cumplimiento del AI Act en España. Eso incluye el Artículo 4 —formación del equipo— y las normas de transparencia del Artículo 50, que obligan a que cualquier sistema conversacional informe al usuario de que está interactuando con una IA.

Para una PYME que no desarrolla IA sino que la usa, el punto de partida obligatorio es saber exactamente qué herramientas de IA utiliza el equipo, en qué procesos y con qué datos. Parece obvio. En la práctica, la mayoría de empresas no tiene ese inventario porque mucha IA es invisible: viene integrada en el CRM, en el software de contabilidad, en las herramientas de marketing. Nadie la instaló expresamente. Simplemente estaba ahí.

Sin ese inventario, no se puede hacer nada de lo que viene después. No se puede documentar la formación si no sabes qué sistemas usa el equipo. No se puede redactar una política interna si no sabes qué herramientas autorizar. Y no se puede demostrar transparencia frente a clientes si no sabes qué sistemas conversacionales están operando en tu nombre.

Eso es lo que el 2 de agosto va a poner en evidencia. No la falta de documentación técnica sino la falta de conocimiento básico sobre el propio uso de la IA.

El problema que la regulación no va a resolver sola

Hay algo que los textos legales no dicen pero que cualquier persona que trabaje con PYMES ve con claridad: el problema de fondo no es la ausencia de regulación. Es la ausencia de método.

El Banco de España lo ha documentado: la barrera principal para la adopción de IA en las empresas españolas no es el coste. Es la falta de personal cualificado para que esa adopción sea sostenida, provechosa y responsable. El 45,8% de las empresas lo señala como el obstáculo principal.

La interpretación habitual de ese dato es que hace falta contratar perfiles técnicos: analistas de datos, especialistas en machine learning, consultores de IA. Es una interpretación parcialmente correcta para las grandes empresas. Para las PYMES, es prácticamente inviable y, además, innecesaria.

Lo que una PYME necesita no es un departamento de IA. Necesita que las personas que ya trabajan en ella —el responsable comercial, el equipo de administración, la dirección— sean capaces de dirigir la IA con criterio profesional. De saber qué pedirle, cómo validar lo que genera, qué información no debe manejar y cuándo no usarla.

Eso no se resuelve contratando un perfil técnico. Se resuelve formando al equipo con un método que conecte la estrategia de cada empresa con el uso concreto que va a hacer de la tecnología.

Qué hacer en los próximos 60 días

El 2 de agosto no es una fecha lejana. Y el orden importa:

• Lo primero es el inventario. No se puede gestionar lo que no se conoce. Listar qué herramientas de IA usa el equipo, en qué procesos y con qué datos suele revelar más exposición de la que se esperaba. Es el paso que nadie quiere hacer porque parece burocrático, y es el que hace posible todo lo demás.
• Lo segundo es la formación. Si el equipo ya ha recibido formación en IA, documentarla: fecha, contenido, quién participó. Si no la ha recibido, planificarla ahora. No cualquier formación. Una que pueda responder a la pregunta de la AESIA: ¿sabe su equipo qué puede y qué no puede hacer con IA en el contexto de su trabajo? Un curso de prompts no responde esa pregunta.
• Lo tercero es la política interna. No tiene que ser extensa. Tiene que responder a tres preguntas concretas: qué herramientas están autorizadas, qué información no puede introducirse en sistemas externos, y quién supervisa el uso de IA en los procesos que afectan a terceros. Una página bien escrita vale más que un documento de cincuenta que nadie lee.

Ninguna de estas tres cosas requiere un equipo legal para empezar. Requiere que la dirección decida que esto es prioritario.

La gobernanza sin método es papel

El riesgo que más me preocupa en estas semanas no es que las PYMES no cumplan la regulación. Es que la cumplan en papel y no en la práctica.

Una política interna de IA que nadie lee no es gobernanza. Un curso de una hora sobre el AI Act no es formación con criterio. Un inventario de herramientas que se archiva y no se actualiza no protege a nadie.

La diferencia entre cumplir en papel y cumplir de verdad es la misma diferencia que hay entre una empresa que tiene un procedimiento escrito y una empresa que lo aplica. La norma puede obligar a tener el procedimiento, pero no puede garantizar que se aplique.

Eso depende de si el equipo ha interiorizado el criterio profesional para dirigir la IA: sabe cuándo usarla, cuándo no, cómo validar lo que genera y cómo tomar decisiones cuando la IA no da respuestas claras.

Ese criterio no sale de leer el reglamento. Sale de practicarlo.

¿Quieres saber en qué punto está tu equipo antes del 2 de agosto?

En SCRIVEX Lab puedes hacer una simulación práctica de 30 minutos sobre el uso real de IA en tu empresa.

La entrada Ley de IA en el Congreso: lo que el AI Act ya obliga a tu empresa se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

Esta semana, Moz Pro —una de las plataformas de referencia en SEO, con más de veinte años en el mercado— ha lanzado AI Visibility, una función integrada en su plataforma que rastrea exactamente eso: si tu marca aparece en las respuestas de ChatGPT y Gemini, en qué posición dentro de esa respuesta y cómo te comparas con tus competidores directos.

Cuando Moz se mueve en una dirección es porque, sin duda, el mercado lleva tiempo empujando en esa dirección. No es casualidad, es la confirmación.

El problema que nadie estaba midiendo

Durante años, el SEO ha funcionado con una lógica clara: consigues que tu web aparezca en los primeros puestos de Google, el usuario ve tu enlace, hace clic y llega a tu contenido. Todo porque el esfuerzo estaba orientado a ese clic. Pero esa lógica se está rompiendo desde hace tiempo.

El Modo IA de Google —la experiencia conversacional impulsada por Gemini— ya supera los 100 millones de usuarios en sus primeros mercados. Y, en ese modo, la mayoría de las sesiones terminan sin ningún clic externo. El usuario pregunta, lee la respuesta directamente en el buscador y, simplemente, se va. Sin visitar tu web, sin ver tu contenido. En definitiva, sin llegar a ti.

Lo mismo ocurre con ChatGPT, que ha alcanzado 883 millones de usuarios mensuales en 2026. Cuando alguien pregunta «¿cuál es la mejor consultoría web en mi localidad?» o «¿qué herramienta uso para gestionar mis proyectos?», la IA da una respuesta concreta. Y, si no apareces en esa respuesta, no entras en la consideración del usuario.

El problema es que hasta hace muy poco nadie estaba midiendo esto de forma sistemática. Sabías cuántas visitas recibías de Google pero no sabías si la IA te mencionaba o te ignoraba.

SEO, GEO y AEO: tres disciplinas que ahora trabajan juntas

Aquí es donde entra la distinción que aplico con mis clientes y que cada vez más profesionales del marketing están incorporando a su trabajo:

• El SEO (Search Engine Optimization) sigue siendo válido. Trabaja para que tu web aparezca bien posicionada en los buscadores tradicionales. Sigue siendo necesario.
• El GEO (Generative Engine Optimization) es la disciplina que trabaja para que los motores generativos —ChatGPT, Gemini, Perplexity, Claude…— te citen como fuente cuando responden preguntas relacionadas con tu sector. No se trata de palabras clave en el sentido clásico sino, más bien, de construir contenido que la IA reconozca como autoritativo y relevante para una pregunta concreta.
• El AEO (Answer Engine Optimization) va un paso más allá: optimiza tu presencia para que seas la respuesta directa, no sólo una fuente citada. Es la disciplina más exigente de las tres y también la que mayor impacto tiene cuando funciona.

Las tres no se excluyen, se complementan. Y aplicarlas juntas desde el principio marca una diferencia real en los resultados.

Lo que el lanzamiento de Moz confirma

Moz no lanza funciones para adelantarse al mercado. Lanza funciones cuando sus clientes —agencias, consultores, equipos de marketing— se las piden porque tienen un problema real que resolver. AI Visibility existe porque hay miles de profesionales que necesitan medir su presencia en la IA y no tenían una herramienta consolidada para hacerlo.

No son los únicos. Ahrefs tiene Brand Radar. Semrush está desarrollando sus propias métricas de visibilidad en IA. Microsoft acaba de lanzar un panel de citaciones gratuito en Microsoft Clarity. El ecosistema de herramientas para medir y mejorar la presencia en motores de IA está creciendo rápido.

Las proyecciones de Semrush indican que el tráfico desde experiencias de búsqueda con IA podría superar al orgánico tradicional en 2028. No es ciencia ficción. Es el escenario hacia el que se mueve todo el sector.

La ventana está abierta ahora

La buena noticia para las empresas que empiezan a trabajar esto hoy es que la competencia todavía no lo está haciendo de forma sistemática. La mayoría sigue centrada exclusivamente en el SEO tradicional, sin medir ni trabajar su presencia en la IA. Y eso es una ventaja real, pero también temporal.

La diferencia entre aparecer en Google y aparecer en la IA no es técnica, es de enfoque. Google premia páginas con autoridad, palabras clave bien trabajadas y enlaces entrantes. Pero la IA premia contenido que responde preguntas concretas con claridad, datos verificables y una voz reconocible en el sector.

Si llevas años construyendo contenido útil y tienes autoridad en tu nicho, tienes una base sólida. Lo que necesitas es añadir una capa de criterio encima: saber qué preguntas hace tu cliente potencial en lenguaje natural, asegurarte de que tu contenido es la mejor respuesta posible a esas preguntas y medir si la IA te está citando o ignorando.

Eso es exactamente lo que trabajo con mis clientes. Y los resultados, cuando se aplica desde el inicio, son medibles en semanas.

¿Tu empresa aparece cuando la IA responde a las preguntas de tus clientes? Si no lo sabes, tienes trabajo pendiente.

La entrada En Google apareces pero para la IA no existes… Y eso ya tiene consecuencias se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

El diagnóstico es correcto. La conclusión que sacan la mayoría de empresas, no.

El mercado de talento técnico no es tu mercado

Los perfiles que escasean son muy específicos: ingenieros de machine learning, especialistas en MLOps (Machine Learning Operations) o arquitectos de modelos de lenguaje. Son profesionales que construyen sistemas de IA desde cero o mantienen infraestructuras complejas a escala. Un perfil senior en cualquiera de estas especialidades cuesta entre 55.000 y 90.000 euros anuales. Y, aunque lo encuentres y puedas pagarlo, compites en desventaja con empresas internacionales que ofrecen más dinero y trabajo en remoto.

Una pyme no necesita construir un modelo, necesita usar los que ya existen con criterio profesional. Son dos cosas completamente distintas y confundirlas es el error que está paralizando proyectos de adopción en empresas que, por lo demás, están perfectamente preparadas para avanzar.

Lo que veo en el terreno

Cuando entro en una empresa que lleva meses paralizada, porque dice que no tiene el talento, lo primero que hago es observar cómo trabaja su equipo. Y lo que encuentro no es falta de especialistas… es falta de método.

Equipos que usan herramientas de IA a diario pero sin saber qué le están pidiendo realmente. Resultados que se aceptan sin validar. Procesos que funcionan una vez pero no se sistematizan. Decisiones que se delegan a la herramienta sin que nadie haya definido qué criterio debe aplicar.

Eso no lo resuelve contratar a nadie. Lo resuelve tener un método.

Las tres salidas reales para una pyme

Cuando una empresa me dice que no tiene talento en IA, le planteo lo mismo: hay tres caminos.

El primero es formar al equipo que ya tiene. No en programación ni en arquitectura de modelos. En cómo dirigir a la IA con criterio profesional: qué problema quieren resolver antes de abrir ninguna herramienta, cómo construir el contexto que la IA necesita para trabajar bien, cómo validar lo que devuelve antes de usarlo.

El segundo es apoyarse en una consultoría externa que diseñe e implemente soluciones concretas sin que la empresa tenga que desarrollar capacidad técnica interna.

El tercero es combinar formación e implementación. Y es el único que funciona a largo plazo. Una implementación sin formación paralela crea dependencia: el equipo usa lo que le han montado sin entender qué está haciendo, sin poder validarlo y sin capacidad de mejorarlo. Cuando algo falla o cambia, vuelven a necesitar a alguien externo. Una consultoría que solo implementa, sin formar al equipo que lo va a operar, no resuelve el problema. Lo pospone.

El talento que falta no es técnico

El 49% de los trabajadores españoles reconoce tener carencias en habilidades de IA. El 62% cree que su empresa no les va a dar la formación necesaria. Esos datos no hablan de ingenieros. Hablan de equipos completos que usan herramientas de IA cada día sin saber realmente qué están haciendo con ellas.

Ahí está el verdadero cuello de botella. No en el mercado de talento técnico, sino en la capacidad de las organizaciones para trabajar con IA de forma útil, repetible y sin cometer los errores que cuestan dinero.

Ese problema sí tiene solución. Y no pasa por contratar a nadie.

La entrada El 78% de las empresas españolas no encuentra talento en IA: están mirando el problema al revés se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

Scale AI decidió comprobar si todo aquello era real. No con benchmarks de laboratorio, sino con proyectos freelance reales evaluados por un panel de 40 jueces como si fueran clientes reales: diseño de producto, desarrollo de videojuegos, análisis de datos, redacción científica. Encargos del mundo real con criterios de evaluación del mundo real.

El resultado fue contundente: menos de 3 de cada 100 proyectos superaron el filtro. El mejor modelo alcanzó un 2,5% de efectividad. Andrej Karpathy, cofundador de OpenAI, lo resumió sin rodeos: los agentes todavía no están ahí.

Puedes descargar el estudio completo aquí.

Qué mide realmente el estudio y por qué importa

La mayoría de los benchmarks con los que se evalúan los modelos de IA miden precisión técnica en condiciones controladas. El estudio de Scale AI mide algo diferente y mucho más relevante para cualquier empresa: si el resultado de un agente autónomo superaría el criterio de un cliente real en un encargo real.

Esa diferencia es enorme. Un modelo puede resolver correctamente un problema técnico y aun así producir un entregable que ningún cliente aceptaría, porque no ha priorizado bien, porque no ha entendido el contexto implícito, porque ha tomado decisiones que técnicamente son correctas pero profesionalmente son inadecuadas. Los modelos actuales son rápidos, coherentes y cada vez más capaces, pero no contextualizan bien, no entienden matices ni expectativas tácitas y no saben lo que importa en tu empresa, en tu sector o con tu cliente. Ese conocimiento no lo da el modelo. Lo pones tú.

Por qué fracasan la mayoría de los proyectos de agentes de IA en empresa

He visto este patrón repetirse en consultorías: la empresa decide montar un agente, le pide que «gestione el soporte» o que «atienda a los clientes», lo lanza, no funciona como esperaban y la conclusión es que los agentes no sirven. Pero el problema no estaba en el agente. Estaba en cómo se definió la tarea antes de construir nada.

Un agente mal definido no ejecuta mal una tarea: ejecuta caos de forma muy sofisticada. Y un agente bien construido, en cambio, hace una cosa, la hace siempre y la hace sin supervisión constante. Eso ya justifica el tiempo de construirlo, aunque no sea la promesa de los keynotes.

La diferencia entre los dos no depende del modelo que uses ni de la plataforma que elijas. Depende de si respondiste estas cuatro preguntas antes de construir nada:

• ¿Qué tiene que hacer exactamente el agente?
• ¿En qué situación concreta va a operar?
• ¿Con qué información disponible va a trabajar?
• ¿Qué pasa si se equivoca?

Si no tienes respuesta clara a las cuatro, no es el momento de montar el agente. Es el momento de definir el proceso.

El 2,5% visto desde el ángulo correcto

La lectura fácil del estudio es que los agentes no funcionan. No es esa la conclusión útil. Hace tres años, ese 2,5% era 0%. El ritmo de avance es real y sostenido, y los agentes que hoy fallan en tareas abiertas y complejas ya funcionan bien en tareas acotadas y repetibles: atención al cliente con alcance definido, consultas internas sobre documentación propia, validación de datos contra criterios fijos, generación de borradores dentro de un formato establecido.

No es la transformación total que prometieron en los keynotes. Es lo que funciona hoy. Y, para muchas empresas, ya es más que suficiente para recuperar horas reales cada semana en tareas que no necesitan criterio humano en cada paso.

Qué significa esto para tu empresa ahora mismo

No necesitas esperar a que los agentes sean perfectos para empezar a usarlos bien. Lo que necesitas es identificar una tarea que se repita siempre igual, que pueda describirse en tres líneas y que consuma tiempo de alguien con criterio que podría estar haciendo otra cosa. Esa tarea es tu punto de entrada real, no «transformar el departamento» ni «automatizar la atención al cliente», sino una tarea concreta y medible.

El 97,5% de los proyectos del estudio de Scale AI fallaron. Probablemente porque nadie hizo esa pregunta antes de empezar. La tecnología no era el problema entonces, y tampoco lo es ahora.

La entrada Los agentes de IA no funcionan como prometían: lo que revela el estudio de Scale AI se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

El pasado 22 de abril, en su evento Google Cloud Next 2026, Google presentó la Gemini Enterprise Agent Platform. El nombre es largo y la presentación fue la habitual liturgia corporativa de Las Vegas en escenarios grandes, vídeos de impacto y promesas de transformación. Pero debajo del espectáculo hay un anuncio que merece análisis.

Google está dejando de vender IA como una herramienta de consulta. Está vendiendo IA como infraestructura de ejecución.

De responder a actuar

Hasta ahora, el modelo era sencillo: tú preguntas y la IA responde. Eso es un chatbot, que resulta útil pero limitado, porque requiere que tú estés ahí, que formules bien la pregunta, que leas la respuesta y que decidas qué hacer con ella.

Lo que Google anuncia en Cloud Next es otra cosa. Los agentes de Gemini Enterprise no esperan que les preguntes. Se les asigna un objetivo, acceden a tus sistemas (correo electrónico, calendario, documentos, ERPs, CRMs, etc.) y trabajan de forma autónoma, durante horas o incluso días, hasta completarlo.

En sus propias palabras: el objetivo es convertir Gemini Enterprise en «el tejido conectivo entre tus datos, tu gente y todas tus aplicaciones».

Eso no es una actualización. Es un cambio de naturaleza.

Lo que esto significa en la práctica

Pongo un ejemplo concreto, porque los conceptos sin ejemplo no sirven de nada.

Imagina que tienes un proceso de incorporación de nuevos clientes: alguien firma el contrato, hay que crear el proyecto en tu gestor de tareas, avisar al equipo, programar la reunión de arranque, enviar los accesos y archivar la documentación. Normalmente eso son cuatro personas tocando cuatro herramientas distintas, con margen de error en cada paso.

Un agente bien configurado hace ese proceso completo en segundos, sin que nadie mueva un dedo y desde el momento en que el contrato se firma.

Ese es el valor real. No la velocidad sino la eliminación del fricción humana en procesos repetitivos y bien definidos.

La decisión estratégica que nadie está comentando

Google ha tomado una decisión que me parece interesante y que los titulares están pasando por alto.

Ha separado el producto en dos capas distintas con nombres distintos y para perfiles distintos:

• Gemini Enterprise Agent Platform

  Para equipos técnicos. Aquí viven las herramientas de construcción, despliegue y gobernanza de agentes a escala.

• Gemini Enterprise app

  Para usuarios de negocio. Aquí cualquier empleado puede crear agentes sin escribir una línea de código, usando el Agent Designer en lenguaje natural.

La separación no es cosmética. Reconoce que el directivo que quiere automatizar su proceso de onboarding y el ingeniero que quiere desplegar cien agentes en producción no tienen el mismo problema ni necesitan la misma interfaz.

Es la primera vez que veo a un proveedor grande hacer esta distinción de forma explícita y coherente. Que haya funcionado o no en la práctica es otra conversación.

El problema que nadie resuelve con la plataforma

Hay algo que no aparece en el keynote publicado por Thomas Kurian (Director ejecutivo de Google Cloud) y que, en mi experiencia, es lo que acaba determinando si una implementación de agentes funciona o no.

Un agente no diseña procesos. Los ejecuta.

Si el proceso que quieres automatizar es confuso, incompleto o está lleno de excepciones sin documentar, el agente lo ejecutará confuso, incompleto y lleno de excepciones… pero más rápido y a mayor escala. Google puede ofrecerte Agent Studio, Agent Registry, Agent Identity y otros seis productos con «Agent» en el nombre, pero ninguno resuelve el problema de una empresa que quiere automatizar algo que no sabe bien cómo funciona.

El anuncio de Cloud Next describe con precisión qué puede hacer la tecnología, si bien, no describe qué necesita hacer la empresa antes de activarla.

Esa parte sigue siendo responsabilidad de cada organización. Y, en la mayoría de los casos, es la parte más difícil.

Por qué importa aunque no uses Google Cloud

Si tu empresa trabaja con Microsoft 365, ya tienes Copilot con capacidades similares. Si usas ChatGPT, el Modo Agente lleva meses disponible. Si eres más autónomo en tu infraestructura, n8n te permite construir tus propios agentes conectando las herramientas que ya tienes.

El anuncio de Google no es relevante porque sea de Google. Es relevante porque confirma que la dirección del mercado es unánime: la IA está dejando de ser un asistente y está convirtiéndose en un ejecutor.

Para una empresa que todavía está usando la IA para redactar correos y resumir reuniones, esto no es una amenaza inmediata. Pero sí es una señal de dónde van a estar sus competidores en doce o veinticuatro meses.

La tecnología avanza, pero la pregunta de siempre sigue siendo la misma: ¿qué problema concreto quieres resolver con ella?

La entrada Google Cloud Next 2026: la IA deja de responder para empezar a actuar por ti se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

Aunque cada uno de estos anuncios puede interpretarse de forma independiente, el análisis conjunto permite entender mejor la dirección estratégica que está tomando la compañía. No se trata únicamente de añadir funcionalidades a una herramienta ya conocida, sino de avanzar hacia un modelo en el que la inteligencia artificial se integra de forma estructural en los procesos de trabajo.

GPT-5.5: evolución hacia una interacción más estable y menos dependiente del usuario

El lanzamiento de GPT-5.5 introduce mejoras en áreas clave como el razonamiento, la gestión de contextos amplios y la consistencia en las respuestas. Este tipo de evolución es habitual en modelos de lenguaje avanzados pero, en este caso, hay un elemento especialmente relevante desde el punto de vista práctico.

La mejora no sólo se percibe en la capacidad, sino en la fiabilidad. El sistema requiere menos precisión por parte del usuario para ofrecer resultados útiles, lo que reduce la dependencia de la formulación exacta del prompt. En entornos profesionales, esto facilita el acceso a la herramienta, pero también introduce un matiz importante: la calidad aparente de las respuestas puede aumentar incluso cuando el proceso de análisis detrás no ha sido especialmente riguroso.

Este cambio no es menor, porque desplaza parte del valor desde la interacción técnica hacia la capacidad de interpretar, validar y decidir sobre los resultados obtenidos.

Workspace Agents: de la interacción puntual a la ejecución de procesos

Uno de los desarrollos más significativos es la introducción de los Workspace Agents, agentes diseñados para operar dentro de entornos de trabajo de forma persistente. A diferencia del modelo conversacional tradicional, estos agentes no se limitan a responder solicitudes, sino que pueden planificar acciones, ejecutarlas, integrarse con herramientas y trabajar de forma continua sobre tareas concretas.

Es importante señalar que esta funcionalidad no está disponible en versiones como ChatGPT Plus o Go, ya que está orientada a planes Business y Enterprise. Esta segmentación no responde únicamente a una cuestión comercial, sino a la naturaleza del propio producto. Los agentes están pensados para operar sobre procesos organizativos, no sobre tareas individuales aisladas.

En este contexto, el cambio relevante no es la automatización en sí, sino el tipo de automatización. Se pasa de un uso reactivo de la inteligencia artificial, basado en consultas, a un uso proactivo, en el que el sistema participa en la ejecución del trabajo.

Privacy Filter: la pieza clave para la adopción real en entornos profesionales

Entre todos los anuncios recientes, el Privacy Filter merecía una atención especial y, por ello, ya he hablado en un artículo anterior profundamente.

Se trata de un sistema diseñado para identificar, tratar y anonimizar información sensible antes de que sea procesada por modelos de inteligencia artificial.

Aunque puede parecer una mejora técnica más, su impacto es mucho más profundo. Uno de los principales obstáculos para la adopción de la IA en empresas no es la falta de capacidad de los modelos, sino la gestión del riesgo asociado al tratamiento de datos. Aspectos como el cumplimiento normativo, la protección de información confidencial o la trazabilidad de los datos son determinantes en sectores como el legal, el sanitario o el financiero.

El Privacy Filter aborda directamente este problema, introduciendo una capa de control que permite trabajar con información real sin exponer datos sensibles. Esto no sólo reduce el riesgo, sino que habilita escenarios de uso que hasta ahora resultaban complejos o directamente inviables.

Desde una perspectiva estratégica, este tipo de desarrollo es fundamental. Sin mecanismos sólidos de gobernanza y protección de datos, la inteligencia artificial difícilmente puede integrarse en procesos críticos. Por tanto, más que una funcionalidad adicional, el Privacy Filter actúa como un elemento habilitador para la adopción a gran escala.

Images 2.0: hacia resultados visuales aplicables en contextos reales

Las mejoras en generación de imágenes introducen avances en aspectos como la representación de texto, el control del resultado y la coherencia visual. Estos elementos responden a limitaciones que han estado presentes en herramientas anteriores, donde la calidad estética no siempre se traducía en utilidad práctica.

Con esta evolución, la generación visual se acerca más a un entorno de producción, en el que los resultados pueden integrarse en procesos de comunicación, diseño o marketing con menos intervención manual. Sin embargo, sigue siendo necesario distinguir entre la capacidad de generar contenido y la capacidad de diseñar soluciones adecuadas a un contexto específico.

La herramienta mejora, pero la responsabilidad sobre el uso sigue recayendo en el criterio profesional.

Diferencias de uso: comprender el papel de cada versión de ChatGPT

Para interpretar correctamente estos avances, es importante entender que no todas las versiones de ChatGPT ofrecen las mismas capacidades ni están orientadas al mismo tipo de uso.

En el ámbito individual, versiones como Free, Go o Plus están diseñadas para la interacción directa: consultas, generación de contenido y apoyo en tareas concretas. Este nivel es suficiente para mejorar la productividad personal, pero no implica necesariamente una transformación en la forma de trabajar.

En un segundo nivel, algunos profesionales desarrollan flujos de trabajo más estructurados, combinando herramientas y aprovechando mejor el contexto y la iteración.

Es en el entorno empresarial, con planes Business y Enterprise, donde se introducen capacidades como los Workspace Agents o las soluciones avanzadas de privacidad. Aquí el foco se desplaza hacia la automatización de procesos, la integración con sistemas existentes y la gestión del dato.

Esta diferenciación ayuda a explicar por qué la percepción de la evolución de la IA puede variar tanto entre usuarios. No todos están trabajando con las mismas herramientas ni en el mismo contexto.

El análisis conjunto de estos lanzamientos muestra una dirección clara. OpenAI no se limita a mejorar sus modelos, sino que está construyendo un entorno en el que la inteligencia artificial puede participar activamente en los procesos de trabajo:

• La evolución del modelo mejora la capacidad y la fiabilidad.
• Los agentes introducen ejecución y continuidad.
• Las soluciones de privacidad permiten el uso en entornos reales.
• Las mejoras en generación amplían los tipos de output disponibles.

Sin embargo, la incorporación de estas capacidades no garantiza por sí misma un uso eficaz. La diferencia sigue estando en la forma en la que se estructuran los procesos, se interpretan los resultados y se toman decisiones a partir de ellos.

En ese punto, la tecnología es sólo una parte de la ecuación. El resto depende del criterio con el que se utiliza.

La entrada OpenAI está redefiniendo el trabajo con IA: análisis de sus últimos lanzamientos se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

El problema no reside en lo que la inteligencia artificial puede hacer, sino en con qué información puede hacerlo de forma segura y conforme a normativa. En ese punto, la privacidad deja de ser un aspecto secundario y pasa a convertirse en el verdadero factor limitante.

La realidad: una tecnología potente con un uso limitado

En la práctica, muchas organizaciones utilizan la inteligencia artificial de forma controlada y, en cierto modo, superficial. Se generan textos genéricos, se automatizan tareas de bajo riesgo o se exploran funcionalidades en entornos de prueba. Pero rara vez se trabaja con la información que realmente define el negocio: datos de clientes, contratos, documentación interna o información estratégica.

Esta limitación no responde a una falta de conocimiento ni de interés, sino a una decisión lógica basada en el riesgo. La introducción de datos sensibles en sistemas externos plantea cuestiones críticas relacionadas con la confidencialidad, el cumplimiento normativo y el control de la información. Y, en consecuencia, la IA se utiliza, pero no en los escenarios donde su impacto sería realmente transformador.

El origen del problema: sin datos reales, no hay valor real

La inteligencia artificial necesita contexto para aportar valor. Cuanto más relevante y específico es ese contexto, más útil es el resultado. Este principio es especialmente evidente en ámbitos como el legal, el financiero o la gestión de clientes, donde el análisis depende directamente de la calidad de la información disponible.

Sin embargo, ese mismo tipo de información es el que más restricciones presenta a la hora de ser utilizado. Durante mucho tiempo, la recomendación ha sido evitar introducir datos sensibles en herramientas como ChatGPT, lo que ha llevado a trabajar con información descontextualizada o ficticia.

El resultado es una situación paradójica: la tecnología está disponible, pero no puede aplicarse plenamente allí donde más valor podría generar.

Privacy Filter: un cambio de enfoque en la gestión del riesgo

En este contexto, el desarrollo del Privacy Filter por parte de OpenAI introduce un enfoque diferente. En lugar de centrarse en mejorar la capacidad del modelo, se centra en controlar la información que llega a él mediante una capa intermedia de tratamiento de datos.

Desde una perspectiva técnica, se trata de un mecanismo de preprocesamiento. Sin embargo, su importancia va más allá de lo técnico, ya que introduce una forma distinta de abordar el problema de la privacidad.

Además, este enfoque no se limita al uso dentro de ChatGPT. OpenAI ha publicado el Privacy Filter bajo licencia Apache 2.0 en plataformas como Hugging Face y GitHub, lo que permite su uso, adaptación e integración en sistemas propios. Esto implica que no estamos únicamente ante una funcionalidad asociada a un producto, sino ante un componente que puede formar parte de arquitecturas más amplias, ajustándose a diferentes contextos, políticas de privacidad y necesidades empresariales.

Este sistema permite:

• detectar información personal identificable (PII)
• anonimizar o transformar datos sensibles
• filtrar contenido antes de su procesamiento por el modelo

Desde una perspectiva técnica, se trata de un mecanismo de preprocesamiento. Sin embargo, su importancia va más allá de lo técnico, ya que introduce una forma distinta de abordar el problema de la privacidad.

Ejemplo práctico: cómo se transforma la información antes de llegar a la IA

Para entender mejor el impacto del Privacy Filter, resulta útil observar cómo cambia un contenido real antes de ser procesado por la inteligencia artificial. Este tipo de transformación es precisamente lo que permite trabajar con datos relevantes sin exponer información sensible.

Texto original:

Hola Orlando,
Gracias de nuevo por la reunión de esta mañana. Quería hablarte sobre las fechas revisadas para el despliegue del T2 y confirmar que el lanzamiento del producto está previsto para el 18 de septiembre de 2026.
Como referencia, el archivo del proyecto figura con el código 4829-1037-5581.
Si cambia algo de tu parte, escríbeme a carlos@empresa.cok o llámame al +34 999 000 123.
Atentamente,
Carlos Asensio

Texto tras aplicar Privacy Filter:

Hola [PRIVATE_PERSON],
Gracias de nuevo por la reunión de esta mañana. Quería comentar el calendario revisado para el despliegue del T2 y confirmar que el lanzamiento del producto está previsto para el [PRIVATE_DATE].
Como referencia, el archivo del proyecto figura con [ACCOUNT_NUMBER].
Si cambia algo de tu parte, escríbeme a [PRIVATE_EMAIL] o llámame al [PRIVATE_PHONE].
Atentamente,
[PRIVATE_PERSON]

Este ejemplo refleja de forma clara el objetivo del sistema: mantener el valor del contenido sin exponer los elementos que permiten identificar personas o información crítica. No se elimina el contexto, pero sí se protege aquello que podría comprometer la privacidad.

De la restricción al control: un problema que empieza a ser gestionable

El cambio más relevante no está en la eliminación del riesgo, sino en su gestión. Hasta ahora, la privacidad funcionaba como una barrera clara: si los datos eran sensibles, no se utilizaban. Con la incorporación de soluciones como el Privacy Filter, el enfoque evoluciona hacia un modelo en el que el uso de datos puede plantearse bajo ciertas condiciones de control.

Esto no implica que ChatGPT sea completamente seguro por defecto ni que cualquier información pueda utilizarse sin criterio. El riesgo sigue existiendo y la responsabilidad no desaparece. No obstante, sí se abre una vía intermedia en la que el uso de datos reales se vuelve viable mediante procesos de tratamiento y anonimización previos.

Desde esta perspectiva, la privacidad deja de ser un freno absoluto y pasa a convertirse en un elemento gestionable dentro de un sistema más amplio.

Impacto en la adopción empresarial

Este cambio tiene implicaciones directas en la adopción de la inteligencia artificial en entornos profesionales. Sectores con altos niveles de regulación, como el legal, el sanitario o el financiero, han mostrado tradicionalmente mayores reticencias a integrar estas tecnologías debido al riesgo asociado al tratamiento de datos.

La posibilidad de introducir mecanismos de filtrado y anonimización permite reducir esa distancia entre la experimentación y el uso real. No se trata únicamente de cumplir con la normativa, sino de poder trabajar con información relevante sin comprometer su integridad.

En este sentido, soluciones como el Privacy Filter no hacen que la IA sea más inteligente, pero sí hacen que su uso sea más viable en contextos donde antes resultaba complejo.

Más allá de la herramienta: la importancia del criterio

A pesar de estos avances, conviene no perder de vista que la tecnología por sí sola no resuelve el problema. La existencia de mecanismos de protección no sustituye la necesidad de definir qué datos se utilizan, con qué objetivo y bajo qué condiciones.

La inteligencia artificial puede procesar información, generar contenido y proponer soluciones, pero no establece los límites de su uso. Esa responsabilidad sigue recayendo en las personas y en las organizaciones que la integran en sus procesos.

La evolución de la inteligencia artificial suele medirse en términos de capacidad, pero la adopción real depende de factores estructurales como la gestión del dato y la privacidad. En este sentido, OpenAI no ha resuelto completamente este problema en ChatGPT, pero ha dado un paso relevante al introducir mecanismos que permiten abordarlo de forma más controlada.

Este cambio no elimina los riesgos, pero sí modifica el marco en el que se toman las decisiones. La tecnología ya permite hacer muchas cosas, pero su verdadero valor depende de cómo se utilice, con qué información y bajo qué criterios.

La entrada Privacy Filter de OpenAI en ChatGPT: la privacidad como límite real de la IA en empresa se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.

Sin embargo, dentro de ese conjunto hay un cambio que merece bastante más atención que el resto: Copilot empieza a incorporar memoria y personalización real basada en el historial de uso.

No se trata de una nueva función más, sino de una evolución en cómo se comporta la inteligencia artificial dentro del entorno.

El cambio clave: Copilot deja de ser “stateless”

Microsoft ha actualizado Copilot para que pueda utilizar el historial de conversaciones y preferencias del usuario con el objetivo de personalizar sus respuestas.

Esto implica que el sistema ya no responde únicamente en base a la petición actual, sino que puede tener en cuenta aspectos como:

• la forma de trabajar del usuario,
• el tipo de respuestas que suele preferir,
• y los temas recurrentes en su actividad.

El enfoque es claro: Copilot puede “recordar” información relevante para adaptar su comportamiento a cada persona. Este cambio introduce una diferencia importante respecto a cómo funcionaban tradicionalmente los asistentes de inteligencia artificial en entornos empresariales.

Qué implica realmente este cambio

Hasta ahora, muchos sistemas de inteligencia artificial funcionaban como herramientas sin memoria persistente, donde cada interacción era independiente.

Con esta evolución, Copilot se acerca más a un asistente continuo que aprende del contexto del usuario.

Esto tiene ventajas evidentes:

• menos repetición de instrucciones,
• respuestas más ajustadas,
• y mayor eficiencia en el uso diario.

Pero también introduce un matiz relevante: la IA empieza a construir contexto sobre el usuario a lo largo del tiempo.

Aunque Microsoft permite controlar esta funcionalidad (activar, desactivar o eliminar memoria), el hecho de que exista cambia el modelo de interacción. Este cambio se suma, además, a otras evoluciones recientes como la incorporación de modelos de Anthropic en Copilot, que ya analicé en un artículo anterior.

Impacto en las organizaciones: más allá del uso individual

Más allá del impacto a nivel usuario, la incorporación de memoria en Copilot introduce un matiz relevante en términos de gobernanza dentro de las organizaciones. Hasta ahora, la interacción con este tipo de herramientas podía entenderse como algo puntual, donde cada petición se procesaba de forma independiente. Con esta evolución, el modelo cambia.

Copilot pasa a operar con contexto acumulado, lo que implica que puede adaptar sus respuestas en función del historial, las preferencias o los patrones de uso del usuario. Esto, sin ser un problema en sí mismo, sí modifica la forma en la que debe plantearse su uso en entornos corporativos.

Desde el punto de vista organizativo, aparecen nuevas cuestiones que conviene considerar:

• qué tipo de información puede formar parte de esa memoria,
• en qué escenarios es recomendable utilizar esta funcionalidad,
• y si debe estar activa en todos los perfiles o limitarse a ciertos usos.

No se trata de un riesgo crítico ni de un cambio que requiera una intervención urgente, pero sí de una evolución que desplaza parte de la conversación desde la tecnología hacia la gobernanza. La inteligencia artificial deja de ser únicamente una herramienta de ejecución para convertirse en un sistema que construye contexto sobre el usuario a lo largo del tiempo.

Por este motivo, aunque las capacidades de control siguen estando disponibles (activación, desactivación o gestión de memoria), empieza a ser recomendable que las organizaciones definan criterios básicos de uso. No desde una perspectiva restrictiva, sino orientada a garantizar que el valor que aporta la personalización no comprometa la coherencia en el tratamiento de la información.

Privacidad, control y percepción

Este tipo de capacidades no implica necesariamente un problema de seguridad ni un incumplimiento de normativas. Microsoft mantiene controles sobre la personalización y permite gestionar qué información se recuerda.

Sin embargo, desde el punto de vista organizativo, sí introduce nuevas preguntas:

• ¿Qué información puede acabar formando parte de esa “memoria”?
• ¿En qué contextos es recomendable utilizarla?
• ¿Debe activarse por defecto en todos los entornos?

En otras palabras, la conversación deja de ser sólo tecnológica y pasa a ser también de gobernanza.

Otros cambios relevantes (pero secundarios)

Junto a esta evolución, Microsoft ha anunciado otras novedades interesantes:

• posibilidad de generar resúmenes de reuniones sin guardar transcripción en Teams (pensado para compliance),
• avances en herramientas de seguridad y observabilidad en entornos de IA,
• y nuevas capacidades de personalización y análisis dentro del ecosistema Copilot

Son mejoras útiles, especialmente en entornos empresariales, pero no cambian el modelo de funcionamiento de la IA como sí lo hace la incorporación de memoria.

En conclusión…

Con esta evolución, Copilot deja de ser simplemente una herramienta que responde a comandos y empieza a comportarse como un asistente que aprende del usuario.

Esto no es necesariamente mejor ni peor, pero sí es distinto.

Y ese matiz es importante porque, a partir de ahora, la clave ya no será únicamente lo qué puede hacer la inteligencia artificial, sino también qué sabe sobre nosotros y cómo utiliza ese conocimiento en cada interacción.

Entender esa diferencia es lo que marca, una vez más, la distancia entre usar tecnología y hacerlo con criterio.

La entrada Microsoft Copilot empieza a recordar lo que haces… y esto lo cambia todo se publicó primero en Orlando Suárez · Consultor y Formador en Inteligencia Artificial.